深度学习面试的一些题目

整体回答得都比较简略，可以起到提纲挈领的作用，但是还需要继续深化。

 

解释Adam优化器的概念。

答：Adam结合了两个想法来改善收敛性：每个参数更新可加快收敛速度；动量可避免卡在鞍点上。

 

为什么必须在神经网络中引入非线性？

答：否则，我们将获得一个由多个线性函数组成的线性函数，那么就成了线性模型。线性模型的参数数量非常少，因此建模的复杂性也会非常有限。

 

如何解决梯度爆炸的问题？

答：解决梯度爆炸问题的一个最简单的方法就是梯度修剪，即当梯度的绝对值大于M（M是一个很大的数字）时，设梯度为±M。

 

说明为什么神经网络中的dropout可以作为正则化。

答：关于dropout的工作原理有几种解释。我们可以将其视为模型平均的一种形式：我们可以在每一步中“去掉”模型的一部分并取平均值。另外，它还会增加噪音，自然会产生调节的效果。最后，它还可以稀释权重，从根本上阻止神经网络中神经元的共适应。

 

判断对错：将L2正则化添加到RNN有助于解决梯度消失的问题。

答：错误！添加L2正则化会将权重缩小为零，在某些情况下这实际上会让梯度消失的问题更严重。

 

 

参考这篇文章：

https://mp.weixin.qq.com/s/BjR4ohEGw8pRKZqpgSt9Aw

标签：题目,梯度,模型,正则,面试,神经网络,Adam,深度,线性
来源： https://www.cnblogs.com/charlesblc/p/15900757.html