自用面试八股文_lstm面试八股

RNN、LSTM、GRU

1. 画一下GRU的单元结构？

2. 介绍一下RNN、LSTM、Transformer各自的优缺点？

3. 介绍一下梯度爆炸/梯度消失的解决办法？

4. RNN为什么容易出现梯度爆炸/梯度消失的问题，能否使用一些技巧缓解？

• RNN计算过程：
• 设E为损失函数，则：
  
• 主要关注其中一项：
  
• 我们已知：
  
• 可得：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3EJuch0A-1677248604553)(null)]
• 
• 缓解技巧：
• 梯度裁剪：
  • 按范数裁剪
  • 按值裁剪
• 

5. LSTM如何解决梯度消失/爆炸？
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4sIXGUho-1677248604824)(null)]
   
6. 实践中如何解决梯度爆炸问题，超参数如何设置的？
7. 设置梯度裁剪阈值时，有没有尝试通过参数分布来计算，而不是直接使用超参数？
8. LSTM的图结构以及公式，以及LSTM的流程，与GRU的区别。面对长文本有什么解决办法？
9. 介绍一下LSTM的原理，hidden_state和outputs的关系？
10. LSTM的激活函数是什么？能否使用ReLU？
11. LSTM的参数量以及初始化方式？
12. LSTM里面有哪些门，为什么用这些门？
    
    
    
13. GRU?
    
    
14. RNN输入长度不一致如何处理？
15. LSTM解决了RNN的什么问题？
16. LSTM如何调参？
17. RNN为什么用tanh不用relu？
18. LSTM VS GRU?
    
    

word2vec

介绍

1. word2vec有两种模型：CBOW和Skip-Gram，CBOW是在已知w的上下文的情况下，预测w，Skip-Gram是在已知w的情况下预测上下文。
   
2. 不经过优化的CBOW和Skip-gram中 ,在每个样本中每个词的训练过程都要遍历整个词汇表，也就是都需要经过softmax归一化，计算误差向量和梯度以更新两个词向量矩阵（这两个词向量矩阵实际上就是最终的词向量，可认为初始化不一样），当语料库规模变大、词汇表增长时，训练变得不切实际。
3. 为了解决这个问题，word2vec支持两种优化方法：hierarchical softmax 和negative sampling。
4. 层次softmax：首先根据词典中每个词的词频构造出一棵哈夫曼树，保证词频较大的词在浅层，词频较小的在深层，每个词都处于树的叶节点。原本的V分类问题简化为log(V)分类问题，树的每个非叶节点都进行了一次逻辑回归。这棵哈夫曼树除了根结点以外的所有非叶节点中都含有一个由参数θ确定的sigmoid函数，不同节点中的θ不一样。训练时隐藏层的向量与这个sigmoid函数进行运算，根据结果进行分类，若分类为正类则沿左子树向下传递，编码为1；若分类为正类则沿右子树向下传递，编码为0。
5. 负采样：为每个训练实例都提供负例。
   

面试题

1. Word2Vec原理，词向量是如何训练出来的？

• word2vec有两种模型：CBOW和Skip-Gram，CBOW是在已知w的上下文的情况下，预测w，Skip-Gram是在已知w的情况下预测上下文。

2. Word2Vec参数量计算？

• 2xVxN

3. CBOW与Skip-gram的训练过程，以及使用的加速技巧？
4. 从原理的角度解释一下为什么Skip-gram效果一般比CBOW更好？

• 训练速度上 CBOW 应该会更快一点。因为每次会更新 context(w) 的词向量，而 Skip-gram 只更新核心词的词向量。两者的预测时间复杂度分别是 O(V)，O(KV)
• Skip-gram 对低频词效果比 CBOW好。因为是尝试用当前词去预测上下文，当前词是低频词还是高频词没有区别。但是 CBOW 相当于是完形填空，会选择最常见或者说概率最大的词来补全，因此不太会选择低频词。Skip-gram 在大一点的数据集可以提取更多的信息。

5. Word2Vec有什么缺点？

• 忽略了词序信息
• 没办法解决一词多义的现象

6. 层次soft和负采样，负采样的损失函数，层次softmax的时间复杂度？

• softmax多分类的计算时间复杂度是O(V)，而层次softmax的时间复杂度是O(log V)，加快了计算速度
• 层次softmax的损失函数是二元交叉熵

7. 负采样为什么要用词频来做采样？

• 优先学习词频高的词向量，带动低频词

8. 层次softmax为什么要用哈夫曼树？其他树不可以吗？

• 因此哈夫曼树构建时是按照词频优先构建的，词频高的离根节点越近，优化高频词的计算量
• 其他树也可以，不一定要用哈夫曼树

9. word2vec中目标函数为什么不用加正则化项？

• 加正则的本质是减少数据中的误差对模型的影响。word2vec中输入数据是one hot encoding没有误差所以不用加。

10. Word2Vec哪个矩阵是词向量？无论是CBOW还是Skip-Gram中，都有两个权重矩阵W和W‘，W 反映的是一个词本身的词义，W’ 反映的是其他词与该词的搭配状况。上下文词向量的意思不是上下文单词的词向量，而是用来反映单词搭配状况（而非这个词的词义本身）的向量。一般来说词向量是指 W（因为用到下游任务的时候，W’ 的功能被 RNN 或其他网络结构代替了）。也有文章把 W 叫 input embedding，把 W’ 叫 output embedding。
11. word2Vec的CBOW，SKIP-gram为什么有2组词向量？- 训练两组词向量是为了计算梯度的时候求导更方便。如果只用一组词向量 ，那么Softmax计算的概率公式里分母会出现一项平方项 ，那么再对 求导就会比较麻烦。相反如果用两套词向量，求导结果就会很干净。实际上，因为在窗口移动的时候，先前窗口的中心词会变成当前窗口的上下文词，先前窗口的某一个上下文词会变成当前窗口的中心词。所以这两组词向量用来训练的词对其实很相近，训练结果也会很相近。一般做法是取两组向量的平均值作为最后的词向量。

• 

TextCNN

1. TextCNN的原理和细节？

• embedding后，卷积层、最大池化层、全连接层

2. TextCNN的卷积核大小，为什么要对文本进行卷积，卷积核大小选取的标准？
3. TextCNN中卷积核的物理意义是什么，提取全局特征还是局部特征？

• 局部特征

4. TextCNN和图像中的CNN最大的区别是什么？

• 与图像当中CNN的网络相比，textCNN 最大的不同便是在输入数据的不同：
  • 图像是二维数据, 图像的卷积核是从左到右, 从上到下进行滑动来进行特征抽取。
  • 自然语言是一维数据, 虽然经过word-embedding 生成了二维向量，但是对词向量做从左到右滑动来进行卷积没有意义. 比如 “今天” 对应的向量[0, 0, 0, 0, 1], 按窗口大小为 1* 2 从左到右滑动得到[0,0], [0,0], [0,0], [0, 1]这四个向量, 对应的都是"今天"这个词汇, 这种滑动没有帮助.

5. 为什么用最大池化？

• 最大池化选取最重要的特征，平均池化获取全局上下文关系
• 若用平均池化，则相当于认为该卷积核提取到的每个n-gram的信息是同等重要的，实际上不是，我们要选取最重要的特征。

6. TextCNN的反向传播？

• 卷积层
  
• 平均池化
  
• 最大池化