人工智能领域：面试常见问题超全（深度学习基础、卷积模型、对抗神经网络、预训练模型、计算机视觉、自然语言处理、推荐系统、模型压缩、强化学习、元学习）
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
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
8.模型压缩
9.强化学习
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
