深度学习基础面试题25 题
- 01 Batch、Epoch、Iteration 是什么？Batch Size 大小有什么影响？
- 02 Early Stopping 为什么能缓解过拟合？
- 03 激活函数有什么用？Sigmoid、Tanh、ReLU 怎么选？
- 04 计算图在深度学习中有什么作用？
- 05 神经网络的基本结构是什么？前向传播是怎么工作的？
- 06 神经网络的权重为什么不能初始化为全 0？Xavier、He 初始化是什么？
- 07 梯度裁剪解决什么问题？
- 08 学习率是什么？太大太小分别有什么问题？怎么调？
- 09 Dropout 是什么？它为什么能防止过拟合？
- 10 Label Smoothing 有什么作用？
- 11 Momentum、RMSProp、Adam 有什么区别？
- 12 反向传播（Backpropagation）是什么？它是怎么算梯度的？
- 13 深度学习常用优化器有哪些？SGD、Momentum、Adam 有什么区别？
- 14 什么是梯度消失和梯度爆炸？怎么解决？
- 15 Batch Normalization 是什么？为什么能加速训练？
- 16 残差连接为什么能帮助训练深层网络？
- 17 混合精度训练是什么？为什么能加速深度学习？
- 18 梯度累积解决什么问题？和增大 Batch Size 一样吗？
- 19 学习率调度和 Warmup 有什么作用？
- 20 LayerNorm 和 BatchNorm 有什么区别？
- 21 类别不平衡时 Class Weight 和 Focal Loss 怎么选？
- 22 深度学习中多种正则化手段如何组合？
- 23 神经网络为什么可能过度自信？如何做校准？
- 24 训练断点恢复需要保存哪些状态？
- 25 训练模式和推理模式有什么区别？为什么要切换？
没有符合条件的题目。