人工智能面试

深度学习免费的GPU计算平台：

1. Kaggle Kernel
2. Google Colaboratory
3. AI Studio和飞桨

1、有监督无监督半监督
区别：一个有标签一个无标签，部分标签是半监督学习，无监督模型包括所有的聚类算法。

2、torch.Tensor是默认的tensor类型（torch.FlaotTensor）的简称。

torch.tensor根据后面的data创建Tensor，Tensor类型根据数据进行推断。
3、tensorflow计算图：计算图也叫数据图，可以看做一种有向图

4、pytorch实现流程

// A code block
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import Variable

class name(nn.Module);
	def __init__(self, A,B,C)
		super(name, self),__init__()
		self.A=nn.Conv1d()
		self.B=nn.BatcchNorm1d(out_size)
		self.C=nn.ReLU()
		self.D=nn.Linear(in,out)

	def forward(self, x):
		x = self.A
		x = self.B
		x = self.C
		return x

// A code block
from skleran.metrics import mean_squared_error
from sklearn.preprocessing import MinMaxscaler

scaler = MinMaxScaler(feature_range(0,1))
data = scaler.fit_transfrom(data)

x = torch.from_numpy(data).type(torch.FloatTensor)
x = Variable(x)

if cuda:
	model.cuda()
	x = x.cuda()
	y= y.cuda()

// A code block
optimizer= torch.optim.SGD(model.parameters(),lr=0.01)
for i in range(epochs)：
	optimizer.zero_grad()
	output = model(x)
	loss = F.mse_loss(output, y)
	loss.backward()
	optimizer.step()
	model.eval()
	if epoch%epochs==0:
	print('epoch:{:2d} Loss:{:.6f}'.format(epoch, loss))
predict = model(x)

matlibplot.plot(x.numpy())

5、tensorflow实现流程

// A code block
x=tf.placeholder(tf.float32,[None,1])

loss = tf.reduce_mean(tf.square(y-pre))
train_step=tf.train.GradientDescentOptimizer(0,1).minimize(loss)

with tf.Session() as seaa:
	sess.run(tf.global_variables_initializer())
	for i in range(200):
		sess.run(train_step,feed_dict={x:x_data,y:y_data})
prediction = sess.run(prediction,feed_dict={x:x_data})
	

https://blog.csdn.net/qq_30815237/article/details/96975332
6、多gpu训练：net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])

https://www.nowcoder.com/tutorial/95/2785805c26a549b2bbcf5e60cab5f61e
7、1 BatchNormalization的作用
2、梯度消失
3、循环神经网络，为什么好?
4 什么是GroupConvolution
5.什么是RNN
6.训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?
7.图像处理中锐化和平滑的操作
8.VGG使用33卷积核的优势是什么?
9.Relu比Sigmoid的效果好在哪里?
10、问题：神经网络中权重共享的是？
11、问题：神经网络激活函数？
12、问题：在深度学习中，通常会finetuning已有的成熟模型，再基于新数据，修改最后几层神经网络权值，为什么？
13、问题：画GRU结构图
14、Attention机制的作用
15、Lstm和Gru的原理
16、什么是dropout
17、LSTM每个门的计算公式
18、HOG算法原理
19、DropConnect的原理
20 深度学习了解多少，有看过底层代码吗？caffe,tf?
21、除了GMM-HMM，你了解深度学习在语音识别中的应用吗？
22、用过哪些移动端深度学习框架？
23、Caffe：整体架构说一下，新加一个层需要哪些步骤，卷积是怎么实现的，多卡机制，数据并行还是模型并行？
18、HOG算子是怎么求梯度的
1、BN层的作用，为什么要在后面加伽马和贝塔，不加可以吗
2、梯度消失，梯度爆炸的问题，
3、Adam
4、attention机制
5、RNN梯度消失问题,为什么LSTM和GRU可以解决此问题
6、GAN网络的思想
7、11的卷积作用
8、怎么提升网络的泛化能力
9、什么是seq2seq model
10、激活函数的作用
11、为什么用relu就不用sigmoid了
12、讲一下基于WFST的静态解码网络的语音识别流程？
13、目标检测了解吗，Faster RCNN跟RCNN有什么区别
14、SPP，YOLO了解吗？
15、梯度消失梯度爆炸怎么解决
16、RNN容易梯度消失，怎么解决？
17、LSTM跟RNN有啥区别
18、卷积层和池化层有什么区别
19、 防止过拟合有哪些方法
20、dropout咋回事讲讲
21、relu
22、神经网络为啥用交叉熵。
23、注意力公式
24、论文flow情况
25、Flappy.Bird开发者,怎么利用DNQ方法强化学习你的游戏AI
26、LeNet-5结构
27、推导LSTM正向传播和单向传播过程 28、LSTM原理，与GRU区别
29、DNN的梯度更新方式
30、 CNN为什么比DNN在图像识别上更好 32、LSTM和Naive RNN的区别
33、神经网络为啥用交叉熵。
34、注意力公式
35、Inception Score 评价指标介绍
36、使用的 CNN 模型权重之间有关联吗？ 37、CycleGAN 原理介绍一下
38、训练 GAN 的时候有没有遇到什么问题 39、百度实习：CPM 模型压缩怎么做的？有压过 OpenPose 吗？
40、用过哪些 Optimizer，效果如何
41、图像基础：传统图像处理方法知道哪些，图像对比度增强说一下
42、介绍一下图像的高频、低频部分，知道哪些图像补全的方法
43、百度实习：模型压缩的大方向。CPM 模型怎么压缩的，做了哪些工作？
44、Depthwise 卷积实际速度与理论速度差距较大，解释原因。
45、RetinaNet 的大致结构画一下
46、RetinaNet为什么比SSD效果好