Skip to content

Latest commit

 

History

History
1386 lines (1207 loc) · 58.5 KB

README.md

File metadata and controls

1386 lines (1207 loc) · 58.5 KB

NLP 面无不过

介绍:本项目是作者们根据个人面试和经验总结出的自然语言处理(NLP)面试准备的学习笔记与资料,该资料目前包含 自然语言处理各领域的 面试题积累。

> NLP 面无不过 面试交流群 (注:人满 可 添加 小编wx:yzyykm666 加群!)

四、NLP 学习算法 常见面试篇

4.1 信息抽取 常见面试篇

4.1.1 命名实体识别 常见面试篇
  • 隐马尔科夫算法 HMM 常见面试篇
    • 一、基础信息 介绍篇
      • 1.1 什么是概率图模型?
      • 1.2 什么是 随机场?
    • 二、马尔可夫过程 介绍篇
      • 2.1 什么是 马尔可夫过程?
      • 2.2 马尔可夫过程 的核心思想 是什么?
    • 三、隐马尔科夫算法 篇
      • 3.1 隐马尔科夫算法 介绍篇
        • 3.1.1 隐马尔科夫算法 是什么?
        • 3.1.2 隐马尔科夫算法 中 两个序列 是什么?
        • 3.1.3 隐马尔科夫算法 中 三个矩阵 是什么?
        • 3.1.4 隐马尔科夫算法 中 两个假设 是什么?
        • 3.1.5 隐马尔科夫算法 中 工作流程 是什么?
      • 3.2 隐马尔科夫算法 模型计算过程篇
        • 3.2.1 隐马尔科夫算法 学习训练过程 是什么样的?
        • 3.2.2 隐马尔科夫算法 序列标注(解码)过程 是什么样的?
        • 3.2.3 隐马尔科夫算法 序列概率过程 是什么样的?
      • 3.3 隐马尔科夫算法 问题篇

点击查看答案

  • 最大熵马尔科夫模型 MEMM 常见面试篇
    • 四、最大熵马尔科夫模型(MEMM)篇
      • 4.1 最大熵马尔科夫模型(MEMM)动机篇
        • 4.1.1 HMM 存在 什么问题?
      • 4.2 最大熵马尔科夫模型(MEMM)介绍篇
        • 4.2.1 最大熵马尔科夫模型(MEMM) 是什么样?
        • 4.2.2 最大熵马尔科夫模型(MEMM) 如何解决 HMM 问题?
      • 4.3 最大熵马尔科夫模型(MEMM)问题篇

点击查看答案

  • 条件随机场(CRF) 常见面试篇
    • 五、条件随机场(CRF)篇
      • 5.1 CRF 动机篇
        • 5.1.1 HMM 和 MEMM 存在什么问题?
      • 5.2 CRF 介绍篇
        • 5.2.1 什么是 CRF?
        • 5.2.2 CRF 的 主要思想是什么?
        • 5.2.3 CRF 的定义是什么?
        • 5.2.4 CRF 的 流程是什么?
      • 5.3 CRF 优缺点篇
        • 5.3.1 CRF 的 优点在哪里?
        • 5.3.2 CRF 的 缺点在哪里?
      • 5.4 CRF 复现?
    • 六、对比篇
      • 6.1 CRF模型 和 HMM和MEMM模型 区别?

