ALI-本地生活-数据研发实习一面

记录一下  数据研发实习   技术面一面内容

先自我介绍，然后对着简历让我介绍了自己的做过的一个项目，我在其中的角色；

然后问一些算法原理问题：

1. 看你提到了VGG的网络结构，请描述CNN由哪些元件构成？他们分别有什么作用？

卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成

• 卷积层
• 激活函数
• 池化层
• 全联接层

2. 你了解的激活函数有哪些？他们分别有什么特点？

• Sigmoid函数 

目前已被淘汰 
缺点： 
∙ 饱和时梯度值非常小。由于BP算法反向传播的时候后层的梯度是以乘性方式传递到前层，因此当层数比较多的时候，传到前层的梯度就会非常小，网络权值得不到有效的更新，即梯度耗散。如果该层的权值初始化使得f(x) 处于饱和状态时，网络基本上权值无法更新。 
∙ 输出值不是以0为中心值。

• Tanh函数

其中σ(x) 为sigmoid函数，仍然具有饱和的问题。

• ReLU函数

该函数的提出很大程度的解决了BP算法在优化深层神经网络时的梯度耗散问题 

优点： 
∙ x>0 时，梯度恒为1，无梯度耗散问题，收敛快； 
∙ 增大了网络的稀疏性。当x<0 时，该层的输出为0，训练完成后为0的神经元越多，稀疏性越大，提取出来的特征就约具有代表性，泛化能力越强。即得到同样的效果，真正起作用的神经元越少，网络的泛化性能越好 
∙ 运算量很小； 
缺点： 
如果后层的某一个梯度特别大，导致W更新以后变得特别大，导致该层的输入<0，输出为0，这时该层就会‘die’，没有更新。当学习率比较大时可能会有40%的神经元都会在训练开始就‘die’，因此需要对学习率进行一个好的设置。 
由优缺点可知max(0,x) 函数为一个双刃剑，既可以形成网络的稀疏性，也可能造成有很多永远处于‘die’的神经元，需要tradeoff。

• Leaky ReLU函数

改善了ReLU的死亡特性，但是也同时损失了一部分稀疏性，且增加了一个超参数，目前来说其好处不太明确 

• Maxout函数

泛化了ReLU和Leaky ReLU，改善了死亡特性，但是同样损失了部分稀疏性，每个非线性函数增加了两倍的参数

真实使用的时候最常用的还是ReLU函数，注意学习率的设置以及死亡节点所占的比例即可

还有一个东西要注意，sigmoid 和 tanh作为激活函数的话，一定要注意一定要对 input 进行归一话，否则激活后的值都会进入平坦区，使隐层的输出全部趋同，但是 ReLU 并不需要输入归一化来防止它们达到饱和。 

3. 描述一下贝叶斯概率的形式

 

公式中，事件Bi的概率为P(Bi)，事件Bi已发生条件下事件A的概率为P(A│Bi)，事件A发生条件下事件Bi的概率为P(Bi│A)。

P(A)是A的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何B方面的因素。  

P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。

P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。

4. 什么是ROC曲线？混淆矩阵是什么？

ROC曲线：接收者操作特征(receiveroperating characteristic), roc曲线上每个点反映着对同一信号刺激的感受性。

横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；

纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)

AUC(Area under Curve)：Roc曲线下的面积，介于0.1和1之间。Auc作为数值可以直观的评价分类器的好坏，值越大越好。

首先AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。

5. SVM的两个关键参数是什么？他们分别是什么含义？如何调参？

SVM模型有两个非常重要的参数C与gamma。

其中 C是惩罚系数，即对误差的宽容度。c越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差

gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

 

6. 你了解xgboost吗？xgboost和gbdt区别是什么？

 详见xgboost介绍与实现。

7. 你了解Kmeans吗？他的k值如何确定？了解Kmeans++吗？

• k值的确定：

手肘法

- 核心指标：SSE(sum of the squared errors，误差平方和)

• Kmeans++

原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而K-means++按照如下的思想选取K个聚类中心：

假设已经选取了n个初始聚类中心(0

1. 距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心。
2. 在选取第一个聚类中心(n=1)时同样通过随机的方法。

可以说这也符合我们的直觉：聚类中心当然是互相离得越远越好。这个改进虽然直观简单，但是却非常得有效。

 

8. 然后对他们有什么问题

总体来说，面试内容聚焦于基础的算法原理，问的比较细，不关注你的网络的架构。

官网显示一面通过有一周多了，还没有后续，估计是进wait list了。

挺学长说ALI比鹅场难，ALi 坑太少