11-08 14:00 已编辑 中南大学 自动驾驶系统工程师 发布于湖南
关注
华诺星空笔试
自己的笔试系统，无时间限制，无摄像头，无屏幕共享，30道单选，10道判断，题目比较简单
---更新---没有去线下参加宣讲，所以一直没消息，11月了打电话问我还考虑不，已签约，拒绝了----
1、什么情况下神经网络模型成为深度学习模型：加入更多层，使神经网络深度加深；
2、非线性的引入：relu
3、bn的好处：每一层输入的范围大致相同
4、处理过拟合的手段：dropout、bn、正则化
5、初始化权重：赋予一个初值，然后检查与标签的差值，不断迭代
6、ABC三个稠密矩阵，A
8、数据量大无法在RAM中同时处理，用SGD
9、选取神经网络深度时需要考虑：神经网络类型、输入数据、计算能力、学习率、映射的输出函数
10、在imagenet上训练一个网络，输入全白图片，那么输出的结果不是所有类别的可能性都一样
11、权重全部初始化为0，可以训练网络，但所有神经元都会识别同样的东西
12、图像识别用卷积神经网络
13、增加神经网络层数不是一定增加训练集/测试集的分类错误率
14、线性的激活函数无法实现同或函数
15、预测下一个单次用循环神经网络
16、语义分割：输入-卷积-反卷积-输出
17、rnn用梯度裁剪处理梯度爆炸
18、非连续目标用SGD优化
19、反向传播计算预测和标签之间的误差
20、batchsize选用2的次方，便于内存最优进行并行计算
21、Xavier初始化：一开始很小，最后也会很小；不是高斯提出的，是Xavier提出的；可以帮助减少梯度弥散的问题
22、GAN的生成器用的局部跨距卷积，鉴别器用的跨距卷积，替换池化
23、通用的逼近器包括：神经网络、多项式、模糊逻辑、支持向量机、径向基函数、核方法、决策树、随机森林
24、深度学习可以解决：蛋白质结构预测、化学反应预测、外来粒子检测
25、1*1卷积可以降低维度；用于特征池；减少过拟合
26、权重不能全部初始为0，偏差可以
27、mlp中输入8个神经元，隐藏层5个神经元，输出1个神经元，那么隐藏输出层和输入隐藏层的权重矩阵分别为1*5和5*8
28、多分类任务用softmax
29、分类激活函数：sigmoid、tanh、relu
30、bn：防止过拟合、防止激活值过高或过低、加速训练
31、增加多层感知机隐藏层层数不一定会使分类误差减小
32、深度学习之前无需完成特征提取
33、提升卷积核大小，不一定提升神经网络性能
34、relu激活函数永远不会饱和
35、循环神经网络不能理解为完全连接、无限长度的普通神经网络
36、一个网络共用一个学习率
37、GRU没有防止RNN梯度消失的作用
38、最大池化不能减少参数
39、sigmoid换relu可以克服梯度消失
---更新---没有去线下参加宣讲，所以一直没消息，11月了打电话问我还考虑不，已签约，拒绝了----
1、什么情况下神经网络模型成为深度学习模型：加入更多层，使神经网络深度加深；
2、非线性的引入：relu
3、bn的好处：每一层输入的范围大致相同
4、处理过拟合的手段：dropout、bn、正则化
5、初始化权重：赋予一个初值，然后检查与标签的差值，不断迭代
6、ABC三个稠密矩阵，A
8、数据量大无法在RAM中同时处理，用SGD
9、选取神经网络深度时需要考虑：神经网络类型、输入数据、计算能力、学习率、映射的输出函数
10、在imagenet上训练一个网络，输入全白图片，那么输出的结果不是所有类别的可能性都一样
11、权重全部初始化为0，可以训练网络，但所有神经元都会识别同样的东西
12、图像识别用卷积神经网络
13、增加神经网络层数不是一定增加训练集/测试集的分类错误率
14、线性的激活函数无法实现同或函数
15、预测下一个单次用循环神经网络
16、语义分割：输入-卷积-反卷积-输出
17、rnn用梯度裁剪处理梯度爆炸
18、非连续目标用SGD优化
19、反向传播计算预测和标签之间的误差
20、batchsize选用2的次方，便于内存最优进行并行计算
21、Xavier初始化：一开始很小，最后也会很小；不是高斯提出的，是Xavier提出的；可以帮助减少梯度弥散的问题
22、GAN的生成器用的局部跨距卷积，鉴别器用的跨距卷积，替换池化
23、通用的逼近器包括：神经网络、多项式、模糊逻辑、支持向量机、径向基函数、核方法、决策树、随机森林
24、深度学习可以解决：蛋白质结构预测、化学反应预测、外来粒子检测
25、1*1卷积可以降低维度；用于特征池；减少过拟合
26、权重不能全部初始为0，偏差可以
27、mlp中输入8个神经元，隐藏层5个神经元，输出1个神经元，那么隐藏输出层和输入隐藏层的权重矩阵分别为1*5和5*8
28、多分类任务用softmax
29、分类激活函数：sigmoid、tanh、relu
30、bn：防止过拟合、防止激活值过高或过低、加速训练
31、增加多层感知机隐藏层层数不一定会使分类误差减小
32、深度学习之前无需完成特征提取
33、提升卷积核大小，不一定提升神经网络性能
34、relu激活函数永远不会饱和
35、循环神经网络不能理解为完全连接、无限长度的普通神经网络
36、一个网络共用一个学习率
37、GRU没有防止RNN梯度消失的作用
38、最大池化不能减少参数
39、sigmoid换relu可以克服梯度消失
全部评论
就要上岸了的菠萝蜜很能干
南京信息工程大学 图像识别
老哥拿到offer了吗
相关推荐
点赞 评论 收藏
分享
点赞 评论 收藏
分享
投递旷视等公司10个岗位 > 点赞 评论 收藏
分享
