深度学习-第一章 神经网络面试题（大厂必问，历经半年整理）

1.神经网络

1.1各个激活函数的优缺点？

激活函数的选择顺序：
SELU>ELU>Leaky Relu及其变体>Relu>tanh>sigmoid

1.2 为什么ReLU常用于神经网络的激活函数？

1.在前向传播和反向传播过程中，ReLU相比于Sigmoid等激活函数计算量小；
2.避免梯度消失问题。对于深层网络，Sigmoid函数反向传播时，很容易就会出现梯度消失问题（在Sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失），从而无法完成深层网络的训练。
3.可以缓解过拟合问题的发生。Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。
4.相比Sigmoid型函数，ReLU函数有助于随机梯度下降方法收敛。
为什么需要激活功能？
激活函数是用来加入非线性因素的，因为线性模型的表达能力不够。

1.3 梯度消失和梯度爆炸的解决方案？梯度爆炸引发的问题？

梯度消失：靠近输出层的hidden layer 梯度大，参数更新快，所以很快就会收敛；
而靠近输入层的hidden layer 梯度小，参数更新慢，几乎就和初始状态一样，随机分布。
另一种解释：当反向传播进行很多层的时候，由于每一层都对前一层梯度乘以了一个小数，因此越往前传递，梯度就会越小，训练越慢。
梯度爆炸：前面layer的梯度通过训练变大，而后面layer的梯度指数级增大。
①在深度多层感知机(MLP)网络中，梯度爆炸会引起网络不稳定，最好的结果是无法从训练数据中学习，而最坏的结果是出现无法再更新的 NaN 权重值。
②在RNN中，梯度爆炸会导致网络不稳定，无法利用训练数据学习，最好的结果是网络无法学习长的输入序列数据。

1.4 如何确定是否出现梯度爆炸？

​ 模型不稳定，导致更新过程中的损失出现显著变化；
​ 训练过程中模型梯度快速变大；
​ 训练过程中模型权重变成 NaN 值；
​ 训练过程中，每个节点和层的误差梯度值持续超过 1.0。

1.5 神经网络中有哪些正则化技术？

L2正则化（Ridge）; 
L1正则化（Lasso）;
权重衰减;           
丢弃法;
批量归一化;         
数据增强；
早停法‍
对于所有权重，权重衰减方法都会为loss func 加上½λw2

1.6 批量归一化(BN) 如何实现？作用？

实现过程: 计算训练阶段mini_batch数量激活函数前结果的均值和方差，然后对其进行归一化，最后对其进行缩放和平移。
对每一个mini-batch数据的内部进行标准化处理吧使输出规范到N(0,1)的正态分布。
作用：

1.可以使用更高的学习率进行优化；
2.减少(取消)dropout；
3.降低L2权重衰减系数；起到正则化作用，简化网络结构。
4.调整了数据的分布，不考虑激活函数，它让每一层的输出归一化到了均值为0方差为1的分布，这保证了梯度的有效性，可以解决反向传播过程中的梯度问题。

moving-mean 计算：0.1当前均值 + 0.9上次训练的均值

1.6.1 BN为什么防止过拟合？

在训练中，BN的使用使得一个mini-batch中的所有样本都被关联在了一起，因此网络不会从某一个训练样本中生成确定的结果。

1.7 谈谈对权值共享的理解？

权值共享这个词是由LeNet5模型提出来的。以CNN为例，在对一张图偏进行卷积的过程中，使用的是同一个卷积核的参数。
比如一个3×3×1的卷积核，这个卷积核内9个的参数被整张图共享，而不会因为图像内位置的不同而改变卷积核内的权系数。
通俗说：就是用一个卷积核不改变其内权系数的情况下卷积处理整张图片。

1.8 对fine-tuning(微调模型)的理解？为什么要修改最后几层神经网络权值？

使用预训练模型的好处：在于利用训练好的SOTA模型权重去做特征提取，可以节省我们训练模型和调参的时间。
理由：
1.CNN中更靠近底部的层（定义模型时先添加到模型中的层）编码的是更加通用的可复用特征，而更靠近顶部的层（最后添加到模型中的层）编码的是更专业化的特征。微调这些更专业化的特征更加有用，它更代表了新数据集上的有用特征。
2.训练的参数越多，过拟合的风险越大。很多SOTA模型拥有超过千万的参数，在一个不大的数据集上训练这么多参数是有过拟合风险的，除非你的数据集像Imagenet那样大。

