NLP面试知识点汇总_面试npl工程师需要掌握哪些知识

请你说说CNN，RNN，LSTM，Transformer之间的优缺点
CNN：
优点：并行化处理数据，捕捉局部信息能力强
缺点：1）不能表达时序信息。2）网络层数过深时，接近输入层的参数会更新变慢
RNN：
优点：可以表达时序信息。
缺点：1）不能并行处理数据。2）随着网络层数的增加，rnn在处理长序数据时容易出现梯度爆炸和梯度消失现象。
LSTM:
优点： lstm一定程度上解决了rnn中的梯度消失问题。
Transformer：
优点：1）相对于rnn，可以并行化处理数据。2）解决了长程依赖问题。3）计算两个token之间相似度的操作不会随着距离增加而变复杂。

为什么会出现梯度消失，梯度爆炸
梯度消失产生的原因：
梯度消失通常来源于激活函数的过饱和现象，由于在反向传播的过程中，为了求得参数的梯度，需要对激活函数多次链式求导，sigmoid在饱和区导数非常小，连乘操作会导致最终的梯度过小，产生梯度消失的现象，最后导致浅层的神经元更新速度非常慢，无法进行有效的学习，这种现象在深层网络更为突出。
后果：
梯度消失会导致前面网络层的参数更新幅度很小；梯度爆炸会导致学习过程很不稳定，最坏的结果导致权重更新导数为NaN，无法更新参数。
梯度爆炸产生的原因：
由于再反向传播的过程中，为了求得参数的梯度，需要进行多次链式求导，当每一层的神经元对上一层的输出再乘权重大于1时，连乘操作会使得最终的梯度越来越大，产生梯度爆炸现象。
梯度下降原理：$w_{i+1}=w_i+\alpha \frac{\partial loss}{\partial w_i}$
推导：
假设激活函数是f，在每一层经激活函数激活后的输出值为$f_i$，$f_4$是最后一层网络的输出值，现在我们要更新$w_2$这个参数：
$\frac{\partial loss}{\partial w_2}=\frac{\partial loss}{\partial f_4}\frac{\partial f_4}{\partial f_3}\frac{\partial f_3}{\partial f_2}\frac{\partial f_2}{\partial w_2}$
随着层数的增加，最终的值和$\frac{\partial f_{i+1}}{\partial f_i}$连乘有很大的关系，$f_i$是前一层输出然后经激活函数f得到$f_{i+1}$，即$f_{i+1}=sigmoid(f_i{w}_{i+1})$
$\frac{\partial f_{i+1}}{\partial f_i}=sigmoid(1-sigmoid)\cdot w_{i+1}$
$\frac{\partial f_2}{\partial w_2}=sigmoid(1-sigmoid)\cdot x$
所以当$\frac{\partial f_{i+1}}{\partial f_i}$>1时，连乘操作会使梯度变得越来越大，导致梯度爆炸；反之，梯度会变得很小，导致梯度消失。
解决：
梯度消失：ReLU代替sigmoid，LSTM，BatchNormlization
梯度爆炸：梯度裁剪
各种激活函数比较：
为什么sigmoid，tanh容易出现梯度消失的现象
$sigmoid=\frac{1}{1+e^{-x}}$ 求导：$sigmoid(1-sigmoid)$
sigmoid激活函数在输入值很大或很小时的导数为0，而且导数最大为0.25，所以sigmoid导数连乘很容易为0，从而出现梯度消失现象，tanh激活函数同理
ReLU有什么优点，局限性
优点：
将小于0的神经元输出为0，从而将这些神经元灭活，可以达到稀疏网络来拟合函数的效果。
relu的线性特点可以保证经多层网络传递后保持原来的梯度，避免了梯度消失现象。
relu计算简单，不涉及指数运算。
局限性：
由于单侧抑制，训练过程中会导致神经元死亡的问题（当relu的输出为0时，其导数也为0，进而导致该权重永久不会更新）
改进：Leaky ReLU
RNN梯度消失和MLP梯度消失的区别
MLP网络中各个层之间的参数是独立的，不同层之间的梯度也是独立的。
RNN中每个时间步都共享相同的权重参数，最终的梯度等于各个时间步梯度之和，随着梯度的传导，最终的梯度被近距离的梯度主导，近距离的梯度不会消失，远距离的梯度越传越小，导致模型学习不到远距离的依赖关系。
RNN梯度消失，梯度爆炸的原因
损失函数的导数小于1，当隐状态矩阵很小时，随着梯度的传递，远距离的梯度越传越小，最终梯度被近距离的梯度主导，模型学习不到远距离的依赖关系；当隐状态矩阵很大时，梯度会越传越大。
rnn前向传播：
$S_1=x_1{W}_x+S_0{W}_s,$ $O_1=S_1{W}_o$
$S_2=x_2{W}_x+S_1{W}_s,$ $O_2=S_2{W}_o$
$S_3=x_3{W}_x+S_2{W}_s,$ $O_3=S_3{W}_o$
$O_3\to loss$

$\frac{\partial loss}{\partial W_o}=\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial W_o}$

$\frac{\partial loss}{\partial W_x}=\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial W_x}+\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial S_2}\frac{\partial S_2}{\partial W_x}+\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial S_2}\frac{\partial S_2}{\partial S_1}\frac{\partial S_1}{\partial W_x}$

$\frac{\partial loss}{\partial W_s}=\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial W_s}+\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial S_2}\frac{\partial S_2}{\partial W_s}+\frac{\partial loss}{\partial O_3}\frac{\partial O_3}{\partial S_3}\frac{\partial S_3}{\partial S_2}\frac{\partial S_2}{\partial S_1}\frac{\partial S_1}{\partial W_s}$

由此可见：随着rnn序列长度的增加，权重更新的幅度和$\frac{\partial S_t}{\partial S_{t-1}}$的连乘有关，$S_t=tanh(S_{t-1}{W}_s)$,$\frac{\partial S_t}{\partial S_{t-1}}=\Delta tanh{W}_s$，当tanh的导数和$W_s$相乘小于1时，连乘使结果趋向于0，导致梯度消失。

LSTM模型结构，和RNN的区别
遗忘门：决定上一时刻的细胞状态$c_{t-1}$有多少传递到当前时刻细胞状态$c_t$
$f_t=\delta (W_f[h_{t-1},x_t])$
输入门：决定当前时刻的输入(候选细胞状态)有多少传递到当前细胞状态$c_t$
$i_t=\delta (W_i[h_{t-1},x_t])$
输出门：决定当前细胞状态$c_t$有多少传递到当前隐状态$h_t$
$o_t=\delta (W_o[h_{t-1},x_t])$
当前候选细胞状态：$\vec{c}=\delta (W_c[h_{t-1},x_t])$
当前细胞状态：$c_t=f_t{c}_{t-1}+i_t\vec{c}$
当前隐状态：$h_t=o_t{c}_t$
LSTM是怎么缓解梯度消失问题的
原始的lstm没有遗忘门，这样$c_t$对$c_{t-1}$的偏导为1，梯度可以无损的在每个时间步传递，远距离的梯度不会消失，可以学习到远距离的依赖关系。
增加遗忘门后，输出的值区间在[0,1]之间，当前一时刻的信息对当前时刻没有帮助时，遗忘门可以值为零，那么梯度也是0。
梯度爆炸可以用梯度裁剪来缓解：