在本文中，我將分享有關(guān)深度學(xué)習(xí)的25個問題，希望能夠幫助你為面試做好準(zhǔn)備。

1.為什么必須在神經(jīng)網(wǎng)絡(luò)中引入非線性？

答：否則，我們將獲得一個由多個線性函數(shù)組成的線性函數(shù)，那么就成了線性模型。線性模型的參數(shù)數(shù)量非常少，因此建模的復(fù)雜性也會非常有限。

2.說明解決神經(jīng)網(wǎng)絡(luò)中梯度消失問題的兩種方法。

答：

使用ReLU激活函數(shù)代替S激活函數(shù)。

使用Xavier初始化。

3.在圖像分類任務(wù)中，相較于使用密集神經(jīng)網(wǎng)絡(luò)（Dense Neural Network，DNN），使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）有哪些優(yōu)勢？

答：雖然兩種模型都可以捕獲彼此靠近的像素之間的關(guān)系，但CNN具有以下屬性：

它是平移不變的：對于過濾器而言，像素的確切位置是無關(guān)的。

更不容易發(fā)生過度擬合：一般而言CNN中的參數(shù)比DNN要少很多。

方便我們更好地理解模型：我們可以查看過濾器的權(quán)重，并可視化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)成果。

分層性質(zhì)：通過使用較簡單的模式描述復(fù)雜的模式來學(xué)習(xí)模式。

4. 說明在圖像分類任務(wù)中可視化CNN特征的兩種方法。

答：

輸入遮擋：遮擋輸入圖像的一部分，看看哪部分對分類的影響最大。 例如，針對某個訓(xùn)練好的圖像分類模型，將下列圖像作為輸入。如果我們看到第三幅圖像被分類為狗狗的概率為98%，而第二幅圖像的準(zhǔn)確率僅為65%，則說明眼睛對于對分類的影響更大。

激活最大化：創(chuàng)建一個人造的輸入圖像，以最大化目標(biāo)響應(yīng)（梯度上升）。

5. 在優(yōu)化學(xué)習(xí)速率時，分別嘗試學(xué)習(xí)速率：0.1、0.2，…，0.5是好辦法嗎？

答：這種方法并不好，建議使用對數(shù)比例來優(yōu)化學(xué)習(xí)速率。

6. 假設(shè)一個神經(jīng)網(wǎng)絡(luò)擁有3層的結(jié)構(gòu)和ReLU激活函數(shù)。如果我們用同一個值初始化所有權(quán)重，結(jié)果會怎樣？如果我們只有1層（即線性/邏輯回歸）會怎樣？

答：如果所有權(quán)重的初始值都相同，則無法破壞對稱性。也就是說，所有梯度都會更新成同一個值，而且神經(jīng)網(wǎng)絡(luò)將無法學(xué)習(xí)。但是，如果神經(jīng)網(wǎng)絡(luò)只有1層的話，成本函數(shù)是凸形的（線性/ S型），因此權(quán)重始終會收斂到最佳點(diǎn)，無論初始值是什么（收斂可能會較慢）。

7.解釋Adam優(yōu)化器的概念。

答：Adam結(jié)合了兩個想法來改善收斂性：每個參數(shù)更新可加快收斂速度；動量可避免卡在鞍點(diǎn)上。

8.比較批處理，小批處理和隨機(jī)梯度下降。

答：批處理是指在估計數(shù)據(jù)時獲取整個數(shù)據(jù)；小批處理是通過對幾個數(shù)據(jù)點(diǎn)進(jìn)行采樣來進(jìn)行小批量處理；而隨機(jī)梯度下降是指在每個時期更新一個數(shù)據(jù)點(diǎn)的梯度。我們需要權(quán)衡梯度計算的準(zhǔn)確度與保存在內(nèi)存中的批量大小。此外，通過在每個epoch添加隨機(jī)噪聲，我們可以通過小批處理（而非整個批處理）實(shí)現(xiàn)正規(guī)化效果。

9.什么是數(shù)據(jù)擴(kuò)充？舉個例子。

答：數(shù)據(jù)擴(kuò)充是一種技術(shù)，通過操作原始數(shù)據(jù)來增加輸入數(shù)據(jù)。例如，對于圖像，我們可以執(zhí)行以下操作：旋轉(zhuǎn)圖像、翻轉(zhuǎn)圖像、添加高斯模糊等。

10. 解釋GAN的概念。

答：GAN（Generative Adversarial Network）即生成對抗網(wǎng)絡(luò)，通常由兩個神經(jīng)網(wǎng)絡(luò)D和G組成，其中D指的是判別器（Discriminator），而G指生成網(wǎng)絡(luò)（Generative Network）。這種模型的目標(biāo)是創(chuàng)建數(shù)據(jù)，例如創(chuàng)建與真實(shí)圖像并無二樣的圖像。假設(shè)我們想要創(chuàng)建一只貓的對抗示例。神經(jīng)網(wǎng)絡(luò)G負(fù)責(zé)生成圖像，而神經(jīng)網(wǎng)絡(luò)D則負(fù)責(zé)判斷圖像是否是貓。G的目標(biāo)是“愚弄”D——將G的輸出始終分類為貓。

