1、什么是困惑度(perplexity)?它在 NLP 中的作用是什么?
困惑度是一种用于评估语言模型通顺程度的方法,测评困惑度的方法为:对测试集中的句子计算语言模型概率,概率越高则语言模型越好。
由公式可知,句子概率越大,语言模型越好,迷惑度越小。
2、梯度爆炸和梯度消失是什么?如何解决?
反向传播时,如果网络过深,每层梯度连乘小于1的数,值会趋向0,发生梯度消失。大于1则趋向正无穷,发生梯度爆炸。
梯度爆炸 — 梯度剪裁
梯度剪裁:如果梯度过大则投影到一个较小的尺度上
梯度消失 — 使用ReLU 和 PReLU
其他方法:使用 Batch Normalization 、Xavier 初始化和正交初始化(RNN)
3、SVD 的词向量方法和神经网络的词向量方法有什么区别?
SVD 是线性方法,而神经网络是非线性方法。
4、LSTM 的隐层(hidden)和单元状态(cell state)都有哪些信息?
隐层状态ht保存直至当前时刻的所有信息。单元状态ct保存了下一时刻可能会用到的信息。
5、LSTM 模型的参数数量(包括 bias)
NLP常见面试题
最新推荐文章于 2024-07-24 15:02:00 发布
本文涵盖了NLP面试中常见的问题,包括困惑度在评估语言模型中的应用,梯度爆炸和消失的解决策略,SVD与神经网络词向量方法的区别,LSTM的隐藏层与单元状态详解,以及优化器Adam的优缺点。还讨论了BatchNorm和LayerNorm的差异,Transformer的特点,GPT与BERT的对比,过拟合和梯度问题的解决方案等核心概念。
摘要由CSDN通过智能技术生成