点击查看答案

  • DNN-CRF 常见面试篇
    • 一、基本信息
      • 1.1 命名实体识别 评价指标 是什么?
    • 二、传统的命名实体识别方法
      • 2.1 基于规则的命名实体识别方法是什么?
      • 2.2 基于无监督学习的命名实体识别方法是什么?
      • 2.3 基于特征的监督学习的命名实体识别方法是什么?
    • 三、基于深度学习的命名实体识别方法
      • 3.1 基于深度学习的命名实体识别方法 相比于 基于机器学习的命名实体识别方法的优点?
      • 3.2 基于深度学习的命名实体识别方法 的 结构是怎么样?
      • 3.3 分布式输入层 是什么,有哪些方法?
      • 3.4 文本编码器篇
        • 3.4.1 BiLSTM-CRF 篇
          • 3.4.1.1 什么是 BiLSTM-CRF?
          • 3.4.1.2 为什么要用 BiLSTM?
        • 3.4.2 IDCNN-CRF 篇
          • 3.4.2.1 什么是 Dilated CNN?
          • 3.4.2.2 为什么会有 Dilated CNN?
          • 3.4.2.3 Dilated CNN 的优点?
          • 3.4.2.4 IDCNN-CRF 介绍
      • 3.5 标签解码器篇
        • 3.5.1 标签解码器是什么?
        • 3.5.2 MLP+softmax层 介绍?
        • 3.5.3 条件随机场CRF层 介绍?
        • 3.5.4 循环神经网络RNN层 介绍?
        • 3.5.3 指针网路层 介绍?
    • 四、对比 篇
      • 4.1 CNN-CRF vs BiLSTM-CRF vs IDCNN-CRF?
      • 4.2 为什么 DNN 后面要加 CRF?
      • 4.3 CRF in TensorFlow V.S. CRF in discrete toolkit?

点击查看答案

  • 中文领域 NER 常见面试篇
    • 一、动机篇
      • 1.1 中文命名实体识别 与 英文命名实体识别的区别?
    • 二、词汇增强篇
      • 2.1 什么是 词汇增强?
      • 2.2 为什么说 「词汇增强」 方法对于中文 NER 任务有效呢?
      • 2.3 词汇增强 方法有哪些?
      • 2.4 Dynamic Architecture
        • 2.4.1 什么是 Dynamic Architecture?
        • 2.4.2 常用方法有哪些?
        • 2.4.3 什么是 Lattice LSTM ,存在什么问题?
        • 2.4.4 什么是 FLAT ,存在什么问题?
      • 2.5 Adaptive Embedding 范式
        • 2.5.1 什么是 Adaptive Embedding 范式?
        • 2.5.2 常用方法有哪些?
        • 2.5.3 什么是 WC-LSTM ,存在什么问题?
    • 三、词汇/实体类型信息增强篇
      • 3.1 什么是 词汇/实体类型信息增强?
      • 3.2 为什么说 「词汇/实体类型信息增强」 方法对于中文 NER 任务有效呢?
      • 3.3 词汇/实体类型信息增强 方法有哪些?
      • 3.4 什么是 LEX-BERT ?

点击查看答案

  • 命名实体识别 trick 常见面试篇
    • trick 1:领域词典匹配
    • trick 2:规则抽取
    • trick 3:词向量选取:词向量 or 字向量?
    • trick 4:特征提取器 如何选择?
    • trick 5:专有名称 怎么 处理?
    • trick 6:标注数据 不足怎么处理?
    • trick 7:嵌套命名实体识别怎么处理
      • 7.1 什么是实体嵌套?
      • 7.2 与 传统命名实体识别任务的区别
      • 7.3 解决方法:
        • 7.3.1 方法一:序列标注
        • 7.3.2 方法二:指针标注
        • 7.3.3 方法三:多头标注
        • 7.3.4 方法四:片段排列
    • trick 8:为什么说 「词汇增强」 方法对于中文 NER 任务有效?
    • trick 9:NER实体span过长怎么办?
    • trick 10: NER 标注数据噪声问题?
    • trick 11: 给定两个命名实体识别任务,一个任务数据量足够,另外一个数据量很少,可以怎么做?
    • trick 12: NER 标注数据不均衡问题?

