自然语言处理面试题集_自然语言处理方向博士面试

1. 为什么rnn循环神经网络会有梯度消失的情况，而lstm可以避免这种情况的发生？

首先来想想循环神经网络的结构是什么样的。

a. 它是由几十个甚至上百的神经元连接而成，这些神经元都是串行连接的。

b. 当计算完损失函数之后，需要逆向去更新神经网络中的权重。而且是从神经网络的尾部向前去更新，而rnn中输出值转隐层的激活函数一般使用的双曲正切函数tanc。其实在一般的rnn网络结构当中存在着3个权重参数，输出转隐层的参数w，隐层转隐层的参数的参数u，隐层转输出层的参数v。其实像v这种不依赖之前状态的参数，可以直接求导得到梯度。而像w，u这种依赖之前状态的参数需要连续求导得到。而像tanc和sigmoid函数的导函数都是要小于1的，而小于1的数如果连乘太多的话就会越来越趋近0。

下面是tanc的函数和导函数的图：

有人说是否可以使用relu函数代替tanc函数作为激活函数。这也是不行的，因为relu函数大于0时，函数的导数值是1。如果很多w的系数大于1，连乘之后就会产生梯度爆炸的结果。

relu函数如图所示

那么lstm又是如何解决梯度消失问题的呢？

这个问题在我看过很多的文章之后依然是非常模糊。如果想通过求导的方式去证明太麻烦了，非常难理解。但又有很多人说什么lstm的机构天然就是可以防止梯度消失的情况。

下面的解释可以稍微让人理解一下，什么lstm是怎样防止梯度消失和控制梯度下降。

但是在其他路径上，LSTM 的梯度流和普通 RNN 没有太大区别，依然会爆炸或者消失。由于总的远距离梯度 = 各条路径的远距离梯度之和，即便其他远距离路径梯度消失了，只要保证有一条远距离路径（就是上面说的那条高速公路）梯度不消失，总的远距离梯度就不会消失（正常梯度 + 消失梯度 = 正常梯度）。因此 LSTM 通过改善一条路径上的梯度问题拯救了总体的远距离梯度。

同样，因为总的远距离梯度 = 各条路径的远距离梯度之和，高速公路上梯度流比较稳定，但其他路径上梯度有可能爆炸，此时总的远距离梯度 = 正常梯度 + 爆炸梯度 = 爆炸梯度，因此 LSTM 仍然有可能发生梯度爆炸。不过，由于 LSTM 的其他路径非常崎岖，和普通 RNN 相比多经过了很多次激活函数（导数都小于 1），因此 LSTM 发生梯度爆炸的频率要低得多。实践中梯度爆炸一般通过梯度裁剪来解决。

总结：

1. 为什么rnn会发生梯度消失的情况？当神经元构成的链太长，当使用梯度下降的方式来更新，神经元链中靠前面部分的神经元参数时，因为隐层之间的信息传递，必定会通过一个tanc函数处理，而tanc函数的导数是[0,1]之间的数，如果有很多个这样的数相乘的话，就会使得梯度趋近于0.

2.为什么LSTM可以解决梯度消失的问题？首先要知道梯度消失会导致什么问题，它导致的问题其实是权重w几乎不更新，这样就很难找到一个合适的权重w,去映射输入值与输出值之间的关系。lstm能够解决这个问题的巧妙之处在出（相对rnn而言），神经元之间的连接不仅仅有h, 还有信息C, h在神经元之间的传递会经过sigmoid函数处理，但是C不会。所以与C相关的权重W的更新不会因为神经元链过长而产生梯度消失的现象（指的是，遗忘门，信息增益门的权重w）。但是输出门的权重w，是可能会出现梯度消失的。所以可以说是高速通道C,掩盖了通道h的梯度消失的现象，所以从整体上看是没有梯度消失现象的。

2. 交叉熵函数是什么？在什么地方用过？

首先交叉熵损失函数如下所示：

$L=\sum y*log_{2}\hat{y}+(1-y)*log_{2}(1-\hat{y})$

交叉熵损失函数可以用在二分类算法中的损失函数。其实由上述的公式可以知道不管是正例还是反例，当预测正确的可能性越高产生的损失就越低。它经常会和sigmoid函数一起使用。

3. Dropout的原理是什么？

除了输入和输出层外，使其它层的神经元的个数暂时性的减少，以达到一致过拟合的一种方法。

3. 什么是GBDT算法？

在介绍gbdt算法前，有必要先简单介绍一下boosting算法，它每步会产生一个弱预测模型，最后会将所有的弱预测模型累加汇总得到一个总模型，每个弱预测模型的生成都会依赖损失函数梯度递减的方式生成的，boosting被称为提升学习。

gdbt和adaboost都是boosting提升学习中的方法，不同的adaboost可以采用的弱分类器可以有很多。但是gbdt只能采用决策树（CART）作为弱分类器。GBDT采用的损失函数依然是最小二乘的损失函数。

