深度学习常见面试题目_深度学习面试常问问题

基础知识题：

1. 如何解决过拟合？如何提高模型的泛化能力

欠拟合指模型无法得到较低的训练误差；
过拟合指模型的训练误差远小于它在测试数据集上的误差。

解决过拟合

• 选择复杂度合适的模型
• 避免使用过少的训练样本，收集更多的数据
• 使用丢弃法(dropout)
• 使用early stopping
• 用L1正则化和L2正则化降低模型的复杂度

提高模型的泛化能力
从数据上提升性能:

1. 收集更多的数据。
2. 对数据做缩放和变换。
3. 特征组合和重新定义问题。

从算法调优上提升性能:用可靠的模型诊断工具对模型进行诊断,

1. 权重的初始化,用小的随机数初始化权重。
2. 对学习率进行调节。
3. 尝试选择合适的激活函数。
4. 调整网络的拓扑结构。
5. 调节batch和epoch的大小。
6. 添加正则化的方法。
7. 尝试使用其它的优化方法,使用early stopping。

2. L1和L2的区别，各自的优缺点，L1为什么产生稀疏解

知乎详解
l1 loss在零点不平滑，用的较少。一般来说，l1正则会制造稀疏的特征，大部分无用的特征的权重会被置为0。
（适合回归任务，简单的模型，由于神经网络通常解决复杂问题，很少使用。）

l2 loss：对离群点比较敏感，如果feature是unbounded的话，需要好好调整学习率，防止出现梯度爆炸的情况。l2正则会让特征的权重不过大，使得特征的权重比较平均。
（适合回归任务，数值特征不大）

smooth l1 loss修改零点不平滑问题，L1-smooth比l2 loss对异常值的鲁棒性更强。具有l1和l2的优点，当绝对差值小于1，梯度不至于太大，损失函数较平滑，当差别大的时候，梯度值足够小，较稳定，不容易梯度爆炸。
（回归，当特征中有较大的数值，适合大多数问题）

3. Batchnorm的作用

各种norm
motivation
首先，在进行训练之前，一般要对数据做归一化，使其分布一致，但是在深度神经网络训练过程中，通常以送入网络的每一个batch训练，这样每个batch具有不同的分布；
此外，为了解决internal covarivate shift问题，这个问题定义是随着batch normalization这篇论文提出的，在训练过程中，数据分布会发生变化，对下一层网络的学习带来困难。

所以batch normalization就是强行将数据拉回到均值为0，方差为1的正太分布上，这样不仅数据分布一致，而且避免发生梯度消失。

此外，internal corvariate shift和covariate shift是两回事，前者是网络内部，后者是针对输入数据，比如我们在训练数据前做归一化等预处理操作。

加入缩放平移变量的原因是：保证每一次数据经过归一化后还保留原有学习来的特征，同时又能完成归一化操作，加速训练。 这两个参数是用来学习的参数。

BN在训练测试时是不同的，测试freeze了参数。

BN层的作用是把一个batch内的所有数据，从不规范的分布拉到正态分布。这样做的好处是使得数据能够分布在激活函数的敏感区域，敏感区域即为梯度较大的区域，因此在反向传播的时候能够较快反馈误差传播。避免梯度消失的问题.

4. 梯度消失，梯度爆炸的原因，如何解决？

参考

原因：

梯度消失的根源—–深度神经网络和反向传播
两种情况下梯度消失经常出现，一是在深层网络中，二是采用了不合适的损失函数，比如sigmoid。梯度爆炸一般出现在深层网络和权值初始化值太大的情况下。

1. 深层网络角度：
对激活函数进行求导，如果此部分大于1，那么层数增多的时候，最终的求出的梯度更新将以指数形式增加，即发生梯度爆炸，如果此部分小于1，那么随着层数增多，求出的梯度更新信息将会以指数形式衰减，即发生了梯度消失。

总结：从深层网络角度来讲，不同的层学习的速度差异很大，表现为网络中靠近输出的层学习的情况很好，靠近输入的层学习的很慢，有时甚至训练了很久，前几层的权值和刚开始随机初始化的值差不多。因此，梯度消失、爆炸，其根本原因在于反向传播训练法则，属于先天不足。

2. 激活函数角度
计算权值更新信息的时候需要计算前层偏导信息，因此如果激活函数选择不合适，比如使用sigmoid，梯度消失就会很明显了。
如果使用sigmoid作为损失函数，其梯度是不可能超过0.25的，这样经过链式求导之后，很容易发生梯度消失。
同理，tanh作为激活函数比sigmoid要好一些，但是它的导数仍然是小于1的。