1.9 什么是Dropout？原理？为什么有用？它是如何工作的？

背景：如果模型的参数太多，数据量又太小，则容易产生过拟合。为了解决过拟合，就同时训练多个网络。然后多个网络取均值。费时！
介绍：Dropout可以防止过拟合，在前向传播的时候，让某个神经元的激活值以一定的概率 P停止工作，这样可以使模型的泛化性更强。
原理：可以把dropout看成是一种集成方法，每次做完dropout相当于从原网络中找到一个更瘦的网络。
强迫神经元和其他随机挑选出来的神经元共同工作，减弱了神经元节点间的联合适应性，增强泛化能力，使用dropout得到更多的局部簇，同等数据下，簇变多了，因而区分性变大，稀疏性也更大。
Dropout效果跟bagging效果类似（bagging是减少方差variance，而boosting是减少偏差bias）。
加入dropout会使神经网络训练时间长，模型预测时不需要dropout，记得关掉。‍
具体流程：

i.随机删除（临时）网络中一定的隐藏神经元，输入输出保持不变，
ii.让输入通过修改后的网络。然后把得到的损失同时修改后的网络进行反向传播。在未删除的神经元上面进行参数更新
iii.重复该过程（恢复之前删除掉的神经元，以一定概率删除其他神经元。前向传播、反向传播更新参数）

1.10 如何选择dropout 的概率？

input 的 dropout 概率推荐是 0.8， hidden layer 推荐是0.5
为什么dropout可以解决过拟合？
1.取平均的作用:
Dropout产生了许多子结构之后的操作，父神经网络有N个节点，加入Dropout之后可以看做在权值不变的情况下（参数共享）将模型数量扩增到指数级别
2.减少神经元之间复杂的共适应关系，迫使网络去学习更加鲁棒；
Dropout 在训练和测试的区别？
训练时随机删除一些神经元，在测试模型时将所有的神经元加入。

1.11 什么是Adam？Adam和SGD之间的主要区别是什么？

1.12 一阶优化和二阶优化的方法有哪些？为什么不使用二阶优化？

一阶优化方法有：
SGD -> SGDM ->NAG -> AdaGrad -> AdaDelta / RMSProp(加速梯度下降) -> Adam -> Nadam

动量优化法： Momentum、NAG
自适应学习率优化算法主要有：AdaGrad，AdaDelta，RMSProp，Adam，Nadam

二阶优化
定义：对目标函数进行二阶泰勒展开，也就是二阶梯度优化方法
牛顿法 + BFGS法
利用二阶泰勒展开,即牛顿法需要计算Hessian矩阵的逆，计算量大，在深度学习中并不常用。因此一般使用的是一阶梯度优化。

Adam算法步骤：
更新step --> 计算梯度 --> 计算一阶矩的估计（即mean ）–> 计算二阶距的估计（即var） --> 对mean和var进行校正，因为mean和var的初始值为0 --> 梯度下降。注意alpha后的梯度是用一阶距和二阶距估计的。

torch.optim.SGD(net_SGD.parameters(), lr=LR)
torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.8)
torch.optim.RMSprop(net_RMSprop.parameters(),  lr=LR, alpha=0.9)
torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.9,0.99))  β1 β2

1.12 为什么Momentum可以加速训练？

原理：在GD梯度下降算法中引入指数加权平均数，在更新梯度方向的过程中，在一定程度上保留了之前梯度更新的方向，同时利用当前mini_batch的梯度方向微调最终的更新方向。
动量其实累加了历史梯度更新方向，所以在每次更新时，要是当前时刻的梯度与历史时刻梯度方向相似，这种趋势在当前时刻则会加强；要是不同，则当前时刻的梯度方向减弱。动量方法限制了梯度更新方向的随机性，使其沿正确方向进行。

1.13 什么时候使用Adam和SGD？‍

Adam等自适应学习率算法对于稀疏数据具有优势，且收敛速度很快；
但精调参数的SGD（+Momentum）往往能够取得更好的最终结果
Adam+SGD 组合策略：先用Adam快速下降，再用SGD调优。
如果模型是非常稀疏的，那么优先考虑自适应学习率的算法；
在模型设计实验过程中，要快速验证新模型的效果，用Adam进行快速实验优化；
在模型上线或者结果发布前，可以用精调的SGD进行模型的极致优化。

1.14 batch size和epoch的平衡

Adam: 不需要调lr;
SGD:  多花时间调lr  和initial weights.