4. 什么是xgboost算法？

xgboost本身就是GBDT算法，它是在gbdt算法的基础上进行了一系列的优化，从而使算法拥有了更好的性能。

下面简单总结一下，GBDT算法和xgboost之间的不同点：

除了算法上与传统的GBDT有一些不同外，XGBoost还在工程实现上做了大量的优化。总的来说，两者之间的区别和联系可以总结成以下几个方面。

1. GBDT是机器学习算法，XGBoost是该算法的工程实现。
2. 在使用CART作为基分类器时，XGBoost显式地加入了正则项来控制模 型的复杂度，有利于防止过拟合，从而提高模型的泛化能力。
3. GBDT在模型训练时只使用了代价函数的一阶导数信息，XGBoost对代 价函数进行二阶泰勒展开，可以同时使用一阶和二阶导数。
4. 传统的GBDT采用CART作为基分类器，XGBoost支持多种类型的基分类 器，比如线性分类器。
5. 传统的GBDT在每轮迭代时使用全部的数据，XGBoost则采用了与随机 森林相似的策略，支持对数据进行采样。
6. 传统的GBDT没有设计对缺失值进行处理，XGBoost能够自动学习出缺 失值的处理策略。弱分类器采用决策树

5. 什么是随机森林算法？

在了解随机森林算法前，我们先来了解一下bagging算法。bagging算法是集成算法下面的一个分支，与boosting方法合称为集成学习算法下面的两大分支。bagging它综合多个弱分类器形成一个强分类器，弱分类器之间没有联系，它的多样性体现在分类器的选择和样本的选择上。而随机森林算法，它是在bagging的算法基础上做了改动，引入了特征的随机选择。相对于bagging而言，它的效率和准确率都会更高。

　　boosting集成学习，由多个相关联的决策树联合决策，什么叫相关联，举个例子，有一个样本[数据->标签]是[(2，4，5)-> 4]，第一棵决策树用这个样本训练得预测为3.3，那么第二棵决策树训练时的输入，这个样本就变成了[(2，4，5)-> 0.7]，也就是说，下一棵决策树输入样本会与前面决策树的训练和预测相关。

　　与之对比的是random foreast（随机森林）算法，各个决策树是独立的、每个决策树在样本堆里随机选一批样本，随机选一批特征进行独立训练，各个决策树之间没有啥毛线关系。

6. 介绍一下Word2vec，CBOW和Skip-gram的区别是什么？

word2vec也叫做词嵌入表示，它能用密集矩阵表示一个词，相对于独热编码用稀疏矩阵表示词而言，他能大大的减少内存的使用量和运算的复杂度。

CBOW ,连续词袋法，它是word2vec方法中的一种。它的核心思想是利用它周边的词来预测该词。

skip-gram，的核心思想正好相反，它是利用一个词去预测它周边的词。

那么word2vec是如何做到减少矩阵维度的呢？

如上图所示，这i种场景是利用一个单词来预测一个单词的情况，它是利用了神经网络结构中隐层的性质，隐层可以不受输入层和输出层的影响自由控制大小。这里的隐层就是word2vec最终的矩阵表示。而利用多个单词来预测一个单词的情况如下图所示，他其实是将所以隐层的参数相加得到的。

word2vec这里还有一个知识点就是，它使用的损失函数是nec函数。在训练词嵌入矩阵的时候，它使用2分类问题去代替n分类问题。nec损失函数会随机从词库选取一些单词作为负例，其他的单词作为正例。我认为之所以这样做可行是因为，我们现在要做的事情是想用一个矩阵去表示单词而已，并不是真正做预测。所以这个简单的二分类可以满足我们的要求。

7. 深度学习优化算法有哪些，随便介绍一个（说的Adagrad，优缺点明显，进退自如）； 

AdaGrad算法介绍

表示第i个参数的梯度，对于经典的SGD优化方法，参数θth的更新为：

再来看AdaGrad算法表示为：

其中，r为梯度累积变量，r的初始值为0。ε为全局学习率，需要自己设置。δ为小常数，为了数值稳定大约设置为。

 

AdaGrad算法分析
 （1）从AdaGrad算法中可以看出，随着算法不断迭代，r会越来越大，整体的学习率会越来越小。所以，一般来说AdaGrad算法一开始是激励收敛，到了后面就慢慢变成惩罚收敛，速度越来越慢。

（2）在SGD中，随着梯度的增大，我们的学习步长应该是增大的。但是在AdaGrad中，随着梯度g的增大，我们的r也在逐渐的增大，且在梯度更新时r在分母上，也就是整个学习率是减少的，这是为什么呢？
这是因为随着更新次数的增大，我们希望学习率越来越慢。因为我们认为在学习率的最初阶段，我们距离损失函数最优解还很远，随着更新次数的增加，越来越接近最优解，所以学习率也随之变慢。
（3）经验上已经发现，对于训练深度神经网络模型而言，从训练开始时积累梯度平方会导致有效学习率过早和过量的减小。AdaGrade在某些深度学习模型上效果不错，但不是全部。
 

8. 深度学习优化算法用过哪些？讲讲Sgd和gd，bgd的区别？ 

sgd是随机梯度下降，使用一个样本来求梯度，很省内存，但

是不稳定。

gd是梯度下降，使用所有的样本来求梯度。

bgd是小批量梯度的下降，使用一部分样本来求梯度，普遍采用bgd比较多。