人工智能面试图-问题+答案.docx
需积分: 0 9 浏览量
2022-12-29
19:31:41
上传
评论
收藏 2.46MB DOCX 举报
人工智能笔试题目及答案
1. 深度学习和过往的神经网络训练方法有什么区别？列举几种深度
学习的 loss function，并说明意义
深度学习是一种方法，神经网络是个模型，深度学习方法呢可以有效解决层数多的神经
网络不好学习的问题，为了让层数较多的多层神经网络可以训练，能够起作用并演化出
来的一系列的 新的结构和新的方法；
结构：一般分为两大阵营，CNN,RNN，感觉这里欠妥，请指正。
方法：权重初始化方法（逐层初始化，XAVIER 等），损失函数，防止过拟合方法
（Dropout, BN 等）。
这些方面主要都是为了解决传统的多层神经网络的一些不足：梯度消失，过拟合等。
分类问题常用的损失函数：
（1）交叉熵损失函数，也称作 softmax 损失函数，可用于解决多分类问题，通过指数
化将输出转换成概率的形式；
（2）合页损失函数，一般情况下，交叉熵损失函数的效果优于合页损失函数；
（3）坡道损失函数，对离群点或者噪声的抗干扰能力强，是一种鲁棒性的损失函数，
对误差较大的区域会进行截断；
（4）大间隔损失函数，保证能够正确分类的同时，还满足增大类间的差异，提升了特
征的分辨能力，防止网络发生过拟合；
（5）中心损失函数，保证能够正确分类的同时，还满足减少类内的差异，提升了特征
的分辨能力；
回归问题常用的损失函数：
（1）l1 损失函数，衡量的是预测值与真实值之间的偏差；
（2）l2 损失函数，效果 优于 l1；
（3）tukey‘s biweight 损失函数，是一种具有鲁棒性的损失函数；
其他任务的损失函数：
KL 散度损失函数，衡量的是样本标记分布与真是标记分布的差异，可用于年龄估计等。
2. 什么是卷积神经网络？请说明卷积的意义
分开看就明确了，“卷积” 和 “神经网络”.
卷积也就是说神经网络不再是对每个像素的输入信息做处理了,而是图片上每一小块像
素区域进行处理, 这种做法加强了图片信息的连续性. 使得神经网络能看到图形, 而非一
个点. 这种做法同时也加深了神经网络对图片的理解.
具体来说, 卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信
息,每一次收集的时候都只是收集一小块像素区域, 然后把收集来的信息进行整理, 这时
候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片
剩余73页未读，继续阅读
资源评论
