介紹

人工神經(jīng)網(wǎng)絡(luò)是受人類神經(jīng)元工作啟發(fā)的計(jì)算系統(tǒng)。它是深度學(xué)習(xí)的支柱，在幾乎所有領(lǐng)域取得了更大的里程碑，從而帶來了我們解決問題的進(jìn)化。因此，每個(gè)有抱負(fù)的數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師都必須對(duì)這些神經(jīng)網(wǎng)絡(luò)有很好的了解。在本文中，我們將討論有關(guān)人工神經(jīng)網(wǎng)絡(luò) （ANN） 的最重要問題，這有助于讓你清楚地了解這些技術(shù)，以及數(shù)據(jù)科學(xué)訪談，其中涵蓋了從非�；�礎(chǔ)的層面到復(fù)雜概念。

1、感知器是什么意思？

感知器也稱為人工神經(jīng)元，是一種神經(jīng)網(wǎng)絡(luò)單元，它執(zhí)行某些計(jì)算以檢測(cè)特征。它是一個(gè)單層神經(jīng)網(wǎng)絡(luò)，用作線性分類器，同時(shí)處理一組輸入數(shù)據(jù)。由于感知器使用已經(jīng)標(biāo)記的分類數(shù)據(jù)點(diǎn)，因此它是一種監(jiān)督學(xué)習(xí)算法。該算法用于使神經(jīng)元一次一個(gè)地學(xué)習(xí)和處理訓(xùn)練集中的元素。

2、感知器有哪些不同類型？

有兩種類型的感知器：

1． 單層感知器

單層感知器只能學(xué)習(xí)線性可分離的模式。

2． 多層感知器

多層感知器，也稱為具有兩層或多層的前饋神經(jīng)網(wǎng)絡(luò)，具有更高的處理能力。

3、損失函數(shù)有什么用？

損失函數(shù)用作準(zhǔn)確性的度量，以識(shí)別我們的神經(jīng)網(wǎng)絡(luò)是否在訓(xùn)練數(shù)據(jù)的幫助下準(zhǔn)確地學(xué)習(xí)了模式。這是通過將訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)進(jìn)行比較來完成的。因此，損失函數(shù)被認(rèn)為是衡量神經(jīng)網(wǎng)絡(luò)性能的主要指標(biāo)。在深度學(xué)習(xí)中，性能良好的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練發(fā)生時(shí)始終具有較低的損失函數(shù)值。

4、激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中的作用是什么？

在神經(jīng)網(wǎng)絡(luò)中使用激活函數(shù)的原因如下：激活函數(shù)背后的思想是將非線性引入神經(jīng)網(wǎng)絡(luò)，使其能夠?qū)W習(xí)更復(fù)雜的函數(shù)。沒有激活函數(shù)，神經(jīng)網(wǎng)絡(luò)表現(xiàn)為線性分類器，學(xué)習(xí)輸入數(shù)據(jù)的線性組合函數(shù)。激活函數(shù)將輸入轉(zhuǎn)換為輸出。激活函數(shù)負(fù)責(zé)決定一個(gè)神經(jīng)元是否應(yīng)該被激活，即是否被激發(fā)。為了做出決定，它首先計(jì)算加權(quán)和，并進(jìn)一步添加偏差。因此，激活函數(shù)的基本目的是將非線性引入神經(jīng)元的輸出。

5、列出神經(jīng)網(wǎng)絡(luò)中使用的一些流行的激活函數(shù)的名稱。

構(gòu)建深度學(xué)習(xí)模型時(shí)使用的一些流行的激活函數(shù)如下：

Sigmoid 函數(shù)

雙曲正切函數(shù)

整流線性單元 （RELU） 函數(shù)

Leaky  RELU 函數(shù)

最大輸出函數(shù)

指數(shù)線性單元 （ELU） 函數(shù)

6、成本函數(shù)是什么意思？

在構(gòu)建深度學(xué)習(xí)模型時(shí)，我們的整個(gè)目標(biāo)是最小化成本函數(shù)。成本函數(shù)解釋了神經(jīng)網(wǎng)絡(luò)對(duì)其給定訓(xùn)練數(shù)據(jù)和預(yù)期輸出的表現(xiàn)如何。它可能取決于神經(jīng)網(wǎng)絡(luò)參數(shù)，例如權(quán)重和偏差�？偟膩碚f，它提供了神經(jīng)網(wǎng)絡(luò)的性能。

