本文深入探讨了深度学习面试中常见的问题，包括开发平台选择、超参数调优、批量大小的重要性、归一化目的、局部最优与全局最优的差异、监督学习与非监督学习的区别等。此外，还详细讲解了深度学习模型的训练难点，如梯度消失与爆炸的解决方案，以及为何深度学习模型倾向于更深。内容覆盖了模型微调、误差与噪声的分析，以及深度学习中二阶优化的挑战。
目录
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，选择参数，一直迭代。
2.网格搜索：让计算机尝试在一定范围内均匀分布的一组值。
3.随机搜索：让计算机随机挑选一组值。
4.
订阅专栏 解锁全文
扫一扫
556
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
