谷歌、微软、亚马逊、阿里、字节深度学习面试问答整理（基础篇）

初学者深度学习面试题
通常会问这些问题，以使应聘者熟悉面试官和面试环境。尽管问题本身可能很难回答，但此级别是你最好的机会，可以说服面试官您关于深度学习的基本概念很清楚。
你对这些问题的答案不必太详尽，但请记住，面试官可能会在稍后提出更高级的问题时回想起你的答案。相当于暗示面试官，你的技术大概会在什么程度。
1.感知器和逻辑回归之间有什么区别？
多层感知器（MLP）是我们用于分类的最基本的神经网络之一。对于二元分类问题，我们知道输出可以是0或1 。这就像我们的简单逻辑回归一样，其中我们使用logit函数生成介于0和1之间的概率。
那么，两者有什么区别？
简而言之，这只是阈值函数的区别！当我们将逻辑回归模型限制为正好为1或正好为0时，我们得到一个Perceptron模型：

本文插图
2.我们是否可以对隐藏层的所有神经元具有相同的偏见？
本质上，你在每个层或每个神经元处也可以具有不同的偏差值。但是，最好对隐藏层中的所有神经元都有一个偏差矩阵。
需要注意的一点是，这两种策略都会给你带来截然不同的结果。
3.如果我们在神经网络中不使用任何激活函数，该怎么办？
这个问题的主要目的是理解为什么我们需要神经网络中的激活函数。你可以通过简单说明神经网络的构建方式来开始：
步骤1：根据权重计算所有输入（X）的总和，并包括偏差项：
Z =（权重* X）+偏差
步骤2：应用激活函数来计算预期的输出：
Y =激活（Z）
在每一层执行步骤1和2 。如果回想一下，那无非是向前传播！现在，如果没有激活功能怎么办？
我们的Y方程基本上变为：
Y = Z =（权重* X）+偏差
等等-这不仅仅是一个简单的线性方程吗？是的-这就是为什么我们需要激活功能。线性方程将无法捕获数据中的复杂模式-在深度学习问题的情况下，这一点更加明显。
为了捕获非线性关系，我们使用激活函数，这就是为什么没有激活函数的神经网络只是线性回归模型的原因。
4.在神经网络中，如果所有权重都初始化为相同的值怎么办？
用最简单的话说，如果所有神经元的权重值相同，则每个隐藏单元将获得完全相同的信号。尽管这可能在正向传播过程中起作用，但每次反向传播过程中成本函数的导数都相同。
简而言之，网络上没有学习！你怎么称呼模型无法从数据中学习任何模式的现象？是的，不合身。
因此，如果所有权重都具有相同的初始值，则将导致拟合不足。
注意：这个问题可能会进一步引发有关爆炸梯度和消失梯度的问题，下面将对此进行介绍。
5.列出深度学习中的受监督和不受监督的任务。
现在，这可能是一个棘手的问题。可能存在一个误解，即深度学习只能解决无人监督的学习问题。不是这种情况。监督学习和深度学习的示例包括：

图片分类
文字分类
序列标记

另一方面，还有一些无监督的深度学习技术：

词嵌入（如跳过表和连续词袋）：了解词嵌入：从Word2Vec到计数向量
自动编码器：学习如何使用自动编码器增强模糊的图像！

有一篇写这个的文章叫：深度学习的要点：无监督深度学习简介（使用Python代码，有兴趣的可以私信我要文章链接）
6.权重和偏差在神经网络中起什么作用？
这是一个用实际例子最好地解释的问题。考虑您今天想出去和朋友一起玩板球比赛。现在，许多因素都会影响您的决策，例如：

你有多少朋友可以加入游戏？
- 上一页
- 1
- 2
- 3
- 下一页