11.使用Batchnorm有什么優(yōu)勢？

答：Batchnorm能夠加快訓(xùn)練過程，而且（一些噪音的副產(chǎn)品）還具有調(diào)節(jié)作用。

12.什么是多任務(wù)學(xué)習(xí)？應(yīng)該在什么時候使用？

答：當(dāng)我們使用少量數(shù)據(jù)處理多個任務(wù)時，多任務(wù)處理將很有用，而且我們還可以使用在其他任務(wù)的大型數(shù)據(jù)集上訓(xùn)練好的模型。通過“硬”方式（即相同的參數(shù)）或“軟”方式（即對成本函數(shù)進(jìn)行正則化/懲罰）共享模型的參數(shù)。

13.什么是端到端學(xué)習(xí)？列舉一些優(yōu)點(diǎn)。

答：端到端學(xué)習(xí)通常是一個模型，該模型能夠獲取原始數(shù)據(jù)并直接輸出所需的結(jié)果，而無需任何中間任務(wù)或功能工程。其優(yōu)點(diǎn)包括：無需手工構(gòu)建功能，而且通常可以降低偏差。

14.如果在最后一層中，我們先使用ReLU激活函數(shù)，然后再使用Sigmoid函數(shù)，會怎樣？

答：由于ReLU始終會輸出非負(fù)結(jié)果，因此該神經(jīng)網(wǎng)絡(luò)會將所有輸入預(yù)測成同一個類別！

15.如何解決梯度爆炸的問題？

答：解決梯度爆炸問題的一個最簡單的方法就是梯度修剪，即當(dāng)梯度的絕對值大于M（M是一個很大的數(shù)字）時，設(shè)梯度為±M。

16.使用批量梯度下降法時，是否有必要打亂訓(xùn)練數(shù)據(jù)？

答：沒有必要。因?yàn)槊總€epoch的梯度計算都會使用整個訓(xùn)練數(shù)據(jù)，所以打亂順序也沒有任何影響。

17.當(dāng)使用小批量梯度下降時，為什么打亂數(shù)據(jù)很重要？

答：如果不打亂數(shù)據(jù)的順序，那么假設(shè)我們訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)分類器，且有兩個類別：A和B，那么各個epoch中的所有小批量都會完全相同，這會導(dǎo)致收斂速度變慢，甚至導(dǎo)致神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的順序產(chǎn)生傾向性。

18.列舉遷移學(xué)習(xí)的超參數(shù)。

答：保留多少層、添加多少層、凍結(jié)多少層。

19. 測試集上是否需要使用dropout？

答：不可以使用！dropout只能用于訓(xùn)練集。dropout是訓(xùn)練過程中應(yīng)用的一種正則化技術(shù)。

20.說明為什么神經(jīng)網(wǎng)絡(luò)中的dropout可以作為正則化。

答：關(guān)于dropout的工作原理有幾種解釋。我們可以將其視為模型平均的一種形式：我們可以在每一步中“去掉”模型的一部分并取平均值。另外，它還會增加噪音，自然會產(chǎn)生調(diào)節(jié)的效果。最后，它還可以稀釋權(quán)重，從根本上阻止神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的共適應(yīng)。

21. 舉個適合多對一RNN架構(gòu)的例子。

答：例如：情緒分析，語音中的性別識別等。

22.我們什么時候不能使用BiLSTM？說明在使用BiLSTM我們必須做的假設(shè)。

答：在所有雙向模型中，我們都可以假設(shè)在給定的“時間”內(nèi)訪問序列的下一個元素。文本數(shù)據(jù)（例如情感分析、翻譯等）就是這種情況，而時間序列數(shù)據(jù)則不屬于這種情況。

23. 判斷對錯：將L2正則化添加到RNN有助于解決梯度消失的問題。

答：錯誤！添加L2正則化會將權(quán)重縮小為零，在某些情況下這實(shí)際上會讓梯度消失的問題更嚴(yán)重。

24. 假設(shè)訓(xùn)練錯誤/成本很高，而且驗(yàn)證成本/錯誤幾乎與之相等。這是什么意思？我們應(yīng)該做些什么？

答：這表明欠擬合。我們可以添加更多參數(shù)，增加模型的復(fù)雜性或減少正則化。

25. 說明為何L2正則化可以解釋為一種權(quán)重衰減。

答：假設(shè)我們的成本函數(shù)為C（w），我們再加上一個c|w|2。使用梯度下降時，迭代如下：

w = w -grad（C）（w） — 2cw = （1–2c）w — grad（C）（w）

在該等式中，權(quán)重乘以因子《1