7、反向傳播是什么意思？

反向傳播算法用于訓(xùn)練多層感知器。它將錯(cuò)誤信息從網(wǎng)絡(luò)末端傳播到網(wǎng)絡(luò)內(nèi)部的所有權(quán)重。它允許有效計(jì)算梯度或?qū)��?shù)。反向傳播可以分為以下幾個(gè)步驟：它可以通過網(wǎng)絡(luò)轉(zhuǎn)發(fā)訓(xùn)練數(shù)據(jù)的傳播以生成輸出。它使用目標(biāo)值和輸出值通過考慮輸出激活來計(jì)算誤差導(dǎo)數(shù)。它可以反向傳播以計(jì)算關(guān)于前一層輸出激活的誤差的導(dǎo)數(shù)，并繼續(xù)計(jì)算所有隱藏層。它使用先前計(jì)算的輸出導(dǎo)數(shù)和所有隱藏層來計(jì)算關(guān)于權(quán)重的誤差導(dǎo)數(shù)。它更新權(quán)重并重復(fù)直到成本函數(shù)最小化。

8、如何在神經(jīng)網(wǎng)絡(luò)中初始化權(quán)重和偏差？

神經(jīng)網(wǎng)絡(luò)初始化意味著初始化參數(shù)的值，即權(quán)重和偏差。偏差可以初始化為零，但我們不能用零初始化權(quán)重。權(quán)重初始化是神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵因素之一，因?yàn)殄e(cuò)誤的權(quán)重初始化會(huì)阻止神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模式。相反，良好的權(quán)重初始化有助于更快地收斂到全局最小值。根據(jù)經(jīng)驗(yàn)，初始化權(quán)重的規(guī)則是接近于零但不能太小。

9、為什么權(quán)重的零初始化，不是一個(gè)好的初始化技巧？

如果我們將神經(jīng)網(wǎng)絡(luò)中的權(quán)重集初始化為零，那么每一層的所有神經(jīng)元將在反向傳播期間開始產(chǎn)生相同的輸出和相同的梯度。結(jié)果，神經(jīng)網(wǎng)絡(luò)根本無法學(xué)習(xí)任何東西，因?yàn)椴煌�神�?jīng)元之間沒有不對(duì)稱的來源。因此，我們?cè)诔跏蓟�神�?jīng)網(wǎng)絡(luò)中的權(quán)重時(shí)添加隨機(jī)性。

10、解釋梯度下降及其類型。

梯度下降是一種優(yōu)化算法，旨在最小化成本函數(shù)或最小化誤差。它的主要目標(biāo)是根據(jù)函數(shù)的凸性找到函數(shù)的局部或全局最小值。這決定了模型應(yīng)該朝哪個(gè)方向減少誤差。

梯度下降的三種類型：

小批量梯度下降

隨機(jī)梯度下降

批量梯度下降

11、解釋梯度下降算法中使用的不同步驟。

用于初始化和使用梯度下降算法的五個(gè)主要步驟如下：初始化神經(jīng)網(wǎng)絡(luò)的偏差和權(quán)重。將輸入數(shù)據(jù)通過網(wǎng)絡(luò)，即輸入層。計(jì)算預(yù)期值和預(yù)測(cè)值之間的差異或誤差。調(diào)整值，即神經(jīng)元中的權(quán)重更新以最小化損失函數(shù)。我們重復(fù)相同的步驟，即多次迭代以確定有效工作的最佳權(quán)重。

12、解釋術(shù)語“數(shù)據(jù)規(guī)范化”。

數(shù)據(jù)標(biāo)準(zhǔn)化是必不可少的預(yù)處理步驟，用于將初始值重新縮放到特定范圍。它可以確保反向傳播期間更好的收斂。通常，數(shù)據(jù)歸一化將每個(gè)數(shù)據(jù)點(diǎn)歸結(jié)為減去均值并除以其標(biāo)準(zhǔn)差。由于我們對(duì)每一層的輸入進(jìn)行了標(biāo)準(zhǔn)化，因此該技術(shù)提高了神經(jīng)網(wǎng)絡(luò)的性能和穩(wěn)定性。

13、神經(jīng)網(wǎng)絡(luò)中的前向傳播和后向傳播有什么區(qū)別？

前向傳播：輸入被送入網(wǎng)絡(luò)。在每一層中，有一個(gè)特定的激活函數(shù)，在層之間，有代表神經(jīng)元連接強(qiáng)度的權(quán)重。輸入貫穿網(wǎng)絡(luò)的各個(gè)層，最終生成輸出。反向傳播：誤差函數(shù)衡量網(wǎng)絡(luò)輸出的準(zhǔn)確程度。為了提高輸出，必須優(yōu)化權(quán)重。反向傳播算法用于確定如何調(diào)整各個(gè)權(quán)重。在梯度下降法期間調(diào)整權(quán)重。

