人工智能、深度学习、机器学习常见面试题41~55

目录

41.偏差和方差的平衡？

42.介绍卷积神经网络，和 DBN 有什么区别？

43.LSTM 结构推导，为什么比 RNN 好？

44.什么样的资料集不适合用深度学习?

45.用贝叶斯机率说明 Dropout 的原理

46.何为共线性, 跟过拟合有啥关联

47.广义线性模型是怎被应用在深度学习中

48.梯度爆炸

49.神经网络损失函数？

50.Dropout 怎么做，有什么用处，解释

51.CNN 参数调节

52.CNN 池化层的作用？

53.神经网络层数的影响

54.神经网络局部最优

55.Tensorflow 如何看模型评估

---

41.偏差和方差的平衡？

偏差误差在量化平均水平之上预测值跟实际值相差多远时有用。高偏差误差意味着我们的模 型表现不太好，因为没有抓到重要的趋势。 而另一方面，方差量化了在同一个观察上进行的预测是如何彼此不同的。高方差模型会过度 拟合你的训练集，而在训练集以外的数据上表现很差。

42.介绍卷积神经网络，和 DBN 有什么区别？

卷积神经网络的特点是卷积核，CNN 中使用了权共享，通过不断的上采用和卷积得到不同 的特征表示，采样层又称为 pooling 层，基于局部相关性原理进行亚采样，在减少数据量的 同时保持有用的信息。DBN 是深度信念网络，每一层是一个 RBM，整个网络可以视为 RBM 堆叠得到，通常使用无监督逐层训练，从第一层开始，每一层利用上一层的输入进行训练࿰