解决方案

方案1-预训练加微调
采取无监督逐层训练方法，其基本思想是每次训练一层隐节点，训练时将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入，此过程就是逐层“预训练”（pre-training）；在预训练完成后，再对整个网络进行“微调”（fine-tunning）。
此思想相当于是先寻找局部最优，然后整合起来寻找全局最优，此方法有一定的好处，但是目前应用的不是很多了。
方案2-梯度剪切、正则
梯度剪切这个方案主要是针对梯度爆炸提出的，其思想是设置一个梯度剪切阈值，然后更新梯度的时候，如果梯度超过这个阈值，那么就将其强制限制在这个范围之内。这可以防止梯度爆炸。
另外一种解决梯度爆炸的手段是采用权重正则化（weithts regularization）比较常见的是$l_1$正则和$l_2$正则。
正则化是通过对网络权重做正则限制过拟合，仔细看正则项在损失函数的形式：
$Loss=(y-W^{T}x{)}^2+\alpha ||W|{|}^2$
其中，$\alpha$是指正则项系数，因此，如果发生梯度爆炸，权值的范数就会变的非常大，通过正则化项，可以部分限制梯度爆炸的发生。
方案3-relu、leakrelu、elu等激活函数
Relu思想也很简单，如果激活函数的导数为1，那么就不存在梯度消失爆炸的问题了，每层的网络都可以得到相同的更新速度，relu就这样应运而生。

relu函数的导数在正数部分是恒等于1的，因此在深层网络中使用relu激活函数就不会导致梯度消失和爆炸的问题。
relu的主要贡献在于：
– 解决了梯度消失、爆炸的问题
– 计算方便，计算速度快
– 加速了网络的训练
同时也存在一些缺点：
– 由于负数部分恒为0，会导致一些神经元无法激活（可通过设置小学习率部分解决）
– 输出不是以0为中心的
leakrelu
leakrelu就是为了解决relu的0区间带来的影响，其数学表达为：$leakrelu=max(k\ast x,x)$其中k是leak系数，一般选择0.01或者0.02，或者通过学习而来。

leakrelu解决了0区间带来的影响，而且包含了relu的所有优点。
elu
elu激活函数也是为了解决relu的0区间带来的影响，其数学表达为：

elu相对于leakrelu来说，计算要更耗时间一些
解决方案4-batchnorm
Batchnorm本质上是解决反向传播过程中的梯度问题，具有加速网络收敛速度，提升训练稳定性的效果。
通过规范化操作将输出信号x规范化保证网络的稳定性。
具体来说就是反向传播中，经过每一层的梯度会乘以该层的权重，举个简单例子：
正向传播中
$f_2=f_1(w^T\ast x+b)$，那么反向传播中，$\frac{\partial f_2}{\partial w}=\frac{\partial f_2}{\partial f_1}x$
反向传播式子中有x的存在，所以x的大小影响了梯度的消失和爆炸，batchnorm就是通过对每一层的输出规范为均值和方差一致的方法，消除了x带来的放大缩小的影响，进而解决梯度消失和爆炸的问题，或者可以理解为BN将输出从饱和区拉倒了非饱和区。
解决方案5-残差结构
短路机制可以无损地传播梯度，而另外一项残差梯度则需要经过带有weights的层，梯度不是直接传递过来的。残差梯度不会那么巧全为-1，而且就算其比较小，有1的存在也不会导致梯度消失。所以残差学习会更容易。

5. 如何解决模型不收敛问题？

原因：
1. 数据和标签
数据分类标注是否准确？数据是否干净？数据库太小一般不会带来不收敛的问题，只要你一直在train总会收敛。反而不收敛一般是由于样本的信息量太大导致网络不足以fit住整个样本空间。样本少只可能带来过拟合的问题。
2. 学习率设定不合理
在自己训练新网络时，可以从0.1开始尝试，如果loss不下降的意思，那就降低，除以10，用0.01尝试，一般来说0.01会收敛，不行的话就用0.001. 学习率设置过大，很容易震荡。
有的时候候学习率太低走不出低谷，把冲量提高也是一种方法，适当提高mini-batch值，使其波动不大。
3. 网络设定不合理
如果做很复杂的分类任务，却只用了很浅的网络，可能会导致训练难以收敛。可以尝试加深当前网络。
4. 数据集label的设置
检查lable是否有错，有的时候图像类别的label设置成1，2，3正确设置应该为0,1,2。
5. 数据归一化
一般来讲，归一化就是减去数据平均值除以标准差，通常是针对每个输入和输出特征进行归一化