14、 詳細(xì)解釋不同類型的梯度下降。

隨機(jī)梯度下降：在隨機(jī)梯度下降中，使用的批量大小為 1。結(jié)果，我們得到了 n 個(gè)批次。因此，每次訓(xùn)練樣本后都會(huì)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。

小批量梯度下降：在小批量梯度下降中，批量大小必須介于 1 和訓(xùn)練數(shù)據(jù)集的大小之間。結(jié)果，我們得到了 k 個(gè)批次。因此，每次小批量迭代后都會(huì)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。

批梯度下降：在批梯度下降中，批大小等于訓(xùn)練數(shù)據(jù)集的大小。因此，神經(jīng)網(wǎng)絡(luò)的權(quán)重在每個(gè)時(shí)期之后被更新。

15、 玻爾茲曼機(jī)是什么意思？

最基本的深度學(xué)習(xí)模型之一是玻爾茲曼機(jī)，它類似于多層感知器的簡(jiǎn)化版本。該模型具有一個(gè)可見的輸入層和一個(gè)隱藏層——只是一個(gè)兩層神經(jīng)網(wǎng)絡(luò)，可以隨機(jī)決定是否應(yīng)該激活神經(jīng)元。在玻爾茲曼機(jī)中，節(jié)點(diǎn)是跨層連接的，但沒有同一層的兩個(gè)節(jié)點(diǎn)連接。

16、學(xué)習(xí)率如何影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練？

在選擇學(xué)習(xí)率來訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，我們必須非常謹(jǐn)慎地選擇值，原因如下：如果學(xué)習(xí)率設(shè)置得太低，模型的訓(xùn)練將繼續(xù)非常緩慢，因?yàn)槲覀儗?duì)權(quán)重的變化很小，因?yàn)槲覀兊牟介L(zhǎng)由梯度下降方程控制。在達(dá)到最小損失點(diǎn)之前需要多次迭代。如果學(xué)習(xí)率設(shè)置得太高，由于步長(zhǎng)值較大，權(quán)重變化很大，這會(huì)導(dǎo)致?lián)p失函數(shù)出現(xiàn)不良的發(fā)散行為。它可能無法收斂（模型可以給出很好的輸出）甚至發(fā)散（數(shù)據(jù)太混亂，網(wǎng)絡(luò)無法訓(xùn)練）。

17、超參數(shù)是什么意思？

一旦數(shù)據(jù)格式正確，我們通常會(huì)在神經(jīng)網(wǎng)絡(luò)中使用超參數(shù)。超參數(shù)是一種參數(shù)，其值在學(xué)習(xí)過程開始之前是固定的。它決定了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式以及網(wǎng)絡(luò)的結(jié)構(gòu)，其中包括：隱藏單元數(shù)學(xué)習(xí)率epoch 數(shù)等。

18、為什么ReLU是最常用的Activation Function？

ReLU（整流線性單元）是神經(jīng)網(wǎng)絡(luò)中最常用的激活函數(shù)，原因如下：

1． 無梯度消失： RELU 激活函數(shù)的導(dǎo)數(shù)要么是 0，要么是 1，所以它可能不在 ［0，1］ 的范圍內(nèi)。因此，幾個(gè)導(dǎo)數(shù)的乘積也將是 0 或 1，由于此屬性，反向傳播過程中不會(huì)出現(xiàn)梯度消失問題。

2． 更快的訓(xùn)練：具有 RELU 的網(wǎng)絡(luò)往往表現(xiàn)出更好的收斂性能。因此，我們的運(yùn)行時(shí)間要短得多。

3． 稀疏性：對(duì)于所有負(fù)輸入，RELU 生成的輸出為 0。這意味著網(wǎng)絡(luò)中較少的神經(jīng)元被激發(fā)。所以我們?cè)谏窠?jīng)網(wǎng)絡(luò)中有稀疏而有效的激活。

19、解釋梯度消失和爆炸的問題。

這些是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的主要問題。反向傳播時(shí)，在n個(gè)隱藏層的網(wǎng)絡(luò)中，n個(gè)導(dǎo)數(shù)將被相乘。如果導(dǎo)數(shù)很大，例如，如果使用類似ReLU的激活函數(shù)，那么當(dāng)我們向下傳播模型直到最終爆炸時(shí)，梯度的值將呈指數(shù)增長(zhǎng)，這就是爆炸梯度的問題。

