【八股文】算法岗位八股文、深度学习、AIGC八股文面试经验（一）

已于 2024-06-22 21:17:35 修改
阅读量4.5k 收藏 131
点赞数 12
文章标签： 算法 深度学习 AIGC 人工智能 机器学习 面试
于 2024-06-22 21:03:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/syu_acm/article/details/139881961
版权

1. 请解释一下Batch Normalization的原理及其在训练深度神经网络中的作用。
Batch Normalization（批归一化）是一种在训练深度神经网络时常用的技术，旨在提高训练速度、稳定性和性能。
在这里插入图片描述
在这里插入图片描述

2. 在图像预处理过程中，如何选择合适的图像增强技术来提升模型的泛化能力？请举例说明。
在图像预处理和增强过程中，选择合适的技术对于提升模型的泛化能力至关重要。图像增强可以增加数据集的多样性，减少过拟合，并帮助模型学习到更加鲁棒的特征。
在这里插入图片描述

在这里插入图片描述

3. 在目标检测任务中，常用的损失函数有哪些？你如何选择和设计一个合适的损失函数？
在这里插入图片描述

最低0.47元/天 解锁文章
AIGC算法工程师 面试八股文
沉迷单车的追风少年
09-02 1万+
1、简述DDPM的算法原理 2、什么是重参数化技巧？Diffusion Models和VAE中的重参数化技巧是如何使用的？ VAE中的重参数化技巧 Diffusion Models中的重参数化技巧 3、什么是马尔可夫过程？DDPM中的马尔可夫链是如何定义的？ 马尔可夫过程 DDPM马尔可夫链 4、为什么DDPM前向过程中前期加噪少，后期加噪多？ 5、VAE和Diffusion Models中的变分推断是什么？ 6、Negative Prompt实现的原理是什么？
AIGC算法工程师-面试八股文-2025年版本-算法八股文/工程八股文/开放式问题
沉迷单车的追风少年
04-14 1391
​两年前整理了《AIGC算法工程师 面试八股文》，全网一共有100w读者看过，收到了很多小伙伴的催更。Diffusion的技术发展非常快，博主特意整理了最近两年最新的八股文，内容非常全面，涵盖算法八股文/工程八股文/开放式问题三个大类，希望能为求职的读者们带来帮助。
AIGC算法面试情景题八股文
xiaozhi77的博客
10-23 1369
一、梯度消失和梯度爆炸的定义1. 梯度消失 - 当在深度神经网络中进行反向传播时，如果网络层数很多，在靠近输入层的低层网络中，梯度会变得非常小，甚至接近于零，这种现象被称为梯度消失。- 直观理解就是，随着反向传播的进行，梯度在经过每一层时不断减小，使得低层网络的权重更新非常缓慢，导致网络难以训练，学习效果不佳。- 例如，在一个非常深的神经网络中，使用 sigmoid 函数作为激活函数，由于 sigmoid 函数在大部分区域的导数都非常小（在 0 附近），当经过多层传播后，梯度会被不断地缩小，最终接近零。
算法工程师《面试八股文》——葵花宝典
最新发布
Stuomasi_xiaoxin的博客
04-24 204
由于秋招现阶段如火如荼，加之各种面试难度不断提高。算法工程师也开始从项目——框架原理——八股 各方面开始卷了！为此，特更新此blog，记录实习，秋招的各类面试八股题，谨以记录。
算法面试八股文『 基础知识篇 』
SG_teresa's blog
01-31 3687
个人整理的算法面试基础知识八股文，内容较详细。
深度学习面试八股文（2023.9.06）
一位不是很硕的鉴伪方向硕士
09-06 1万+
假设有两个模型，一个是生成模型（Generative Model,下文简写为G)，一个是判别模型(Discriminative Model,下文简写为D)，判别模型（D）的任务就是判断一个实例是真实的还是由模型生成的，生成模型（G）的任务是生成一个实例来骗过判别模型（D），两个模型相互对抗，最终使得生成模型生成的实例域真实的没有区别，判别模型无法区分自然的还是模型生成的。CNN的关键是卷积运算，卷积核和卷积输入层进行局部连接可以获取整个输入的局部特征信息或者说是每个输入特征的组合特征。
【AI算法岗面试八股面经【超全整理】——机器学习】
热门推荐
猫猫头的博客
05-28 1万+
因为回归树的标签是连续的，因此基尼系数、熵这种概率评估不适合作为评估指标，所以考虑使用均方误差作为特征划分的好坏，将划分后每个节点所有样本的均方误差之和与之前没划分的节点的均方误差作差来代替基尼系数。如果能将用户A的原始特征转变为一种代表用户A喜好的特征向量，将电影1的原始特征转变为一种代表电影1特性的特征向量，那么，我们计算两个向量的相似度，就可以代表用户A对电影1的喜欢程度。首先对物品或内容的特征作出描述，发现其相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。交叉熵越小，两个概率分布越接近。
【八股文】算法岗位八股文、深度学习、AIGC八股文面试经验（二）
syu_acm的博客
06-23 902
