百面算法工程师 | 深度学习理论基础

这篇文章涵盖了丰富多样的主题，主要聚焦于深度学习理论基础面试要点。我们不仅整理了常见的面试问题和参考答案，还提供了理论基础和实际应用场景的讨论。读者可以通过学习这些内容，深入理解深度学习算法工程师岗位的核心要求，并且在面试中展现出自己的专业素养和解决问题的能力。我们的目标是为求职者提供全面的准备，让他们在面试中更加从容自信，提升竞争力，增加成功的机会。

目录

12.1 超参数调优

12.2 为什么需要Batch Size

12.3 归一化的目的

12.4 局部最优与全局最优

12.5 监督学习与非监督学习的区别

12.6 监督学习有哪些步骤

12.7 为什么神经网络越来越深,变深的意义在哪

12.8 为什么深度神经网络较浅层网络难以训练

12.9 超参数搜索过程是怎样的

12.10 模型Fine tuning

12.10.1 Fine tuning时是否会更新网络参数，为什么

12.10.2 Fine tuning模型有哪些类型

12.10.3 梯度消失、爆炸的解决方案

12.11 深度学习为什么不用二阶优化

12.12 什么是TOP5错误率

12.13 开发平台的选择

---

 欢迎大家订阅我的专栏一起学习共同进步