相反，如果導(dǎo)數(shù)很小，例如，如果使用 Sigmoid 激活函數(shù)，那么隨著我們?cè)谀Ｐ椭袀鞑�，梯度將呈指�?shù)下降，直到最終消失，這就是消失梯度問題。

20、優(yōu)化器是什么意思？

優(yōu)化器是用于調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重、偏差、學(xué)習(xí)率等參數(shù)以最小化損失函數(shù)的算法或方法。這些用于通過最小化函數(shù)來解決優(yōu)化問題。深度學(xué)習(xí)中最常用的優(yōu)化器如下：梯度下降隨機(jī)梯度下降 （SGD）小批量隨機(jī)梯度下降 （MB－SGD）有動(dòng)量的SGDNesterov 加速梯度 （NAG）自適應(yīng)梯度（AdaGrad）AdaDeltaRMSpropAdam

21、為什么深度神經(jīng)網(wǎng)絡(luò)比淺神經(jīng)網(wǎng)絡(luò)更受歡迎？

除了輸入和輸出層之外，神經(jīng)網(wǎng)絡(luò)還包含隱藏層。淺層神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層之間只有一個(gè)隱藏層，而深層神經(jīng)網(wǎng)絡(luò)則使用多個(gè)層。要逼近任何函數(shù)，淺層和深層網(wǎng)絡(luò)都足夠好且有能力，但是當(dāng)淺層神經(jīng)網(wǎng)絡(luò)擬合函數(shù)時(shí)，它需要學(xué)習(xí)大量參數(shù)。相反，深度網(wǎng)絡(luò)可以在參數(shù)數(shù)量有限的情況下更好地?cái)M合函數(shù)，因?yàn)樗鼈儼�含多個(gè)隱藏層。因此，對(duì)于相同的準(zhǔn)確度水平，深度的網(wǎng)絡(luò)在計(jì)算和要學(xué)習(xí)的參數(shù)數(shù)量方面可以更加強(qiáng)大和高效。關(guān)于深度網(wǎng)絡(luò)的另一件重要事情是它們可以創(chuàng)建深度表示，并且在每一層，網(wǎng)絡(luò)都會(huì)學(xué)習(xí)新的、更抽象的輸入表示。因此，由于其能夠處理任何類型的數(shù)據(jù)建模的能力，現(xiàn)代神經(jīng)網(wǎng)絡(luò)已成為首選。

22、過度擬合是每個(gè)機(jī)器學(xué)習(xí)從業(yè)者面臨的最常見問題之一。解釋一些避免神經(jīng)網(wǎng)絡(luò)過度擬合的方法。

Dropout：這是一種防止神經(jīng)網(wǎng)絡(luò)過度擬合的正則化技術(shù)。它在訓(xùn)練過程中從神經(jīng)網(wǎng)絡(luò)中隨機(jī)丟棄神經(jīng)元，相當(dāng)于訓(xùn)練不同的神經(jīng)網(wǎng)絡(luò)。不同的網(wǎng)絡(luò)會(huì)以不同的方式過度擬合，因此 dropout 正則化技術(shù)的效果將是減少過度擬合，以便我們的模型有利于預(yù)測(cè)分析。

提前停止：這種正則化技術(shù)更新模型，使其在每次迭代時(shí)更好地?cái)M合訓(xùn)練數(shù)據(jù)。經(jīng)過一定次數(shù)的迭代后，新的迭代會(huì)改進(jìn)模型。然而，在那之后，模型開始過度擬合訓(xùn)練數(shù)據(jù)。提前停止是指在該點(diǎn)之前停止訓(xùn)練過程。

23、神經(jīng)網(wǎng)絡(luò)中Epoch、Batch和Iteration的區(qū)別是什么？

Epoch、迭代和批處理是用于處理梯度下降的數(shù)據(jù)集和算法的不同類型。所有這三種方法，即 epoch、迭代和批量大小，基本上都是根據(jù)數(shù)據(jù)集的大小處理梯度下降的方法。

Epoch：它代表對(duì)整個(gè)訓(xùn)練數(shù)據(jù)集（放入訓(xùn)練模型的所有內(nèi)容）的一次迭代。

Batch：這是指由于計(jì)算量大的問題，我們無法一次將整個(gè)數(shù)據(jù)集傳遞到神經(jīng)網(wǎng)絡(luò)中，因此我們將數(shù)據(jù)集分成幾批。

