深度学习岗位面试问题整理笔记

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

  • 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?
  • Softmax Loss推一下

-----------------------------------------

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。

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?

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?


以下问题来自@Naiyan Wang



    • 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:



    • 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。


  • 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?


    • 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。




  • 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



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




编辑于 2017-12-14

文章被以下专栏收录