6. 优化器的区别，SGD，Adam， RMSP等

参考我的博客专栏深度学习optimizer
sgd:
每一次利用一小批样本，即 n 个样本进行计算，这样它可以降低参数更新时的方差，收敛更稳定。
缺点:
Mini-batch gradient descent 不能保证很好的收敛性，
learning rate 如果选择的太小，收敛速度会很慢，如果太大，loss function 就会在极小值处不停地震荡甚至偏离。
有一种措施是先设定大一点的学习率，当两次迭代之间的变化低于某个阈值后，就减小 learning rate。
SGD方法的一个缺点是，其更新方向完全依赖于当前的batch，因而其更新十分不稳定
Momentum
模拟的是物体运动时的惯性，即更新的时候在一定程度上保留之前更新的方向，同时利用当前batch的梯度微调最终的更新方向。这样一来，可以在一定程度上增加稳定性，从而学习地更快，并且还有一定摆脱局部最优的能力。
Adagrad
上面提到的方法对于所有参数都使用了同一个更新速率。但是同一个更新速率不一定适合所有参数。比如有的参数可能已经到了仅需要微调的阶段，但又有些参数由于对应样本少等原因，还需要较大幅度的调动。
自适应地为各个参数分配不同学习率的算法。
缺点：
其学习率是单调递减的，训练后期学习率非常小
其需要手工设置一个全局的初始学习率
更新xt时，左右两边的单位不统一
Adadelta
RMSprop 和 Adadelta 都是为了解决 Adagrad 学习率急剧下降问题的。
Adam
就是在 RMSprop 的基础上加了 bias-correction 和 momentum

7. Xgboost和GBDT的区别，如何改进和提升Xgboost模型？

知乎

传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。
**xgboost在代价函数里加入了正则项，用于控制模型的复杂度。**正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
Shrinkage（缩减），相当于学习速率（xgboost中的eta）。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了削弱每棵树的影响，让后面有更大的学习空间。实际应用中，一般把eta设置得小一点，然后迭代次数设置得大一点。（补充：传统GBDT的实现也有学习速率）
列抽样（column subsampling）。xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算，这也是xgboost异于传统gbdt的一个特性。
对缺失值的处理。对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。
xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值）。xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。
可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点。

8. Svm如何解决不容易找到超平面的问题？

知乎SVM

9. 什么是线性模型？LR为什么是线性模型？

线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的，例如logistics模型。
区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w，如果w只影响一个x，那么此模型为线性模型。或者判断决策边界是否是线性的。
最简单判别一个模型是否为线性的，只需要判别决策边界是否是直线，也就是是否能用一条直线来划分。
虽然逻辑回归的模型特征经过非线性函数Sigmoid的转换，但是它的决策边界是线性方程，所以逻辑回归LR是非常典型的线性分类器。
参考知乎

10. Sigmoid和relu的区别

Sigmoid的导数只有在0的附近时有较好的激活性,而在正负饱和区域的梯度趋向于0,从而产生梯度弥散的现象

relu在大于0的部分梯度为常数,所以不会有梯度弥散现象。Relu的导数计算的更快。Relu在负半区的导数为0,所以神经元激活值为负时,梯度为0,此神经元不参与训练,具有稀疏性。

算法题：

1. 递归和迭代的反转链表

2. 输出完全二叉树的最后一排最后一个node，要求时间复杂度小于O(n)，树的剪枝

3. 合并K个有序链表

4. 两数之和的各种变型

5. m*n矩阵从左上角走到右下角一共有多少种走法？如果有障碍物的话怎么求？求最大的路径和？先从左上到右下在从右下返回到左上，重复走的节点值为0，求两条路径加和最大值？（都是DP）

LeetCode(不同路径）

场景题：

1. 斗地主有人拿到两张王的概率

解法一：
一共54张牌，其中地主20张，两个农民各17张。
将牌重新组合，将54张牌一次排成一列，分成三堆，前20张给地主，中间17张给第一个农民，最后17张给第二个农民。
问题关键：仅考虑大小王的位置，而不考虑其他所有牌。
所有情况：$A_{54}^2=54\ast 53$
王炸在地主手里：$A_{20}^2=20\ast 19$
王炸在农民手里：$2A_{17}^2=2\ast 17\ast 16$
所求概率为：

解法二：
一副牌54张，斗地主时并不是每个人拿18张，而是两个人拿17张一个人拿20张，每种分配方式的概率是相同的，一共有 $C_{54}^{20}{C}_{34}^{17}{C}_{17}^{17}$ 种。如果王炸在地主（拿20张牌者）手上，共有种 $C_2^2{C}_{52}^{18}{C}_{34}^{17}{C}_{17}^{17}$ 情况，即先把王炸给地主，再给地主补足牌，最后分配农民的牌；如果王炸在农民（拿17张牌者）手上，共有 $2C_2^2{C}_{52}^{15}{C}_{37}^{20}{C}_{17}^{17}$ 种情况，即先把王炸给农民，再给他补足手牌，然后给地主分牌，最后给第二个农民分牌。由于两个农民是对称的，因此乘2.按照这个模型，所求概率即为两种符合条件概率相加除以总方法数，结果约为154/477，约等于32.28%。

2. 百度搜索为什么快？

倒排