迭代： 讓我們有 10，000 張圖像作為我們的訓(xùn)練數(shù)據(jù)集，我們選擇批量大小為 200。那么一個(gè) epoch 應(yīng)該運(yùn)行（10000／200）次迭代，即 50 次迭代。

24、假設(shè)我們有一個(gè)感知器，其權(quán)重對(duì)應(yīng)于三個(gè)輸入具有以下值：

W1 ＝ 2；w2 ＝?4；w3 ＝ 1單元的激活由階躍函數(shù)給出：φ（v） ＝ 1 如果 v≥0否則為 0為以下每個(gè)輸入模式計(jì)算給定感知器的輸出值 y：解決方案：要計(jì)算每個(gè)給定模式的輸出值 y，我們必須遵循以下兩個(gè)步驟：a） 計(jì)算加權(quán)和：v ＝ Σ i （w  i  x  i  ）＝ w  i  ·x  i  ＋w  i  ·x  i  ＋w  i  ·x ib） 將激活函數(shù)應(yīng)用于 v。

每個(gè)輸入模式的計(jì)算是：

P  1 ： v ＝ 2·1?4·0＋1·0＝2， （2＞0）， y＝φ（2）＝1

P  2 ： v ＝ 2·0?4·1＋1·1＝?3， （?3＜0）， y＝φ（?3）＝0

P  3 ： v ＝ 2·1?4·0＋1·1＝3， （3＞0）， y＝φ（3）＝1

P  4 ： v ＝ 2·1?4·1＋1·1＝?1， （?1＜0）， y＝φ（?1）＝0

25、考慮一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，它具有2個(gè)輸入（label －1和label＊＊ －2），并具有全連接層，而我們有2個(gè)隱藏層：

隱藏層 1：標(biāo)記為 3 和 4 的節(jié)點(diǎn)

隱藏層 2：標(biāo)記為 5 和 6 的節(jié)點(diǎn)節(jié)點(diǎn) i 和 j 之間連接的權(quán)重由 w ij表示，例如 w24是節(jié)點(diǎn) 2 和 4 之間連接的權(quán)重。以下列表包含給定網(wǎng)絡(luò)中使用的所有權(quán)重值：w 13＝－2， w 35 ＝1， w 23 ＝ 3， w 45＝ －1， w  14 ＝ 4， w 36 ＝ －1， w 24 ＝ －1， w 46＝1節(jié)點(diǎn) 3、4、5 和 6 中的每一個(gè)都使用以下激活函數(shù)：φ（v） ＝ 1 如果 v≥0 否則 0其中 v 表示節(jié)點(diǎn)的加權(quán)和。每個(gè)輸入節(jié)點(diǎn)（1 和 2）只能接收二進(jìn)制值（0 或 1）。計(jì)算網(wǎng)絡(luò)的輸出（y  5和y 6），輸入模式由（node－1 和node－2 分別為0， 0）給出。

解決方案

要找到網(wǎng)絡(luò)的輸出，需要計(jì)算隱藏節(jié)點(diǎn) 3 和 4 的加權(quán)和：v3 ＝w13 x1 ＋w23 x2，v4 ＝w14 x1 ＋w24 x2然后使用激活函數(shù) φ 找到隱藏節(jié)點(diǎn)的輸出：y 3 ＝φ（v3 ），y4 ＝φ（v4 ）。使用隱藏節(jié)點(diǎn) y3和 y4的輸出作為輸出層（節(jié)點(diǎn) 5 和 6）的輸入值，并找到輸出節(jié)點(diǎn) 5 和 6 的加權(quán)和：v5 ＝w35 y3 ＋w45 y4，v6 ＝w36y3 ＋w46 y4。最后，找到節(jié)點(diǎn)5和6的輸出（也使用φ）：y5＝φ（v5），y6＝φ（v6）。輸出模式將為 （y5 ， y6 ）。對(duì)給定的輸入執(zhí)行此計(jì)算 – 輸入模式 （0， 0）v3 ＝?2·0＋3·0＝0， y3 ＝φ（0）＝1v4 ＝ 4·0?1·0 ＝ 0，y4 ＝φ（0）＝ 1v5 ＝1·1?1·1＝0， y5 ＝φ（0）＝1v6 ＝?1·1＋1·1＝0， y6 ＝φ（0）＝1因此，對(duì)于給定的輸入模式，網(wǎng)絡(luò)的輸出是 （1， 1）。

尾注

謝謝閱讀！希望你喜歡這些問題，并能夠測(cè)試你對(duì)人工神經(jīng)網(wǎng)絡(luò)的了解。