AI面试必备深度学习100问1-50题答案解析.pdfVIP

AI⾯⾯试试必必备备深深度度学学习习100问问1-50题题答答案案解解析析

1、梯度下降算法的正确步骤，（正确步骤dcaeb）（梯度下降法其实是据函数的梯度来确定函数的极⼩值），这⾥的问题与其说是梯度

下降算法的步骤不如说类似图图像分类训练的整个流程：⽹络初始化-输⼊to输出-期望输出与实际差值-据误差计算更新权值-迭代进⾏。

a.计算预测值和真实值之间的误差；b.重复迭代，直⾄得到⽹络权重的最佳值；c.把输⼊传⼊⽹络，得到输出值；d.⽤随机值初始化权重

和偏差；e.对每⼀个产⽣误差的神经元，调整相应的（权重）值以减⼩误差。

2、已知：⼤脑是有很多个叫做神经元的东西构成，神经⽹络是对⼤脑的简单的数学表达。每⼀个神经元都有输⼊、处理函数和输出。神经

元组合起来形成了⽹络，可以拟合任何函数。为了得到最佳的神经⽹络，我们⽤梯度下降⽅法不断更新模型。

给定上述关于神经⽹络的描述，什么情况下神经⽹络模型被称为深度学习模型？（正确是A）

A.加⼊更多层，使神经⽹络的深度增加；B.有维度更⾼的数据；C.当这是⼀个图形识别的问题时；D.以上都不正确

神经⽹络理论上说是仿照⽣物神经学⼀层层迭代处理结构（⽣物学认为视觉系统是层级结构），层层抽象与迭代，多少层算深层结构没有硬

性的规定，⼀般要超过2层。

3、训练CNN时，可以对输⼊进⾏旋转、平移、缩放等预处理提⾼模型泛化能⼒。这么说是对，还是不对？（正确答案：对）

扩充数据是提⾼泛化能⼒常⽤的⽅式，对数据的平移、旋转等是对CNN训练数据的扩充的操作⽅式。

4、下⾯哪项操作能实现跟神经⽹络中Dropout的类似效果？

A.BoostingB.BaggingC.StackingD.Mapping（正确：B）

典型的神经⽹络其训练流程是将输⼊通过⽹络进⾏正向传导，然后将误差进⾏反向传播，Dropout就是针对这⼀过程之中，随机地删除隐藏

层的部分单元，进⾏上述过程。步骤为：1）随机删除⽹络中的⼀些隐藏神经元，保持输⼊输出神经元不变；2）将输⼊通过修改后的⽹络进

⾏前向传播，然后将误差通过修改后的⽹络进⾏反向传播；3）对于另外⼀批的训练样本，重复上述操作。他的作为从Hinton的原⽂以及后

续的⼤量实验论证发现，dropout可以⽐较有效地减轻过拟合的发⽣，⼀定程度上达到了正则化的效果。A:Boosting⽅法是⼀种⽤来提⾼弱分

类算法准确度的⽅法这种⽅法通过构造⼀个预测函数系列然后以⼀定的⽅式将他们组合成⼀个预测函数。B：bagging同样是弱分类器组合

的思路，它⾸先随机地抽取训练集（trainingset），以之为基础训练多个弱分类器。然后通过取平均，或者投票(voting)的⽅式决定最终的分

类结果。因为它随机选取训练集的特点，Bagging可以⼀定程度上避免过渡拟合(overfit)。C:stacking：它所做的是在多个分类器的结果上，

再套⼀个新的分类器。这个新的分类器就基于弱分类器的分析结果，加上训练标签(traininglabel)进⾏训练。⼀般这最后⼀层⽤的是LR。

D:SammonMapping降维算法。

5、下列哪⼀项在神经⽹络中引⼊了⾮线性？（正确：B）

A.随机梯度下降；B.修正线性单元（ReLU）；C.卷积函数；D.以上都不正确

线性=齐次性+可加性齐次性是指类似于:f(ax)=af(x)可加性是指类似于:f(x+y)=f(x)+f(y)

这⾥没有太多特别的原因就是⼀个名字.⾮线性当然就是这两条⾄少之⼀不成⽴。修正线性单元是⾮线性的激活函数。

6.CNN的卷积核是单层的还是多层的？

⼀般⽽⾔，深度卷积⽹络是⼀层⼜⼀层的。层的本质是特征图存贮输⼊数据或其中间表⽰值。⼀组卷积核则是联系前后两层的⽹络参数表

达体训练的⽬标就是每个卷积核的权重参数组。描述⽹络模型中某层的厚度，通常⽤名词通道channel数或者特征图featuremap数。不过

⼈们更习惯把作为数据输⼊的前层的厚度称之为通道数（⽐如RGB三⾊图层称为输⼊通道数为3），把作为卷积输出的后层的厚度称之为特

征图数。卷积核(filter)⼀般是3D多层的，除了⾯积参数⽐如3x3之外还有厚度参数H（2D的视为厚度1).还有⼀个属性是卷积核的个数N。

卷积核的厚度H⼀般等于前层厚度M(输⼊通道数或featuremap数).特殊情况MH。卷积核的个数N⼀般等于后层厚度(后层featuremaps

数，因为相等所以也⽤N表⽰)。卷积