LAMDA面试准备（2024-05-23）

最新推荐文章于 2024-06-15 10:02:38 发布

sweet_Mary

最新推荐文章于 2024-06-15 10:02:38 发布

阅读量949

点赞数 26

分类专栏：保研面试文章标签：面试

本文链接：https://blog.csdn.net/sweet_Mary/article/details/139156289

版权

保研面试专栏收录该内容

1 篇文章 0 订阅

订阅专栏

有没有学习过机器学习，提问了 FP-Growth 相比 Apriori 的优点
- 1. 更高的效率和更少的计算量（时间）
  
  FP-Growth 通过构建和遍历 FP-树 (Frequent Pattern Tree) 来挖掘频繁项集，而不需要像 Apriori 那样生成和测试大量的候选项集。具体来说：
  - 减少候选项集的生成：Apriori 需要生成大量的候选项集并进行多次扫描数据集以计算候选项集的支持度。FP-Growth 通过 FP-树结构直接挖掘频繁项集，避免了候选项集的生成过程。
  - 单次数据扫描：FP-Growth 只需要两次扫描数据集：第一次扫描用于计算各项的频次，第二次扫描用于构建 FP-树。而 Apriori 在每次生成新的候选项集时都需要重新扫描数据集。
- 2. 更低的内存消耗（空间）
  
  FP-Growth 通过 FP-树结构紧凑地表示数据集中的所有项和它们之间的关联关系，从而减少了内存消耗：
  - 压缩数据集：FP-树能够有效地压缩数据集，将共享的频繁项组合在一起，以树的形式存储，从而减少了冗余数据。
  - 减少存储空间：由于 FP-树紧凑地存储了所有频繁项集，所需的存储空间远小于 Apriori 算法中需要存储的所有候选项集。【适合大数据集】
调模型怎么 debug
- 1. 数据预处理和输入检查
  - 数据正确性：确保数据预处理步骤正确无误，包括数据归一化、标准化、缺失值处理等。
  - 数据分布：检查训练数据和测试数据的分布是否一致，是否存在数据泄漏。
  - 数据可视化：使用可视化工具检查数据输入是否符合预期（如图像、文本等）。
- 2. 模型架构和实现验证
  - 逐层检查：逐层检查模型架构，确保每层的输入和输出维度正确。
  - 单元测试：对模型的各个组件（如卷积层、全连接层等）进行单元测试，确保它们的功能正确。
  - 对比基准：将实现与已知正确的基准模型（如官方实现）进行对比，确保实现无误。
- 3. 超参数和训练过程调试
  - 学习率调整：尝试不同的学习率，观察模型的收敛情况。过高或过低的学习率都会影响模型性能。
  - 批次大小：调整批次大小，观察其对训练速度和模型性能的影响。
  - 正则化：使用正则化技术（如Dropout、L2正则化）防止过拟合，调试其参数。
- 4. 损失函数和梯度检查
  - 损失曲线：绘制损失函数值随训练迭代次数的变化曲线，观察损失是否正常下降。
  - 梯度检查：检查梯度值是否合理，是否存在梯度爆炸或梯度消失问题。
  - 数值稳定性：确保计算过程中没有数值不稳定的问题，如NaN或Inf值。
- 5. 输出和中间结果检查
  - 输出可视化：可视化模型的输出，检查是否符合预期。
  - 中间激活值：提取和检查中间层的激活值，确保模型在各层的行为符合预期。
  - 错误案例分析：分析模型在错误样本上的表现，找出模型的薄弱环节。
- 6. 调试工具和框架
  - 调试器：使用调试工具（如TensorFlow的tfdbg或PyTorch的pdb）进行逐步调试。
  - 日志记录：记录训练过程中的重要信息（如损失值、精度等），方便后续分析。
  - Profiler：使用性能分析工具（如TensorFlow的Profiler或PyTorch的torch.utils.bottleneck）检测性能瓶颈。
- 7. 迁移学习和微调
  - 预训练模型：使用预训练模型作为起点，通过微调减少训练时间和数据需求。
  - 逐层微调：逐层解冻模型进行微调，从高层特征到低层特征逐步调整模型。
- 8. 集成学习和模型对比
  - 集成方法：使用集成方法（如Bagging、Boosting）提高模型性能。
  - 模型对比：对比不同模型的性能，选择最优模型进行部署。
- 9. 合作与咨询
  - 代码审查：与团队成员进行代码审查，寻找潜在问题。
  - 社区支持：利用开源社区资源（如论坛、讨论组）寻求帮助和建议。
机器学习中FP、TP是什么？
- 混淆矩阵
  - TP（True Positive，真正例）：
    - 定义：模型预测为正类（Positive），且实际也是正类。
    - 示例：在癌症检测中，模型预测某人患有癌症，且实际该人确实患有癌症。
  - FP（False Positive，假正例）：
    - 定义：模型预测为正类，但实际是负类。
    - 示例：在癌症检测中，模型预测某人患有癌症，但实际该人没有患癌症。这种情况也被称为“误报”。
  - TN（True Negative，真负例）：
    - 定义：模型预测为负类（Negative），且实际也是负类。
    - 示例：在癌症检测中，模型预测某人没有癌症，且实际该人确实没有癌症。
  - FN（False Negative，假负例）：
    - 定义：模型预测为负类，但实际是正类。
    - 示例：在癌症检测中，模型预测某人没有癌症，但实际该人患有癌症。这种情况也被称为“漏报”。
  - T/F为判断正误，P/N为模型预测
线代中的矩阵的秩和矩阵的关系？
- 1. 秩的定义
  - 行秩（Row Rank）：矩阵中线性无关的行向量的最大数目。
  - 列秩（Column Rank）：矩阵中线性无关的列向量的最大数目。
  - 对于一个矩阵 A，行秩和列秩是相等的，这个共同的值就称为矩阵的秩。
- 2. 秩与线性无关
  - 矩阵的秩表示矩阵中最大线性无关向量的数量。
  - 如果一个矩阵的秩等于其行数，则行向量线性无关。
  - 如果一个矩阵的秩等于其列数，则列向量线性无关。
讲一讲线代中的矩阵的特征值

