深度学习部分面试题

已于 2023-02-22 09:27:20 修改
阅读量197 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 caffe 人工智能
于 2020-06-10 09:39:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/andeyeluguo/article/details/106658795
版权

softmax公式

Softmax loss公式，L1 loss，L2 loss ，smooth L2 loss 公式

Batch norm 更新哪些参数: 减均值,除方差,乘aphpa,加beta

Relu中梯度消失和梯度爆炸,消失就是为0,爆炸就是很大的数
 
深度学习中数据是怎么并行运行的

Resnet为什么vgg深，写出其基本结构

Nms运行过程: 极大值保留,(与极大值重合的)非极大值抑制

检测算法里nms步骤 - 知乎

Kernel计算公式

简述如何downsample，如何upsample

写卷积

caffe卷积原理

写图像预处理

激活函数：
非线性，
感知机：
非线性sigmoid
池化：
降维，平移不变性maxpooling

技巧，说不清就展示

andeyeluguo
关注
专栏目录
深度学习面试题2018
Cche的博客
10-31 6866
1、 问题：如何优化模型 : 加速收敛， 避免overfit, 提升精度 ..？ 答案：可以从以下几个参数开始：- batch size effect；- learning rate effect；- weight initialization effect；- batch normalization - drop-out；- model average；- fine-tunin
深度学习面试题附答案
12-11
深度学习面试题通常涵盖模型架构、优化算法、正则化技术、损失函数、反向传播等核心概念，以及如何应用这些知识解决实际问题，如图像分类、自然语言处理等。理解并掌握这些知识点对于在深度学习领域寻求职业发展至关...
深度学习面试题21-40
是小晰呱啊的博客
10-15 1409
21.r-cnn，fast-r-cnn、faster-r-cnn三者的区别？ CNN流行之后，Szegedy做过将detection问题作为回归问题的尝试（Deep Neural Networks for Object Detection），但是效果差强人意，在VOC2007上mAP只有30.5%。既然回归方法效果不好，而CNN在分类问题上效果很好，那么为什么不把detection问题转化为分类...
深度学习面试题
热门推荐
weixin_42010722的博客
08-13 1万+
深度学习面试题1.深度学习常用算法，及相应应用场景有哪些2.什么数据集不合适做深度学习3.如何确定CNN卷积核通道数和卷积输出层的通道数4.什么是卷积5.什么是CNN的池化层（pool）6.CNN常用的几个模型7.CNN的特点以及优势8.卷积神经网络CNN中池化层作用9.常见的激活函数，激活函数有什么作用10.简述一下sigmoid函数11.CNN关键层有哪些12.什么是梯度爆炸13.梯度爆炸会引发什么问题14.如何确定是否出现梯度爆炸15.如何修复梯度爆炸问题重新设计网络模型使用 ReLU 激活函数使用长
深度学习面试题目-1
leonorandzzzz的博客
08-23 536
1.比较Boosting和Bagging的异同 1、二者都是集成学习算法，都是将多个弱学习器组合成强学习器的方法。 2、Bagging（套袋法）：从原始数据集中每一轮有放回地抽取训练集，训练得到k个弱学习器.。 对于分类：将这k个弱学习器以投票的方式得到最终的分类结果。 对回归问题；计算上述模型的均值作为最后的结果。（所有模型的重要性相同） 3、Boosting：每一轮根据上一轮的分类结...
深度学习面试问题
最新发布
LiangManqi0320的博客
05-20 1146
Sigmoid函数在z很大或z很小的时候，梯度都接近于0，这样，误差经过每一层传递都会不断衰减，当网络层数很深时，梯度就会不停衰减，甚至消失，使得整个网络很难训练。一种简单有效的解决方法是使用导数比较大的激活函数，比如ReLUAlexNet：使用GPU进行并行训练，采用ReLU作为非线性激活函数，使用Dropout防止过拟合，使用数据增强提高模型准确率，使用局部响应归一化以增强模型的泛化能力。Inception网络：一个卷积层包含多个不同大小的卷积操作，成为Inception模块。
深度学习CV面试题总结，非常实用，助力加分
03-19
### 深度学习CV面试题总结：关键知识点解析 #### 一、深度学习基础知识概述 **1.1 CNN的基本架构** CNN（Convolutional Neural Network，卷积神经网络）是一种特殊的神经网络结构，主要用于处理具有网格结构的...
深度学习常见面试题.pdf
05-06
### 深度学习常见面试题解析 #### 一、基础知识题 1. **深度学习与传统机器学习的区别** - **定义与方法**：深度学习是机器学习的一个分支，侧重于构建多层的神经网络来模拟人类大脑的学习过程；而传统机器学习...
深度学习面试资料-含答案
03-16
### 深度学习面试资料核心知识点解析 #### 一、深度学习面试的重要性与内容概览 深度学习作为人工智能领域的重要分支，在当前科技发展中占据着举足轻重的地位。随着技术的进步和应用场景的不断扩大，深度学习...
深度学习面试题记录(三).pdf