1.15 SGD每步做什么，为什么能online learning？

online learning强调的是学习是实时的，流式的，每次训练不用使用全部样本，而是以之前训练好的模型为基础，每来一个样本就更新一次模型，这种方法叫做OGD（online gradient descent）,目的是快速地进行模型的更新，提升模型时效性。而SGD的思想正是在线学习的思想。

1.16 学习率太大(太小)时会发生什么？如何设置学习率？‍

1.基于经验的手动调整
通过尝试不同的固定学习率，如3、1、0.5、0.1、0.05、0.01、0.005，0.0001等，观察迭代次数和loss的变化关系，找到loss下降最快关系对应的学习率。
太小，收敛过程将变得十分缓慢;
太大，梯度可能会在最小值附近来回震荡(loss爆炸)，甚至可能无法收敛。
2. 基于策略的调整
①fixed 、exponential、polynomial
②自适应动态调整。adadelta、adagrad、ftrl、momentum、rmsprop、sgd
Logit：对它取对数。
Logit：对它取对数。

1.17 神经网络为什么不用拟牛顿法而是用梯度下降？

牛顿法: 二阶优化算法是寻找梯度为0的点

牛顿法原理：使用函数f(x)的泰勒级数的前面几项来寻找方程f(x)= 0的根。

1.18 BN和Dropout在训练和测试时的差别?

BN:
训练时：是对每一个batch的训练数据进行归一化，也即是用每一批数据的均值和方差。
测试时：都是对单个样本进行测试。这个时候的均值和方差是全部训练数据的均值和方差，这两个数值是通过移动平均法求得。
当一个模型训练完成之后，它的所有参数都确定了，包括均值和方差，gamma和bata。
Dropout:只有在训练的时候才采用，是为了减少神经元对部分上层神经元的依赖，类似将多个不同网络结构的模型集成起来，减少过拟合的风险。

1.19 若网络初始化为0的话有什么问题？

w初始化全为0，很可能直接导致模型失效，无法收敛。

1.20 sigmoid和softmax的区别？softmax的公式？

1.21 改进的softmax损失函数有哪些？

1.Large Margin Softmax Loss (L-Softmax)
加了一个margin，要保证大于某一个阈值。这样可以尽量实现让类间间距更大化，类内距离更小。
2.Center Loss
通过将特征和特征中心的距离和softmax loss一同作为损失函数，使得类内距离更小，有点L1，L2正则化。

1.22 调参有哪些技巧？

1.准备数据

1.1 保证有大量、高质量并且带有干净标签的数据;
1.2 样本要随机化，防止大数据淹没小数据;尽量对数据shuffle;
1.3 样本要做归一化.

2.预处理

0均值和1方差化

3.minibatch

建议值128，不要用过大的数值，否则很容易过拟合

4.梯度归一化

其实就是计算出来梯度之后，要除以minibatch的数量。       

5.梯度剪切

6.学习率

6.1 用一个一般的lr开始，然后逐渐的减小它;
6.2 建议值是0.01，适用于很多NN的问题，一般倾向于小一点;
6.3 对于调度学习率的建议：如果在验证集上性能不再增加就让学习率除以2或者5，然后继续，学习率会一直变得很小，到最后就可以停止训练了。
6.4 很多人用的一个设计学习率的原则就是监测一个比率（范数和权值范数之间的比率），如果这个比率在10-3附近，如果小于这个值，学习会很慢，如果大于这个值，那么学习很不稳定，由此会带来失败。

7.权重初始化的选择

7.1 用高斯分布乘上一个很小的数
7.2 在深度网络中，随机初始化权重，使用SGD的话一般处理的都不好，这是因为初始化的权重太小了。这种情况下对于浅层网络有效，但是当足够深的时候就不行了，因为weight更新的时候，是靠很多weight相乘的，越乘越小，有点类似梯度消失。

