转自https://jizhi.im/blog/post/45_questions_deep_learning
原文https://www.analyticsvidhya.com/blog/2017/01/must-know-questions-deep-learning/
Q1 神经网络模型是由人类大脑启发而来。神经网络由众多神经元构成，每个神经元读取并处理输入信号，再产生输出。关于神经元的叙述，哪些是正确的？ ABCD
A.每个神经元可以有多个输入，和一个输出。
B.每个神经元可以有多个输出，和一个输入。
C.每个神经元可以有一个输入，和一个输出。
D.每个神经元可以有多个输入，和多个输出。
提示：每个神经元的输入／输出没有数量限制。
Q2 下面是一个神经元的数学表示。不同组件的意义为：
考虑以上定义，线性方程 (y = mx + c) 可以说是一种神经元吗？A
A. 是
B.一派胡言
C.无可奉告
D.否
提示：一个神经元可以是线性的，这时就相当于一个线性回归函数。
Q3 用一个神经元来拟合 AND 函数，下表即为 AND 函数：
| X1 | X2 | X1 AND X2 |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 1 | 1 |
神经元的激励函数记为：
权重和偏移分别是多少？即，W1，W2和b怎样取值，我们的神经元才能拟合 AND 函数？ A
A. Bias = -1.5, w1 = 1, w2 = 1
B. Bias = 1.5, w1 = 2, w2 = 2
C. Bias = 1, w1 = 1.5, w2 = 1.5
D. None of these
提示：
f(-1.5*1 + 1*0 + 1*0) = f(-1.5) = 0
f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0
f(-1.5*1 + 1*1 + 1*0) = f(-0.5) = 0
f(-1.5*1 + 1*1+ 1*1) = f(0.5) = 1
Q4 多个神经元组成网络，以模拟 XNOR 函数的神经网络为例：
最后一个神经元接收了之前两个神经元的输入，其激励函数为：
假设 X1 = 0， X2 = 1，以上神经网络的输出是？A
A. 0
B. 1
提示：
Output of a1: f(0.5*1 + -1*0 + -1*1) = f(-0.5) = 0
Output of a2: f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0
Output of a3: f(-0.5*1 + 1*0 + 1*0) = f(-0.5) = 0
Q5 在一个神经网络中，知道每个神经元的权重和偏移是最重要的。获知每个神经元权重和偏移的最佳方式是什么呢？B
A.全都不对。
B.每次赋值之后检查与最佳值的误差，微调参数获得小幅提升，并持续迭代。
C.搜索每个可能的权重和偏移组合。
D.随机赋值，听天由命。
Q6 梯度下降算法
1.计算预测值与真实值之间的误差
2.重复迭代直至得到网络权重的最佳值
3.向网络传入输入值，获得输出值
4.用随机值初始化权重和偏移
5.调整对误差有贡献的神经元参数，以减少误差
梯度下降算法的步骤是？4-3-1-5-2
Q7 假设输入值为x, y, z分别为-2，5，-4，并有神经元q和f：
F对x, y, z的梯度是多少？ D
A.(-3, 4, 4)
B.(4, 4, 3)
C.(3, -4, -4)
D.(-4, -4, 3)
Q9 神经网络可以看作是简单的方程堆叠形成。如果要用两个简单的输入h1和h2：
1
来浮现如下决策边界：
最终的方程应该是？A
A. (h1 AND NOT h2) OR (NOT h1 AND h2)
B. (h1 OR NOT h2) AND (NOT h1 OR h2)
C. (h1 AND h2) OR (h1 OR h2)
D. None of these
提示：+1 AND +1 = +1
+1 AND -1 = -1
+1 OR -1 = +1
-1 OR -1 = -1
Q10 “卷积神经网络可以对输入进行多种变换（旋转、缩放、平移等）”，这句话是否正确？B
A. True
B. False
提示：数据处理环节（如旋转、缩放、平移等）需要在卷积神经网络之前完成，因为卷积神经网络不能完成此步。
Q19 一阶梯度下降对哪一图中的情形无效？B.鞍点
Q29 神经网络中的死神经单元是什么？D
A.会造成最大平方误差的神经元
B.都不是
C.无法对任何训练模式进行完整反馈的神经元
D,不能在训练过程中被其他附近神经元更新的神经元
Q32 用来训练识别字母H和T的神经网络如下所示: 都有可能
提示：当不知道训练好的神经网络的权重和偏执项时，我们对输出可以说是一无所知。
Q34 当在卷积神经网络中加入池化层(pooling layer)时，平移不变性会被保留，是吗？A
A. True
B. False
提示：Translation invariance is induced when you use pooling.
Q40 假设在训练中我们突然遇到了一个问题，在几次循环之后，误差瞬间降低.你认为数据有问题，于是你画出了数据并且发现也许是数据的偏度过大造成了这个问题。
你打算怎么做来处理这个问题？
Apply PCA and then Normalize
提示：First you would remove the correlations of the data and then zero center it.