06-06
深度学习中卷积神经网络（CNN）是目前图像处理和语音识别等领域应用最为广泛的算法之一，其核心包括卷积层、池化层和全连接层等结构。下面详细解释卷积神经网络的各个知识点。 首先，卷积操作在深度学习中的作用是...
机器学习、深度学习面试笔试题300+.pdf
11-24
最新版的机器学习和深度学习面试题目，从牛客等各大网站整理剖析，整合整理，共300多道经典题目。 涉及机器学习和深度学习理论和实践等各方面的知识，底层的知识偏多一些！
深度学习常见面试题目
AndyJ的学习之旅
07-08 2087
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 使用丢弃法(dropout) 提高模型的泛化能力 从数据上提升性能: 收集更多的数据。 对数据做缩放和变换。 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, 权重的初始化,用小的随机数初始化权重。 对学习率进行调节。 尝试选择合适的激活函数。 调整网络的拓扑
深度学习面试题集锦【2】
weixin_38646392的博客
02-28 602
算法与数据结构 二叉树 二叉搜索树如何删除某个节点，先说思路后写代码 (今日头条)。 二叉树之字形层次遍历，（正反正反）。 链表 一个链表，如何依次输出第一个，倒数第一个，第二个，倒数第二个（今日头条）。 原址：变换为奇数在前 偶数在后，相对顺序不变。 链表求和。 查找 给一个 float 数，如何求算术平方根．(今日头条) 哈希 要实现一个哈希表应该怎么做（根据要哈...
深度学习面试题总结
qq_32172681的博客
10-15 1006
1.CNN的卷积核是单层还是多层的？ 描述网络模型中某层的厚度，通常用名词通道channel数或者特征图feature map数。不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3），把作为卷积输出的后层的厚度称之为特征图数。 卷积核的厚度H, 一般等于前层厚度M(输入通道数或feature map数). 特殊情况M > H。 卷积核的个数N, ...
深度学习面试题100题
心向林丶的博客
06-18 5378
深度学习面试100题（第1-5题）：经典常考点CNN https://zhuanlan.zhihu.com/p/39185031 深度学习面试100题（第6-10题） https://zhuanlan.zhihu.com/p/39367605 深度学习面试100题（第11-15题） https://zhuanlan.zhihu.com/p/39450005 深度学习面试100题（第16-20题） https://zhuanlan.zhihu.com/p/39533743 深度学习面试100题（第21-25题
深度学习算法面试问题整理
longshaonihaoa的博客
07-17 3260
1、首先来一个手推BP反向传播 推荐《NeuralNetworkandDeepLearning》中的四个公式。 详细可以看这篇博文， 再详细点可以看????的书。 2、One-hot的作用是什么？为什么不直接使用数字作为表示 作用：1）将类别变量转换为机器学习算法易于利用的一种形式的过程。如：网络一般通过softmax层输出，它的输出是一个 概率分布，从而要求输入的标签也以概率分布的形式出现，进而......
12个深度学习面试问题
小白学视觉
07-28 4682
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自|AI公园导读这12个问题是当前面试中最热门的问题，既是非常基础的问题，也能看出面试者的水...
10道深度学习面试题，小伙伴检测一下自己吧！
sjyttkl的专栏
11-27 1755
深度学习 1. 视觉计算任务有哪些，你怎么分类 ? 我把任务分为像素级别、目标级别、理解级别。 像素级别的任务一般是传统的图像处理任务，他们不需要用到图像的语义信息，或者最多用到底层特征（比如图像的边缘、纹理），这些任务有图像增强、传统的图像复原（如去噪、去模糊）、传统的图像分割（比如基于种子生长的方法）、图像加密等。 目标级别的任务需要用到语义信息，所以提取的特征是高层特征，CNN作为...
深度学习面试题——实例必背【通过对比记忆】（一）
qq_38334677的博客
11-28 1174
卷积层主要用于从图像中提取特征，通过其局部感知能力和层级结构能够有效地捕捉图像中的局部模式和层次特征。全连接层则用于基于这些特征做出决策，它通过学习不同特征之间的组合来进行分类。在实际的图像分类任务中，这两种层的协同工作是至关重要的。卷积层负责提取有效的特征表示，而全连接层则负责将这些特征转化为最终的分类输出。随着深度学习的发展，一些现代的CNN架构甚至开始使用全局平均池化层替换传统的全连接层，以减少模型的参数数量和过拟合的风险，同时保持对全局信息的处理能力。批量归一化。
深度学习面试题集与解答解析
深度学习面试题附答案文件主要包含了深度学习面试过程中常见的问题及其解答，旨在帮助面试者准备和理解关键概念。以下是其中的部分知识点： 1. 梯度下降算法的核心步骤被问及。正确的顺序是：首先用随机值初始化...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

andeyeluguo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值