深度学习面试题

为了准备面试，所以在网上搜集一些深度学习面试题，还有自己面试过程中遇到的一些问题吧。

我自己面试的：

1 SVM推导，SVM多分类方法（1对1 ，1对多，多对多），lr loss funtion 推导 ，决策树含义。
2 解决过拟合方法。l1 l2详细介绍，解决梯度爆炸／弥散 方法
3 常用cnn及介绍，每一个经典模型的创新点
4 自己的炼丹（调参）技巧
5 kmeans adaboost
6 lr里面公式为啥用e（lr是指数组分布和广义线性模型推出来的，逻辑回归也自然是一种广义线性模型，所以e就从指数组分布中得来）
http://blog.csdn.net/u011467621/article/details/48197943
7.生成模型借助于联合概率分布才能求解出来，判别模型不需要联合概率分布
8.样本不均衡问题可以通过上采样和下采样来解决，即多的样本通过取其中一部分，少的样本重复利用。或者通过修改loss 函数，修改样本的权值，让少样本的更大权值。

9.决策树怎么做回归。让所有节点求平均值。
10. 拟牛顿法： 对loss函数二阶泰勒展开，让一阶项和二阶项极小化，即函数对所求参数的导数为0，得到迭代公式。

别人总结的：

https://www