深度學習面試100題（第1-5題）：經典常考點CNN

來自專欄 BAT面試1000題180 人贊了文章

1、梯度下降演算法的正確步驟是什麼？

a.計算預測值和真實值之間的誤差

b.重複迭代，直至得到網路權重的最佳值

c.把輸入傳入網路，得到輸出值

d.用隨機值初始化權重和偏差

e.對每一個產生誤差的神經元，調整相應的（權重）值以減小誤差

A.abcde B.edcba C.cbaed D.dcaeb

解析：正確答案D，考查知識點-深度學習。

2、已知：

- 大腦是有很多個叫做神經元的東西構成，神經網路是對大腦的簡單的數學表達。

- 每一個神經元都有輸入、處理函數和輸出。

- 神經元組合起來形成了網路，可以擬合任何函數。

- 為了得到最佳的神經網路，我們用梯度下降方法不斷更新模型

給定上述關於神經網路的描述，什麼情況下神經網路模型被稱為深度學習模型？

A.加入更多層，使神經網路的深度增加

B.有維度更高的數據

C.當這是一個圖形識別的問題時

D.以上都不正確

解析：正確答案A，更多層意味著網路更深。沒有嚴格的定義多少層的模型才叫深度模型，目前如果有超過2層的隱層，那麼也可以及叫做深度模型。

3、訓練CNN時，可以對輸入進行旋轉、平移、縮放等預處理提高模型泛化能力。這麼說是對，還是不對？

A.對 B.不對

解析：對。如寒sir所說，訓練CNN時，可以進行這些操作。當然也不一定是必須的，只是data augmentation擴充數據後，模型有更多數據訓練，泛化能力可能會變強。

4、下面哪項操作能實現跟神經網路中Dropout的類似效果？

A.Boosting B.Bagging C.Stacking D.Mapping

解析：正確答案B。Dropout可以認為是一種極端的Bagging，每一個模型都在單獨的數據上訓練，同時，通過和其他模型對應參數的共享，從而實現模型參數的高度正則化。

5、下列哪一項在神經網路中引入了非線性？

A.隨機梯度下降

B.修正線性單元（ReLU）

C.卷積函數

D.以上都不正確

解析：正確答案B。修正線性單元是非線性的激活函數。