求职面试 - 随笔分类 - 知识天地

机器学习面试题总结（笔记）

摘要：一面试题概述面试的时候，面试官会结合你的回答和你的简历来询问你，所以在写简历的时候，简历上所写的所有内容在写的时候必须自己反问一下自己，这个知识点懂不懂。面试其实是一个沟通技巧的考量，在面试的时候要“灵活”；在有一些问题上，如果不会，那么直接说不会就可以；但是在一些比较关键的问题上，如果这个阅读全文

posted @ 2021-09-16 15:01 知识天地阅读(939) 评论(0) 推荐(0) 编辑

机器学习面试常见问题

摘要：(1) 无监督和有监督算法的区别？有监督学习：对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。因此，训练样本的岐义性低。无监督学习：对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所阅读全文

posted @ 2021-09-16 14:59 知识天地阅读(137) 评论(0) 推荐(0) 编辑

机器学习面试问题总结

摘要：判别式模型和生成式模型的区别？判别方法：由数据直接学习决策函数 Y = f（X），或者由条件分布概率 P（Y|X）作为预测模型，即判别模型。生成方法：由数据学习联合概率密度分布函数 P（X,Y）,然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型。由生成模型可以得到判别模型，但由判别模型得阅读全文

posted @ 2021-09-16 14:59 知识天地阅读(170) 评论(0) 推荐(0) 编辑

深度学习面试题29：GoogLeNet(Inception V3)

摘要：目录使用非对称卷积分解大filters 重新设计pooling层辅助构造器使用标签平滑参考资料在《深度学习面试题20：GoogLeNet(Inception V1)》和《深度学习面试题26：GoogLeNet(Inception V2)》中对前两个Inception版本做了介绍，下面主要阐阅读全文

posted @ 2019-08-20 13:20 知识天地阅读(749) 评论(0) 推荐(0) 编辑

深度学习面试题28：标签平滑(Label smoothing)

摘要：目录产生背景工作原理参考资料产生背景假设选用softmax交叉熵训练一个三分类模型，某样本经过网络最后一层的输出为向量x=(1.0, 5.0, 4.0)，对x进行softmax转换输出为：假设该样本y=[0, 1, 0]，那损失loss: 按softmax交叉熵优化时，针对这个样本而言，阅读全文

posted @ 2019-08-20 10:22 知识天地阅读(3175) 评论(0) 推荐(0) 编辑

深度学习面试题27：非对称卷积(Asymmetric Convolutions)

摘要：目录产生背景举例参考资料产生背景之前在深度学习面试题16：小卷积核级联卷积VS大卷积核卷积中介绍过小卷积核的三个优势： ①整合了三个非线性激活层，代替单一非线性激活层，增加了判别能力。 ②减少了网络参数。 ③减少了计算量在《Rethinking the Inception Archite 阅读全文

posted @ 2019-08-20 10:21 知识天地阅读(3207) 评论(0) 推荐(0) 编辑

深度学习面试题26：GoogLeNet(Inception V2)

摘要：目录第一层卷积换为分离卷积一些层的卷积核的个数发生了变化多个小卷积核代替大卷积核一些最大值池化换为了平均值池化完整代码参考资料第一层卷积换为分离卷积 net = slim.separable_conv2d( inputs, depth(64), [7, 7], depth_multip 阅读全文

posted @ 2019-08-20 10:19 知识天地阅读(700) 评论(0) 推荐(0) 编辑

深度学习面试题25：分离卷积(separable卷积)

摘要：目录举例单个张量与多个卷积核的分离卷积参考资料举例分离卷积就是先在深度上分别卷积，然后再进行卷积，对应代码为： import tensorflow as tf # [batch, in_height, in_width, in_channels] input =tf.reshape(tf. 阅读全文

posted @ 2019-08-20 10:18 知识天地阅读(1078) 评论(0) 推荐(0) 编辑

深度学习面试题24：在每个深度上分别卷积(depthwise卷积)

摘要：目录举例单个张量与多个卷积核在深度上分别卷积参考资料举例如下张量x和卷积核K进行depthwise_conv2d卷积结果为： depthwise_conv2d和conv2d的不同之处在于conv2d在每一深度上卷积，然后求和，depthwise_conv2d没有求和这一步，对应代码为：阅读全文

posted @ 2019-08-20 10:17 知识天地阅读(4053) 评论(0) 推荐(0) 编辑

深度学习面试题23：批次张量和卷积核的简易定义方式

摘要：目录直接定义的缺点简易定义的方式参考资料直接定义的缺点在tensorflow中假设有一批输入为：其定义如下： tf.constant([ [ [ [3, 1, -3], [1, -1, 7] ], [ [-2, 2, -5], [2, 7, 3] ] ], [ [ [-1, 3, 1], 阅读全文

