在本文中，我將分享有關深度學習的25個問題，希望能夠幫助你為面試做好準備。

1.為什么必須在神經網絡中引入非線性？

答：否則，我們將獲得一個由多個線性函數組成的線性函數，那么就成了線性模型。線性模型的參數數量非常少，因此建模的復雜性也會非常有限。

2.說明解決神經網絡中梯度消失問題的兩種方法。

答：

使用ReLU激活函數代替S激活函數。

使用Xavier初始化。

3.在圖像分類任務中，相較于使用密集神經網絡（Dense Neural Network，DNN），使用卷積神經網絡（Convolutional Neural Network，CNN）有哪些優勢？

答：雖然兩種模型都可以捕獲彼此靠近的像素之間的關系，但CNN具有以下屬性：

它是平移不變的：對于過濾器而言，像素的確切位置是無關的。

更不容易發生過度擬合：一般而言CNN中的參數比DNN要少很多。

方便我們更好地理解模型：我們可以查看過濾器的權重，并可視化神經網絡的學習成果。

分層性質：通過使用較簡單的模式描述復雜的模式來學習模式。

4. 說明在圖像分類任務中可視化CNN特征的兩種方法。

答：

輸入遮擋：遮擋輸入圖像的一部分，看看哪部分對分類的影響最大。 例如，針對某個訓練好的圖像分類模型，將下列圖像作為輸入。如果我們看到第三幅圖像被分類為狗狗的概率為98%，而第二幅圖像的準確率僅為65%，則說明眼睛對于對分類的影響更大。

激活最大化：創建一個人造的輸入圖像，以最大化目標響應（梯度上升）。

5. 在優化學習速率時，分別嘗試學習速率：0.1、0.2，…，0.5是好辦法嗎？

答：這種方法并不好，建議使用對數比例來優化學習速率。

6. 假設一個神經網絡擁有3層的結構和ReLU激活函數。如果我們用同一個值初始化所有權重，結果會怎樣？如果我們只有1層（即線性/邏輯回歸）會怎樣？

答：如果所有權重的初始值都相同，則無法破壞對稱性。也就是說，所有梯度都會更新成同一個值，而且神經網絡將無法學習。但是，如果神經網絡只有1層的話，成本函數是凸形的（線性/ S型），因此權重始終會收斂到最佳點，無論初始值是什么（收斂可能會較慢）。

7.解釋Adam優化器的概念。

答：Adam結合了兩個想法來改善收斂性：每個參數更新可加快收斂速度；動量可避免卡在鞍點上。

8.比較批處理，小批處理和隨機梯度下降。

答：批處理是指在估計數據時獲取整個數據；小批處理是通過對幾個數據點進行采樣來進行小批量處理；而隨機梯度下降是指在每個時期更新一個數據點的梯度。我們需要權衡梯度計算的準確度與保存在內存中的批量大小。此外，通過在每個epoch添加隨機噪聲，我們可以通過小批處理（而非整個批處理）實現正規化效果。

9.什么是數據擴充？舉個例子。

答：數據擴充是一種技術，通過操作原始數據來增加輸入數據。例如，對于圖像，我們可以執行以下操作：旋轉圖像、翻轉圖像、添加高斯模糊等。

10. 解釋GAN的概念。

答：GAN（Generative Adversarial Network）即生成對抗網絡，通常由兩個神經網絡D和G組成，其中D指的是判別器（Discriminator），而G指生成網絡（Generative Network）。這種模型的目標是創建數據，例如創建與真實圖像并無二樣的圖像。假設我們想要創建一只貓的對抗示例。神經網絡G負責生成圖像，而神經網絡D則負責判斷圖像是否是貓。G的目標是“愚弄”D——將G的輸出始終分類為貓。

11.使用Batchnorm有什么優勢？

答：Batchnorm能夠加快訓練過程，而且（一些噪音的副產品）還具有調節作用。

12.什么是多任務學習？應該在什么時候使用？

答：當我們使用少量數據處理多個任務時，多任務處理將很有用，而且我們還可以使用在其他任務的大型數據集上訓練好的模型。通過“硬”方式（即相同的參數）或“軟”方式（即對成本函數進行正則化/懲罰）共享模型的參數。

13.什么是端到端學習？列舉一些優點。

答：端到端學習通常是一個模型，該模型能夠獲取原始數據并直接輸出所需的結果，而無需任何中間任務或功能工程。其優點包括：無需手工構建功能，而且通常可以降低偏差。

14.如果在最后一層中，我們先使用ReLU激活函數，然后再使用Sigmoid函數，會怎樣？

答：由于ReLU始終會輸出非負結果，因此該神經網絡會將所有輸入預測成同一個類別！

15.如何解決梯度爆炸的問題？

答：解決梯度爆炸問題的一個最簡單的方法就是梯度修剪，即當梯度的絕對值大于M（M是一個很大的數字）時，設梯度為±M。

16.使用批量梯度下降法時，是否有必要打亂訓練數據？

答：沒有必要。因為每個epoch的梯度計算都會使用整個訓練數據，所以打亂順序也沒有任何影響。

17.當使用小批量梯度下降時，為什么打亂數據很重要？

答：如果不打亂數據的順序，那么假設我們訓練一個神經網絡分類器，且有兩個類別：A和B，那么各個epoch中的所有小批量都會完全相同，這會導致收斂速度變慢，甚至導致神經網絡對數據的順序產生傾向性。

18.列舉遷移學習的超參數。

答：保留多少層、添加多少層、凍結多少層。

19. 測試集上是否需要使用dropout？

答：不可以使用！dropout只能用于訓練集。dropout是訓練過程中應用的一種正則化技術。

20.說明為什么神經網絡中的dropout可以作為正則化。

答：關于dropout的工作原理有幾種解釋。我們可以將其視為模型平均的一種形式：我們可以在每一步中“去掉”模型的一部分并取平均值。另外，它還會增加噪音，自然會產生調節的效果。最后，它還可以稀釋權重，從根本上阻止神經網絡中神經元的共適應。

21. 舉個適合多對一RNN架構的例子。

答：例如：情緒分析，語音中的性別識別等。

22.我們什么時候不能使用BiLSTM？說明在使用BiLSTM我們必須做的假設。

答：在所有雙向模型中，我們都可以假設在給定的“時間”內訪問序列的下一個元素。文本數據（例如情感分析、翻譯等）就是這種情況，而時間序列數據則不屬于這種情況。

23. 判斷對錯：將L2正則化添加到RNN有助于解決梯度消失的問題。

答：錯誤！添加L2正則化會將權重縮小為零，在某些情況下這實際上會讓梯度消失的問題更嚴重。

24. 假設訓練錯誤/成本很高，而且驗證成本/錯誤幾乎與之相等。這是什么意思？我們應該做些什么？

答：這表明欠擬合。我們可以添加更多參數，增加模型的復雜性或減少正則化。

25. 說明為何L2正則化可以解釋為一種權重衰減。

答：假設我們的成本函數為C（w），我們再加上一個c|w|2。使用梯度下降時，迭代如下：

w = w -grad（C）（w） — 2cw = （1–2c）w — grad（C）（w）

在該等式中，權重乘以因子《1