超级会员免费看
本文总结了人工智能面试中的关键理论问题，包括开发平台选择的考量因素、超参数调优策略、Batch Size的作用、归一化目的、局部与全局最优解、监督学习与非监督学习区别、监督学习步骤、神经网络深度意义以及训练挑战，同时探讨了误差、噪声、偏差和方差的关联，还介绍了模型微调和解决梯度消失、爆炸的方法以及TOP5错误率的含义。
B站：啥都会一点的研究生
公众号试读：啥都会一点的研究生
目录
- 说说你项目中怎么选择开发平台的？
- 说说你怎么进行超参数调优的？
- 说说为什么需要Batch Size？
- 说说归一化的目的？
- 说说局部最优与全局最优？
- 说说监督学习与非监督学习的区别？
- 说说监督学习有哪些步骤？
- 说说为什么神经网络越来越深？
- 说说神经网络变深的意义？
- 说说为什么深度神经网络较浅层网络难以训练？
- 说说超参数搜索过程？
- 说说什么是模型微调Fine tuning？
- 说说Fine tuning时是否会更新网络参数，为什么？
- 说说Fine tuning模型有哪些方法？
- 说说误差、噪声、偏差、方差的区别与联系？
- 说说熵是什么？
- 说说梯度消失、爆炸的解决方案？
- 说说深度学习为什么不用二阶优化？
- 说说什么是TOP5错误率？
说说你项目中怎么选择开发平台的？
1.与现有编程平台、技能整合的难易程度。
2.与相关机器学习、数据处理生态整合的紧密程度。是否具有方便的数据预处理工具，是否支持可视化、统计推断、数据分析。
3.对数据量及硬件的要求和支持。
4.平台的成熟度，定期维护以及社区活跃。
5.平台利用是否多样，移植性好。
注：现有的AI开源平台主要有 Caffe, PyTorch, MXNet, CNTK, Theano, TensorFlow, Keras, fastai等。
说说你怎么进行超参数调优的？
1.猜测和检查：根据经验或直觉ÿ
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
