快手广告算法工程师面试题15道|含解析

10本七月在线内部电子书在文末，自取~

公众号福利

👉回复【100题】领取《名企AI面试100题》PDF

👉回复【干货资料】领取NLP、CV、ML等AI方向干货资料

 问题1：ReLU，LeakyReLU

ReLU和LeakyReLU都是常见的激活函数。 ReLU的表达式为 LeakyReLU的表达式为 其中α是一个小于1的常数。   问题2：ReLU的优缺点 ReLU的优点在于它具有快速收敛和计算的优势，同时还能够缓解梯度消失的问题。ReLU的缺点是当输入为负数时，该激活函数的导数为0，从而造成部分神经元失活的问题。因此，应用ReLU激活函数时需要注意，确保输入数据的均值为0。   问题3：ReLU激活函数是如何解决梯度消失和梯度爆炸问题的 ？ ReLU的梯度在正区间恒定为1，而负区间恒定为0。这使得无论神经元的输出值如何，都不会导致梯度消失或梯度爆炸的问题。因此，ReLU激活函数能够有效地解决梯度消失和梯度爆炸问题。  问题4：什么是梯度消失和梯度爆炸？什么单元更容易出现梯度消失梯度爆炸的问题？ 梯度消失指的是在反向传播过程中，权重和激活值都小于1，导致梯度不断缩小，最终导致梯度消失的现象。梯度爆炸则是指在反向传播过程中，权重和激活值都大于1，导致梯度不断增大，最终导致梯度爆炸的现象。其中，输出值小于0的sigmoid神经元更容易出现梯度消失的问题。  问题5：ReLU如何解决梯度消失问题？ ReLU激活函数对于非负的输入值，其梯度恒定为1，不会缩小，因此能够有效地避免梯度消失。  问题6：ReLU之前常用的激活函数？ 以前常用的激活函数包括sigmoid函数、tanh函数、以及softmax函数等。  问题7：写一下sigmoid函数的表达式。sigmoid函数存在的问题 sigmoid函数的表达式为

它的问题是当输入值过大或过小时，其导数值非常小，从而导致梯度消失和梯度爆炸的问题。  问题8：写一下逻辑回归的损失函数。

问题9：讲一下交叉熵损失函数，与KL散度的关系 ，在二分类和多分类问题中的区别。 交叉熵损失函数是二分类问题中最常用的损失函数，由于其定义出于信息学的角度，可以泛化到多分类问题中。KL散度是一种用于衡量两个分布之间差异的指标，交叉熵损失函数是KL散度的一种特殊形式。在二分类问题中，交叉熵函数只有一项，而在多分类问题中有多项。  问题10：卷积神经网络中常见的层有哪些？ 卷积神经网络中常见的层包括卷积层(Convolutional layer)、池化层(Pooling layer)、全连接层(Fully connected layer)，以及批标准化层(Batch normalization layer)等。

  问题11：卷积层的参数计算，以及计算量计算。

卷积层的参数数量取决于卷积核大小、输入通道数量和输出通道数量。计算量计算则取决于卷积核大小、输入图像大小、输出通道数量和步长大小。   问题12：m*n的图像，卷积核为k*k，步长为1，最后生成的图像大小 对于m×n的图像，卷积核为k×k，步长为1时，卷积后生成的图像大小为(m-k+1)×(n-k+1)。   问题13：m*n*3的图像输入进去，输出会有变化吗？ 输入的m×n×3的图像经过卷积操作后输出的通道数可能会有所变化，但是图像的宽高不会发生变化。   问题14：卷积核的k值的取值，为什么取这个值 卷积核的大小k一般为奇数，这是因为奇数大小的卷积核有中心像素，可以更好地对称地影响图像的每个位置。同时，选择奇数大小的卷积核还可以保证最终卷积后的图像不会出现偏差。   问题15：ResNet中的Block，怎么用的 ResNet中的Block是指由复杂的卷积和激活层组成的模块，可以有效地解决反向传播中出现的梯度消失和梯度爆炸的问题。ResNet中的每个Block都包含有多个卷积层以及一个Skip Connection，可以逐渐构建出一个非常深的神经网络。当网络层数较深时，通过增加Skip Connection的结构可以更好地保留梯度信息，从而提高模型的性能。

免费送

↓以下10本书电子版免费领，直接送↓ 

以上8本+《2022年Q4面试题-69道》、《2022年Q3面试题-83道》共10本， 免费送

扫码回复【999】免费领10本电子书

      

（或 找七月在线其他老师领取 ）

点击“ 阅读原文 ”抢宠粉 福利 ~