了解科研前瞻用什么工具
有哪几种常见的神经网络
- MLP，CNN，RNN，AutoEncoder，GAN，GNN，Transformer...
RNN有哪些常见的问题？如何解决这些问题
- 常见问题
  - 梯度消失和梯度爆炸问题
    - 梯度消失：在反向传播过程中，梯度逐层缩小，导致前面的层几乎无法更新。
    - 梯度爆炸：在反向传播过程中，梯度逐层增大，导致模型参数变得非常大，训练不稳定。
  - 长期依赖问题
    - RNN 在处理长序列数据时，难以捕捉远距离的依赖关系，即早期输入信息对后续输出的影响较弱。
  - 计算效率低
    - RNN 的序列处理是逐步进行的，不能并行处理，导致训练时间较长，特别是在处理长序列时。
  - 训练过程不稳定
    - 由于梯度问题和参数初始化问题，RNN 的训练过程可能会非常不稳定。
- 改进方法
  - 长短期记忆网络 (Long Short-Term Memory, LSTM) 和门控循环单元 (Gated Recurrent Unit, GRU)
    - LSTM 和 GRU 是两种改进的 RNN 架构，通过引入门控机制，能够有效地解决梯度消失和梯度爆炸问题，并捕捉长期依赖关系。
    - LSTM：通过引入输入门、遗忘门和输出门来控制信息的流动。
    - GRU：类似于 LSTM，但结构更简单，仅包含更新门和重置门。
  - 梯度裁剪 (Gradient Clipping)
    - 为了解决梯度爆炸问题，可以设置一个阈值，当梯度超过这个阈值时，将其裁剪到阈值范围内。
    - 这种方法可以防止梯度值变得过大，导致训练不稳定。
  - 使用更高级的优化算法
    - 使用自适应学习率的优化算法，如 Adam、RMSprop 等，可以在一定程度上缓解梯度消失和梯度爆炸问题。
  - 序列的截断反向传播 (Truncated Backpropagation Through Time, TBPTT)
    - 对于非常长的序列，可以将序列分割成较短的子序列，分别进行反向传播。这种方法能够在不影响捕捉长期依赖的前提下，提高计算效率。
  - 正则化技术
    - 使用正则化技术（如 Dropout、权重惩罚等）可以提高 RNN 的泛化能力，减轻过拟合问题。
    - Dropout：在训练过程中随机丢弃一部分神经元，防止过拟合。
  - 使用预训练模型和迁移学习
    - 使用预训练模型（如 BERT、GPT 等）和迁移学习技术，可以充分利用已有的大规模数据和训练好的模型参数，提高训练效率和模型性能。
  - 引入注意力机制 (Attention Mechanism)
    - 注意力机制可以动态地为输入序列中的不同部分分配权重，从而更好地捕捉长距离依赖关系。
    - 自注意力 (Self-Attention)：在变换器 (Transformer) 中得到广泛应用，通过计算输入序列内部各个位置之间的注意力权重，提升序列建模能力。
  - 双向 RNN (Bidirectional RNN)
    - 双向 RNN 通过在正向和反向两个方向上处理序列数据，能够更全面地捕捉序列中的依赖关系。
    - 双向 LSTM 和 GRU：结合双向处理和门控机制，进一步增强对长序列的建模能力。
中心极限定理
- 独立同分布随机变量的均值分布在样本数量趋于无穷大时接近于正态分布的性质。
等价类的定义