8.训练RNN或LSTM

如果训练RNN或者LSTM，务必保证gradient的norm被约束在15或者5（前提还是要先归一化gradient），这一点在RNN和LSTM中很重要。

如果使用LSTM来解决长时依赖的问题，针对遗忘门bias的用1.0或更大一点。

9.优化器

Adam收敛速度的确要快一些，可结果往往没有sgd + momentum的解好（如果模型比较复杂的话，sgd是比较难训练的，这时候用adam较好）;
若使用sgd,lr=0.1/1.0,隔一段时间，在验证集上检查，cos未下降，lr减半。

10.数据增强

尽可能想办法多的扩增训练数据，如果使用的是图像数据，不妨对图像做一点扭转之类的操作，来扩充数据训练集合。

11.使用dropout

CNN: full层部分使用，conv层不使用，设为0.5，小数据上用dropout+sgd效果更明显。
RNN: 在上下层连接时使用。
1.early stop，发现val_loss没更新，就尽早停止。
2.评价最终结果的时候，多做几次，然后平均一下他们的结果。

1.23 调参要往哪些方向想？

损失函数的选择是否是合适的
学习率的选取是否合适
batch size选择是否合适
训练样本是否正常，是否需要增强
是否有设置batch normlaztion(数据归一化)
激活函数的类型需要选取恰当
选取合适的优化算法（例如梯度下降，Adam等）
是否存在过拟合

a.Early Stopping
b. Regularization（正则化）
c. Weight Decay（收缩权重）
d. Dropout（随机失活）
e. 调整网络结构

1.24 训练中是否有必要使用L1获得稀疏解?

没必要。对于加了L1正则的神经网络，大部分深度学习框架自带的优化器训练获得不了稀疏解；如果稀疏解的模式是无规律的，这种稀疏意义不大。

1.25 数据预处理方法有哪些？

中心化/零均值，归一化

1.26 如何初始化神经网络的权重？‍神经网络怎样进行参数初始化？

a:将所有的参数初始化为0
b:对w随机初始化
c: Xavier初始化：尽可能的让输入和输出服从相同的分布，这样就能够避免后面层的激活函数的输出值趋向于0
d: 何氏初试法

如果权重初始化太小，会导致神经元的输入过小，随着层数的不断增加，会出现信号消失的问题；也会导致sigmoid激活函数丢失非线性的能力，因为在0附近sigmoid函数近似是线性的。如果参数初始化太大，会导致输入状态太大。
对sigmoid激活函数来说，激活函数的值会变得饱和，从而出现梯度消失的问题。

1.27 为什么构建深度学习模型需要使用GPU？

VGG16（在DL应用中经常使用16个隐藏层的卷积神经网络）大约具有1.4亿个参数，又称权重和偏见。如果用传统的方法，训练这种系统需要几年的时间。
神经网络的计算密集部分由多个矩阵乘法组成，可以简单地通过同时执行所有操作，而不是一个接一个地执行，要使用GPU（图形处理单元）而不是CPU来训练神经网络。

1.28 前馈神经网络(FNN),递归神经网络(RNN)和 CNN 区别?

FNN 是指在一个vector内部的不同维度之间进行一次信息交互。
CNN是以逐次扫描的方式在一个vector的局部进行多次信息交互。
RNN就是在hidden state上增加了loop，看似复杂，其实就是从时间维度上进行了展开。是在不同时刻的多个vectors之间进行信息交互。

1.29 神经网络可以解决哪些问题？

1.30 如何提高小型网络的精度，同时尽量不损失压缩模型？

1.模型参数量化：将float32型权重、激活映射到低bit位(int8、fp16，二值、三值…)存储
2.模型剪枝
3.知识蒸馏
4.替换轻量化网络结构（mobilenet系列、shufflenet、squeezenet…）

1.30.1 模型剪枝常用策略？

层剪枝，根据bn层的gamma系数剪枝，bn层的gamma系数代表该层特征的方差，方差越大说明该层特征越明显，保留该层，gamma系数小的网络层可以剪掉。
通道剪枝，根据经验缩小通道系数，多次训练对比实验

1.31 列举你所知道的神经网络中使用的损失函数

欧氏距离，交叉熵，对比损失，合页损失

1.32 什么是鞍点问题？

梯度为0，海森矩阵不定的点，不是极值点。

1.33网络设计中，为什么卷积核设计尺寸都是奇数？

①　保证像素点中心位置，避免位置信息偏移
②　填充边缘时能保证两边都能填充，原矩阵依然对称