首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >深度学习岗位面试问题一览

深度学习岗位面试问题一览

作者头像
AI研习社
发布2018-03-16 17:11:50
1.5K0
发布2018-03-16 17:11:50
举报
文章被收录于专栏:AI研习社AI研习社

本笔记主要问题来自以下两个问题,以及我自己面试过程中遇到的问题。 深度学习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?(http://t.cn/RMrVwoU) 如果你是面试官,你怎么去判断一个面试者的深度学习水平?(http://t.cn/RIQnMZv)

以下问题来自@Naiyan Wang(http://t.cn/RjVwbgQ)

1.CNN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CNN解出来?为什么AlphaGo里也用了CNN?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(http://t.cn/RjV2Zuc) Learn TensorFlow and deep learning, without a PhD(http://t.cn/R00mUws) The Unreasonable Effectiveness of Deep Learning -LeCun 16 NIPS Keynote(http://t.cn/RZ02yaK)

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。

2.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(http://t.cn/RjVqsrg)

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(http://t.cn/RjV5W4J)

1、什麽样的资料集不适合用深度学习?

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。

2.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(http://t.cn/RjVfkB3)

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。

3.用贝叶斯机率说明Dropout的原理

Dropout as a Bayesian Approximation: Insights and Applications(http://t.cn/R28v5W6)

4.何为共线性, 跟过拟合有啥关联?

Multicollinearity-Wikipedia(http://t.cn/RjVMJBf)

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。

5.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(http://t.cn/R2VQ5wJ)

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:

6.什麽造成梯度消失问题? 推导一下

Yes you should understand backdrop-Andrej Karpathy(http://t.cn/RI6Qe7t) How does the ReLu solve the vanishing gradient problem?(http://t.cn/RjVxrGG)

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

1.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(http://t.cn/RjVX2bi) glorot_normal:Understanding the difficulty of training deep feedforward neural networks (http://t.cn/RjVXVIr) he_normal:Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification(http://t.cn/RjVS5yE) batch_normal:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift(http://t.cn/RXgFY02)

2.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(http://t.cn/RjVCV7A)

3.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

4.Dropout。 怎么做,有什么用处,解释。

How does the dropout method work in deep learning?(http://t.cn/RjVoBTT) Improving neural networks by preventing co-adaptation of feature detectors(http://t.cn/RjVWnC0) An empirical analysis of dropout in piecewise linear networks(http://t.cn/RjVWsxB)

5.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(http://t.cn/RjVlVbG) Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification(http://t.cn/RjVl6Z5)

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-11-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI研习社 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1、什麽样的资料集不适合用深度学习?
  • 2.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?
  • 没有免费的午餐定理:
  • 3.用贝叶斯机率说明Dropout的原理
  • 4.何为共线性, 跟过拟合有啥关联?
  • 5.广义线性模型是怎被应用在深度学习中?
  • 6.什麽造成梯度消失问题? 推导一下
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档