【转】BAT机器学习面试1000题系列（131~140）

BAT机器学习面试1000题系列

整理：July、元超、立娜、德伟、贾茹、王剑、AntZ、孟莹等众人。本系列大部分题目来源于公开网络，取之分享，用之分享，且在撰写答案过程中若引用他人解析则必注明原作者及来源链接。另，不少答案得到寒小阳、管博士、张雨石、王赟、褚博士等七月在线名师审校。
说明：本系列作为国内首个AI题库，首发于七月在线实验室公众号上：julyedulab，并部分更新于本博客上，且已于17年双十二当天上线七月在线官网、七月在线Android APP、七月在线iPhone APP，后本文暂停更新和维护，另外的近3000道题都已更新到七月在线APP或七月在线官网题库板块上，欢迎天天刷题。另，可以转载，注明来源链接即可。

 

 

前言

    July我又回来了。

    之前本博客整理过数千道微软等公司的面试题，侧重数据结构、算法、海量数据处理，详见：微软面试100题系列，今17年，近期和团队整理BAT机器学习面试1000题系列，侧重机器学习、深度学习。我们将通过这个系列索引绝大部分机器学习和深度学习的笔试面试题、知识点，它将更是一个足够庞大的机器学习和深度学习面试库/知识库，通俗成体系且循序渐进。

    此外，有四点得强调下：

1. 虽然本系列主要是机器学习、深度学习相关的考题，其他类型的题不多，但不代表应聘机器学习或深度学习的岗位时，公司或面试官就只问这两项，虽说是做数据或AI相关，但基本的语言（比如Python）、编码coding能力（对于开发，编码coding能力怎么强调都不过分，比如最简单的手写快速排序、手写二分查找）、数据结构、算法、计算机体系结构、操作系统、概率统计等等也必须掌握。对于数据结构和算法，一者 重点推荐前面说的微软面试100题系列（后来这个系列整理成了新书《编程之法：面试和算法心得》），二者 多刷leetcode，看1000道题不如实际动手刷100道。
2. 本系列会尽量让考察同一个部分（比如同是模型/算法相关的）、同一个方向（比如同是属于最优化的算法）的题整理到一块，为的是让大家做到举一反三、构建完整知识体系，在准备笔试面试的过程中，通过懂一题懂一片。
3. 本系列每一道题的答案都会确保逻辑清晰、通俗易懂（当你学习某个知识点感觉学不懂时，十有八九不是你不够聪明，十有八九是你所看的资料不够通俗、不够易懂），如有更好意见，欢迎在评论下共同探讨。
4. 关于如何学习机器学习，最推荐机器学习集训营系列。从Python基础、数据分析、爬虫，到数据可视化、spark大数据，最后实战机器学习、深度学习等一应俱全。

    另，本系列会长久更新，直到上千道、甚至数千道题，欢迎各位于评论下留言分享你在自己笔试面试中遇到的题，或你在网上看到或收藏的题，共同分享帮助全球更多人，thanks。

 

限于篇幅，完整版可以扫码领取，添加时备注：领取面经100篇

 

BAT机器学习面试1000题系列

131 梯度下降算法的正确步骤是什么？深度学习 DL基础 易

1. 计算预测值和真实值之间的误差

2. 重复迭代，直至得到网络权重的最佳值

3. 把输入传入网络，得到输出值

4. 用随机值初始化权重和偏差

5. 对每一个产生误差的神经元，调整相应的（权重）值以减小误差

   　　A. 1, 2, 3, 4, 5

   　　B. 5, 4, 3, 2, 1

   　　C. 3, 2, 1, 5, 4

   　　D. 4, 3, 1, 5, 2

   　　答案：（D）

   132 已知：
   　　- 大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。
   　　- 每一个神经元都有输入、处理函数和输出。
   　　- 神经元组合起来形成了网络，可以拟合任何函数。
   　　- 为了得到最佳的神经网络，我们用梯度下降方法不断更新模型
   给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？深度学习 DL基础 易

     A 加入更多层，使神经网络的深度增加
     B 有维度更高的数据
     C 当这是一个图形识别的问题时
     D 以上都不正确
   答案：（A）
   更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型，目前如果有超过2层的隐层，那么也可以及叫做深度模型。