Transformer 结构和 LSTM 的区别和优势，Transformer 怎么体现时序信息？Bert 用的什么位置编码，为什么要用正弦余弦来做位置编码？还知道其他哪些位置编码？Transformer Encoder 和 Decoder 的输入输出和结构。Attention 和 self-attention 有什么区别？为什么现在的大模型大多是 decoder-only 的架构？简单介绍一下 BERT 和 Transformer。除了 bert 还做过哪些模型的微调？讲一下生成式语言模型的工作机理。
算法工程师八股文——序言
qq_42251885的博客
07-15 2861
算法工程师入门之路
C++面试八股文深度总结
04-22
标准模板库（STL）是C++的一个重要组成部分，提供了容器（如vector、list）、算法和迭代器，极大地提高了代码的复用性。 C++与C语言的主要区别在于： 1. C++是面向对象的，而C语言是面向过程的。C++支持类和对象，...
C++八股文整理（面试必备）
05-13
### C++ 八股文知识点解析 #### 一、C++语言基础篇 - **智能指针** - **背景与重要性**： - 在C++编程中，内存管理一直是一个挑战。智能指针是一种自动管理动态分配的内存的技术，它们通过在对象生命周期结束时...
【深度学习面试八股文】-- 1-5
m0_37940804的博客
06-20 9585
1.样本不平衡的处理方法 ①欠采样 - 随机删除观测数量足够多的类，使得两个类别间的相对比例是显著的。虽然这种方法使用起来非常简单，但很有可能被我们删除了的数据包含着预测类的重要信息。 ②过采样 - 对于不平衡的类别，我们使用拷贝现有样本的方法随机增加观测数量。理想情况下这种方法给了我们足够的样本数，但过采样可能导致过拟合训练数据。 ③合成采样（ SMOTE ）-该技术要求我们用合成方法得到不平衡类别的观测，该技术与现有的使用最近邻分类方法很类似。问题在于当一个类别的观测数量极度稀少时该怎...
大数据最全算法工程师面试八股（搜广推方向）_算法岗八股，2024年最新网易云的朋友给我这份339页的大数据开发面经
2401_84164527的博客
05-11 1298
Ewb∑i1myi−11e−wTxib2Ew,b​=∑i=1m​(yi​−1+e−(wTxi​+b)1​)2 ,是非凸的，不容易求解，会得到局部最优。lwb∑i1m−yiwTxibln1ewTxiblw,b​=∑i=1m​(−yi​(wTxi​+b)+ln(1+ewTxi​+b)) ,是关于 (w,b) 的高阶连续可导凸函数，可以方便通过一些凸优化算法求解，比如梯度下降法、牛顿法等。
【AI算法岗面试八股面经【超全整理】——深度学习】
猫猫头的博客
09-21 1万+
它将一个包含任意实数的K维向量（K是类别数量）映射为一个概率分布，每个类别的预测值都在0到1之间，所有类别的概率总和为1。有时候通过RMSProp优化算法得到的值不是最优解，有可能是局部最优解，引入动量的概念后，求最小值就像是一个球从高处落下，落到局部最低点时会继续向前探索，有可能得到更小的值。BGD得到的是一个全局最优解，但是每迭代一步，都要用到训练集的所有数据，如果样本数巨大，那上述公式迭代起来则非常耗时，模型训练速度很慢。UAR作为模型的评价指标，表示没类数据样本召回率（Recall）的平均值。
2023年互联网算法岗位秋招八股文贴
qq_41111734的博客
02-17 3333
秋招八股文贴
面试八股文-Python算法
lambda
08-28 2426
数据结构 链表 class ListNode(): def __init__(self, val=0): self.val = val self.next = None (1) 反转链表 def reverse_list(head): cur = head pre = None while cur: nxt = cur.next cur.next = pre pre = cur
python 某度算法岗位，一面，手撕代码+八股文
L_goodboy的博客
06-15 1128
python 某度算法岗位，一面，手撕代码+八股文
《面试八股文》之 Redis 16卷
一个旅人
07-26 541
微信公众号：moon聊技术 关注选择“ 星标 ”， 重磅干货，第一 时间送达！ [如果你觉得文章对你有帮助，欢迎关注，在看，点赞，转发] 大家好，我是 moon。 redis 作为我们最常用的内存数据库，很多地方你都能够发现它的身影，比如说登录信息的存储，分布式锁的使用，其经常被我们当做缓存去使用。 可是，用了这么久的reids，你懂它吗？ 其他《面试八股文》系列文章 文章目录1.什么是 redis？它能做什么？2.redis 有哪八种数据类型？有哪些应用场景？3.redis为什么这么快？4.听说.
算法工程师面试八股（搜广推方向）_算法岗八股
afagagagaa的博客
04-29 1647
f(x)=1+e−x1​，用于二分类，X靠近0的时候，一点小小的值变化也能引起Y很大变化，说明函数区域将数值推向极值，很适合二分类。X远离0时，X值变化对Y起作用很小，函数的导数变化也很小，在反向传播中几乎起不到更新梯度的作用；且sigmoid函数只能得到正值，在很多情况下不适用。3. tanh函数：fxex−e−xexe−x{-x}}{e{-x}}
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值