posted @ 2019-08-20 10:16 知识天地阅读(870) 评论(0) 推荐(0) 编辑

深度学习面试题22：批量归一化在实践中的应用

摘要：目录指数移动平均 BN在卷积网络中的使用参考资料假设已经训练好一个带有BN操作的卷积神经网络，但是在使用它预测时，往往每次只输入一个样本，那么经过该网络时，计算平均值和方差的意义就不大了，常采用的策略是计算训练阶段的平均值和方差的指数移动平均，然后在预测阶段使用它们作为BN操作时的平均值和方差阅读全文

posted @ 2019-08-20 10:15 知识天地阅读(938) 评论(0) 推荐(0) 编辑

深度学习面试题21：批量归一化(Batch Normalization,BN)

摘要：目录 BN的由来 BN的作用 BN的操作阶段 BN的操作流程 BN可以防止梯度消失吗为什么归一化后还要放缩和平移 BN在GoogLeNet中的应用参考资料 BN的由来 BN是由Google于2015年提出，论文是《Batch Normalization_ Accelerating Deep Ne 阅读全文

posted @ 2019-08-20 10:13 知识天地阅读(1804) 评论(0) 推荐(2) 编辑

深度学习面试题20：GoogLeNet(Inception V1)

摘要：目录简介网络结构对应代码网络说明参考资料简介 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构，而阅读全文

posted @ 2019-08-20 10:12 知识天地阅读(483) 评论(0) 推荐(0) 编辑

深度学习面试题19：1*1卷积核的作用

摘要：目录举例在Inception module上的应用参考资料可以减少计算量，可以增加非线性判别能力举例假设有1个高为30、宽为40，深度为200的三维张量与55个高为5、宽为5、深度为200的卷积核same卷积，步长=1，则结果是高为30、宽为40、深度为55的三维张量，如图所示：该卷积阅读全文

posted @ 2019-08-20 10:10 知识天地阅读(483) 评论(0) 推荐(0) 编辑

深度学习面试题18：网中网结构(Network in Network)

摘要：目录举例参考资料网中网结构通过多个分支的运算（卷积或池化），将分支上的运算结果在深度上连接举例一个3*3*2的张量，与3个1*1*2的卷积核分别same卷积，步长=1，与2个2*2*2的卷积核分别same卷积，步长=1，与1个3*3*2的掩码最大值same池化，步长=1，将得到的这阅读全文

posted @ 2019-08-20 10:09 知识天地阅读(630) 评论(0) 推荐(0) 编辑

深度学习面试题17：VGGNet(1000类图像分类)

摘要：目录 VGGNet网络结构论文中还讨论了其他结构参考资料 2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogL 阅读全文

posted @ 2019-08-20 10:07 知识天地阅读(951) 评论(0) 推荐(0) 编辑

深度学习面试题16：小卷积核级联卷积VS大卷积核卷积

摘要：目录感受野多个小卷积核连续卷积和单个大卷积核卷积的作用相同小卷积核的优势参考资料感受野在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入阅读全文

posted @ 2019-08-20 10:05 知识天地阅读(4015) 评论(0) 推荐(0) 编辑

深度学习面试题15：卷积核需要旋转180度

摘要：目录举例结论参考资料在一些书籍和博客中所讲的卷积（一个卷积核和输入的对应位置相乘，然后累加）不是真正意义上的卷积。根据离散卷积的定义，卷积核是需要旋转180的。按照定义来说，一个输入和一个卷积核做卷积操作的流程是： ①卷积核旋转180 ②对应位置相乘，然后累加举例下面这个图是常见的卷积阅读全文

posted @ 2019-08-20 10:03 知识天地阅读(1025) 评论(0) 推荐(0) 编辑

深度学习面试题14：Dropout(随机失活)

摘要：目录卷积层的dropout 全连接层的dropout Dropout的反向传播 Dropout的反向传播举例参考资料在训练过程中，Dropout会让输出中的每个值以概率keep_prob变为原来的1/keep_prob倍，以概率1-keep_prob变为0。也就是在每一轮的训练中让一些神经元随阅读全文

posted @ 2019-08-20 10:01 知识天地阅读(2491) 评论(0) 推荐(0) 编辑

深度学习面试题13：AlexNet(1000类图像分类)

摘要：目录网络结构两大创新点参考资料第一个典型的CNN是LeNet5网络结构，但是第一个引起大家注意的网络却是AlexNet，Alex Krizhevsky其实是Hinton的学生，这个团队领导者是Hinton，于2012年发表论文。 AlexNet有60 million个参数和65000个神经阅读全文

posted @ 2019-08-20 10:00 知识天地阅读(1641) 评论(0) 推荐(0) 编辑

随笔分类 - 求职面试