   133 使用CNN时，是否需要对输入进行旋转、平移、缩放等预处理？深度学习 DL基础 易
   A 需要
   B 不需要
   答案：（A）
   把数据传入神经网络之前需要做一系列数据预处理（也就是旋转、平移、缩放）工作，神经网络本身不能完成这些变换。

   134 下面哪项操作能实现跟神经网络中Dropout的类似效果？（B）深度学习 DL基础 易
   A Boosting
   B Bagging
   C Stacking
   D Mapping
   Dropout可以认为是一种极端的Bagging，每一个模型都在单独的数据上训练，同时，通过和其他模型对应参数的共享，从而实现模型参数的高度正则化。

   135 下列哪一项在神经网络中引入了非线性？深度学习 DL基础 易

   1. A 随机梯度下降

   2. B 修正线性单元（ReLU）

   3. C 卷积函数

   4. D 以上都不正确

   　　答案：（B）

   　　修正线性单元是非线性的激活函数。

   136 在训练神经网络时，损失函数(loss)在最初的几个epochs时没有下降，可能的原因是？（D）深度学习 DL基础 易
   A 学习率(learning rate)太低
   B 正则参数太高
   C 陷入局部最小值
   D 以上都有可能

   137 下列哪项关于模型能力（model capacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力）深度学习 DL基础 易

   1. A 隐藏层层数增加，模型能力增加

   2. B Dropout的比例增加，模型能力增加

   3. C 学习率增加，模型能力增加

   4. D 都不正确

   　　答案：（A）

   138 如果增加多层感知机（Multilayer Perceptron）的隐藏层层数，分类误差便会减小。这种陈述正确还是错误？深度学习 DL基础 易

   1. A 正确

   2. B 错误

   答案：（B）

   并不总是正确。层数增加可能导致过拟合，从而可能引起错误增加。

   139 构建一个神经网络，将前一层的输出和它自身作为输入。深度学习 DL模型 易

   

   　下列哪一种架构有反馈连接？

   1. A 循环神经网络

   2. B 卷积神经网络

   3. C 限制玻尔兹曼机

   4. D 都不是

   　　答案：（A）

   140 在感知机中（Perceptron）的任务顺序是什么？深度学习 DL基础 易
   1 随机初始化感知机的权重
   2 去到数据集的下一批（batch）
   3 如果预测值和输出不一致，则调整权重
   4 对一个输入样本，计算输出值
   　　A. 1, 2, 3, 4
   　　B. 4, 3, 2, 1
   　　C. 3, 1, 2, 4
   　　D. 1, 4, 3, 2
   　　答案：（D）

   后记

熟悉我的朋友可能已经知道，我个人从 2010 年开始在CSDN写博客，写了十年，如今接近1700万PV，创业做「七月在线」则已五年，五年已30多万学员。这五年经历且看过很多的人和事，比如我们的机器学习集训营帮助了超过1000人就业、转型、提升，他们就业后有的同学会分享面经，当看到那一篇篇透露着面经作者本人的那股努力、那股不服输的劲的面经的时候，则让我倍感励志。比如“双非渣本三年 100 次面试经历精选：从最初 iOS 前端到转型面机器学习” 这篇面经，便让我印象非常深刻。在佩服主人公毅力和意志的同时，也对他愿意分享对众多人有着非常重要参考价值和借鉴意义的成功经验倍感欣慰。

当然，类似的面经远远不止于此，后来我们整理出了100篇面经，汇总成册为《名企AI面经100 篇：揭开三个月薪资翻倍的秘诀》，这 100 篇面经分为机器学习、深度学习、 CV、NLP、推荐系统、金融风控、计算广告、数据挖掘/数据分析八大方向。分享面经的作者各种背景都有，比如

1. 科班，或非科班；
2. 985、211，或双非院校；
3. 研究生或本科，甚至大专；
4. 学生，或在职；
5. 至于传统IT转型 AI 的就更多了，有从 Java、PHP、C、C++等偏后端服务转型的，也有从 Android、iOS、前端等偏客户端开发转型的，当然也有数据分析、大数据方向等转型的。

但令人振奋的是，他们都转型成功了，而且他们中的很多人都通过集训营/就业班三个月到半年的学习，成功实现薪资翻倍——这些成功的经验就更值得借鉴了。

就业部的同事特地将这些宝贵的经验整理出来，希望可以帮到更多人。

限于篇幅，完整版可以扫码领取，添加时备注：领取面经100篇