人工智能领域：面试常见问题

1.深度学习基础

• 为什么归一化能够提高求解最优解的速度？
• 为什么要归一化？
• 归一化与标准化有什么联系和区别？
• 归一化有哪些类型？
• Min-max归一化一般在什么情况下使用？
• Z-score归一化在什么情况下使用？
• 学习率过大或过小对网络会有什么影响？
• batch size的大小对网络有什么影响？
• 在参数初始化时，为什么不能全零初始化？
• 激活函数的作用？
• sigmoid函数有什么优缺点？
• RELU函数有什么优缺点？
• 如何选择合适的激活函数？
• 为什么 relu 不是全程可微/可导也能用于基于梯度的学习？
• 怎么计算mAP？
• 交叉熵为什么可以作为分类任务的损失函数？
• CTC方法主要使用了什么方式来解决了什么问题？
• 机器学习指标精确率，召回率，f1指标是怎样计算的？

2.卷积模型

• 相较于全连接网络，卷积在图像处理方面有什么样的优势？
• 卷积中感受野的计算方式？
• 1*1卷积的作用是什么？
• 深度可分离卷积的计算方式以及意义是什么？

3.预训练模型

• BPE生成词汇表的算法步骤是什么？
• Multi-Head Attention的时间复杂度是多少？
• Transformer的权重共享在哪个地方？
• Transformer的self-attention的计算过程是什么？
• 讲一下BERT的基本原理
• 讲一下BERT的三个Embedding是做什么的？
• BERT的预训练做了些什么？
• BERT,GPT,ELMO的区别
• 请列举一下BERT的优缺点
• ALBERT相对于BERT做了哪些改进？
• ALBERT Sentence order prediction：NSP和SOP的区别是什么？

4.对抗神经网络

• GAN是怎么训练的？

• GAN生成器输入为什么是随机噪声

• GAN生成器最后一层激活函数为什么通常使用tanh()？

• GAN使用的损失函数是什么？

• GAN中模式坍塌(model callapse指什么？)

• GAN模式坍塌解决办法

• GAN模型训练不稳定的原因

• GAN模式训练不稳定解决办法 or 训练GAN的经验/技巧

• 深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决

5.计算机视觉

• ResNet中Residual block解决了什么问题？

• 使用Cutout进行数据增广有什么样的优势？

• GoogLeNet使用了怎样的方式进行了网络创新？

• ViT算法中是如何将Transformer结构应用到图像分类领域的？

• NMS的原理以及具体实现？

• OCR常用检测方法有哪几种、各有什么优缺点

• 介绍一下DBNet算法原理

• DBNet 输出是什么？

• DBNet loss

• 介绍以下CRNN算法原理

• 介绍一下CTC原理

• OCR常用的评估指标

• OCR目前还存在哪些挑战/难点？

6.自然语言处理

• RNN一般有哪几种常用建模方式?
• LSTM是如何改进RNN，保持长期依赖的?
• LSTM在每个时刻是如何融合之前信息和当前信息的?
• 使用LSTM如何简单构造一个情感分析任务?
• 介绍一下GRU的原理
• word2vec提出了哪两种词向量训练方式
• word2vec提出了负采样的策略，它的原理是什么，解决了什么样的问题？
• word2vec通过什么样任务来训练词向量的?
• 如果让你实现一个命名实体识别任务，你会怎么设计?
• 在命名实体识别中，一般在编码网络的后边添加CRF层有什么意义
• 介绍一下CRF的原理
• CRF是如何计算一条路径分数的?
• CRF是如何解码序列的?
• 使用bilstm+CRF做命名实体识别时，任务的损失函数是怎么设计的？
• BERT的结构和原理是什么?
• BERT使用了什么预训练任务?
• 说一下self-attention的原理?

7.推荐系统

• DSSM模型的原理是什么？
• DSSM怎样解决OOV问题的？
• 推荐系统的PV和UV代表什么？
• 协同过滤推荐和基于内容的推荐的区别是什么？
• 说一说推荐系统的交叉验证的方法？

8.模型压缩

• 为什么需要进行模型压缩？

• 模型压缩的基本方法有哪些？

• DynaBERT模型的创新点是什么？

• TinyBERT是如何对BERT进行蒸馏的？

9.强化学习

• DQN网络的创新点是什么？

• 什么是马尔可夫决策过程？

• 什么是SARSA？

• 什么是Q-Learning？

10 元学习

• 元学习概念、学习期、工作原理、模型分类等
• 基于优化的元学习-MAML模型、LEO模型、Reptile模型优缺点和改进技巧
• 基于度量的元学习：SNAIL、RN、PN、MN创新点
• 基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM原理和技巧

更多优质内容请关注公号：汀丶人工智能