新闻中心

EEPW首页 > 智能计算 > 业界动态 > 想从事深度学习工作的进来看,经典面试问题帮你整理好了

想从事深度学习工作的进来看,经典面试问题帮你整理好了

作者:时间:2017-09-08来源:网络

  更新几个面试被问到或者联想出来的问题,后面有时间回答

本文引用地址:http://www.eepw.com.cn/article/201709/364073.htm

  SGD 中 S(stochastic)代表什么

  个人理解差不多就是Full-Batch和Mini-Batch

  监督学习/迁移学习/半监督学习/弱监督学习/非监督学习?

  本笔记主要问题来自以下两个问题,后续会加上我自己面试过程中遇到的问题。

  相关的职位面试时一般会问什么?会问一些传统的机器学习算法吗?

  如果你是面试官,你怎么去判断一个面试者的水平?

  以下问题来自@Naiyan Wang

  最成功的应用是在CV,那为什么NLP和Speech的很多问题也可以用解出来?为什么AlphaGo里也用了?这几个不相关的问题的相似性在哪里?CNN通过什么手段抓住了这个共性?

  Deep Learning -Yann LeCun, Yoshua Bengio & Geoffrey Hinton

  Learn TensorFlow and deep learning, without a Ph.D.

  The Unreasonable Effectiveness of Deep Learning -LeCun 16 NIPS Keynote

  以上几个不相关问题的相关性在于,都存在局部与整体的关系,由低层次的特征经过组合,组成高层次的特征,并且得到不同特征之间的空间相关性。如下图:低层次的直线/曲线等特征,组合成为不同的形状,最后得到汽车的表示。

  CNN抓住此共性的手段主要有四个:局部连接/权值共享/池化操作/多层次结构。

  局部连接使网络可以提取数据的局部特征;权值共享大大降低了网络的训练难度,一个Filter只提取一个特征,在整个图片(或者语音/文本) 中进行卷积;池化操作与多层次结构一起,实现了数据的降维,将低层次的局部特征组合成为较高层次的特征,从而对整个图片进行表示。如下图: 

  上图中,如果每一个点的处理使用相同的Filter,则为全卷积,如果使用不同的Filter,则为Local-Conv。

  为什么很多做人脸的Paper会最后加入一个Local Connected Conv?

  DeepFace: Closing the Gap to Human-Level Performance in Face Verification

  以FaceBook DeepFace 为例:

  DeepFace 先进行了两次全卷积+一次池化,提取了低层次的边缘/纹理等特征。

  后接了3个Local-Conv层,这里是用Local-Conv的原因是,人脸在不同的区域存在不同的特征(眼睛/鼻子/嘴的分布位置相对固定),当不存在全局的局部特征分布时,Local-Conv更适合特征的提取。

  以下问题来自@抽象猴

  什麽样的资料集不适合用?

  数据集太小,数据样本不足时,深度学习相对其它机器学习算法,没有明显优势。

  数据集没有局部相关特性,目前深度学习表现比较好的领域主要是图像/语音/自然语言处理等领域,这些领域的一个共性是局部相关性。图像中像素组成物体,语音信号中音位组合成单词,文本数据中单词组合成句子,这些特征元素的组合一旦被打乱,表示的含义同时也被改变。对于没有这样的局部相关性的数据集,不适于使用深度学习算法进行处理。举个例子:预测一个人的健康状况,相关的参数会有年龄、职业、收入、家庭状况等各种元素,将这些元素打乱,并不会影响相关的结果。

  对所有优化问题来说, 有没有可能找到比現在已知算法更好的算法?

  机器学习-周志华

  没有免费的午餐定理:

  对于训练样本(黑点),不同的算法A/B在不同的测试样本(白点)中有不同的表现,这表示:对于一个学习算法A,若它在某些问题上比学习算法 B更好,则必然存在一些问题,在那里B比A好。

  也就是说:对于所有问题,无论学习算法A多聪明,学习算法 B多笨拙,它们的期望性能相同。

  但是:没有免费午餐定力假设所有问题出现几率相同,实际应用中,不同的场景,会有不同的问题分布,所以,在优化算法时,针对具体问题进行分析,是算法优化的核心所在。

  用贝叶斯机率说明Dropout的原理

  Dropout as a Bayesian Approximation: Insights and Applications

  何为共线性, 跟过拟合有啥关联?

  Multicollinearity-Wikipedia

  共线性:多变量线性回归中,变量之间由于存在高度相关关系而使回归估计不准确。

  共线性会造成冗余,导致过拟合。

  解决方法:排除变量的相关性/加入权重正则。

  说明如何用支持向量机实现深度学习(列出相关数学公式)

  这个不太会,最近问一下老师。

  广义线性模型是怎被应用在深度学习中?

  A Statistical View of Deep Learning (I): Recursive GLMs

  深度学习从统计学角度,可以看做递归的广义线性模型。

  广义线性模型相对于经典的线性模型(y=wx+b),核心在于引入了连接函数g(.),形式变为:y=g−1(wx+b)。

  深度学习时递归的广义线性模型,神经元的激活函数,即为广义线性模型的链接函数。逻辑回归(广义线性模型的一种)的Logistic函数即为神经元激活函数中的Sigmoid函数,很多类似的方法在统计学和神经网络中的名称不一样,容易引起初学者(这里主要指我)的困惑。下图是一个对照表:

  什麽造成梯度消失问题? 推导一下

  Yes you should understand backdrop-Andrej Karpathy

  How does the ReLu solve the vanishing gradient problem?

  神经网络的训练中,通过改变神经元的权重,使网络的输出值尽可能逼近标签以降低误差值,训练普遍使用BP算法,核心思想是,计算出输出与标签间的损失函数值,然后计算其相对于每个神经元的梯度,进行权值的迭代。

  梯度消失会造成权值更新缓慢,模型训练难度增加。造成梯度消失的一个原因是,许多激活函数将输出值挤压在很小的区间内,在激活函数两端较大范围的定义域内梯度为0。造成学习停止  

  以下问题来自匿名用户

  Weights Initialization. 不同的方式,造成的后果。为什么会造成这样的结果。

  几种主要的权值初始化方法: lecun_uniform / glorot_normal / he_normal / batch_normal

  lecun_uniform:Efficient BackProp

  glorot_normal:Understanding the difficulty of training deep feedforward neural networks

  he_normal:Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification

  batch_normal:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

  为什么网络够深(Neurons 足够多)的时候,总是可以避开较差Local Optima?

  The Loss Surfaces of Multilayer Networks

  Loss. 有哪些定义方式(基于什么?), 有哪些优化方式,怎么优化,各自的好处,以及解释。

  Cross-Entropy / MSE / K-L散度

  Dropout。 怎么做,有什么用处,解释。

  How does the dropout method work in deep learning?

  Improving neural networks by preventing co-adaptation of feature detectors

  An empirical analysis of dropout in piecewise linear networks

  Activation Function. 选用什么,有什么好处,为什么会有这样的好处。

  几种主要的激活函数:Sigmond / ReLU /PReLU

  Deep Sparse Rectifier Neural Networks

  Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification



关键词: 深度学习 CNN

评论

技术专区

关闭