点击查看答案

4.1.2 关系抽取 常见面试篇
  • 关系抽取 常见面试篇
    • 一、动机篇
      • 1.1 什么是关系抽取?
      • 1.2 关系抽取技术有哪些类型?
      • 1.3 常见的关系抽取流程是怎么做的?
    • 二、经典关系抽取篇
      • 2.1 模板匹配方法是指什么?有什么优缺点?
      • 2.2 远监督关系抽取是指什么?它有什么优缺点?
      • 2.3 什么是关系重叠?复杂关系问题?
      • 2.4 联合抽取是什么?难点在哪里?
      • 2.5 联合抽取总体上有哪些方法?各有哪些缺点?
      • 2.6 介绍基于共享参数的联合抽取方法?
      • 2.7 介绍基于联合解码的联合抽取方法?
      • 2.8 实体关系抽取的前沿技术和挑战有哪些?如何解决低资源和复杂样本下的实体关系抽取?
    • 三、文档级关系抽取篇
      • 3.1 文档级关系抽取与经典关系抽取有何区别?
      • 3.2 文档级别关系抽取中面临什么样的问题?
      • 3.3 文档级关系抽取的方法有哪些?
        • 3.3.1 基于BERT-like的文档关系抽取是怎么做的?
        • 3.3.2 基于graph的文档关系抽取是怎么做的?
      • 3.4 文档级关系抽取常见数据集有哪些以及其评估方法?

点击查看答案

4.1.3 事件抽取 常见面试篇
  • 事件抽取 常见面试篇
    • 一、原理篇
      • 1.1 什么是事件?
      • 1.2 什么是事件抽取?
      • 1.3 ACE测评中事件抽取涉及的几个基本术语及任务是什么?
      • 1.4 事件抽取怎么发展的?
      • 1.5 事件抽取存在什么问题?
    • 二、基本任务篇
      • 2.1 触发词检测
        • 2.1.1 什么是触发词检测?
        • 2.1.2 触发词检测有哪些方法?
      • 2.2 类型识别
        • 2.2.1 什么是类型识别?
        • 2.2.2 类型识别有哪些方法?
      • 2.3 角色识别
        • 2.3.1 什么是角色识别?
        • 2.3.2 角色识别有哪些方法?
      • 2.4 论元检测
        • 2.4.1 什么是论元检测?
        • 2.4.2 论元检测有哪些方法?
    • 三、常见方法篇
      • 3.1 模式匹配方法怎么用在事件抽取中?
      • 3.2 统计机器学习方法怎么用在事件抽取中?
      • 3.3 深度学习方法怎么用在事件抽取中?
    • 四、数据集及评价指标篇
      • 4.1 事件抽取中常见的英文数据集有哪些?
      • 4.2 事件抽取中常见的中文数据集有哪些?
      • 4.3 事件抽取的评价指标是什么?怎么计算的?
    • 五、对比篇
      • 5.1 事件抽取和命名实体识别(即实体抽取)有什么异同?
      • 5.2 事件抽取和关系抽取有什么异同?
      • 5.3 什么是事理图谱?有哪些事件关系类型?事理图谱怎么构建?主要技术领域及当前发展热点是什么?
    • 六、应用篇
    • 七、拓展篇
      • 7.1 事件抽取论文综述
      • 7.2 事件抽取常见问题

4.2 NLP 预训练算法 常见面试篇

  • 【关于TF-idf】那些你不知道的事
    • 一、one-hot 篇
      • 1.1 为什么有 one-hot ?
      • 1.2 one-hot 是什么?
      • 1.3 one-hot 有什么特点?
      • 1.4 one-hot 存在哪些问题?
    • 二、TF-IDF 篇
      • 2.1 什么是 TF-IDF?
      • 2.2 TF-IDF 如何评估词的重要程度?
      • 2.3 TF-IDF 的思想是什么?
      • 2.4 TF-IDF 的计算公式是什么?
      • 2.5 TF-IDF 怎么描述?
      • 2.6 TF-IDF 的优点是什么?
      • 2.7 TF-IDF 的缺点是什么?
      • 2.8 TF-IDF 的应用?

点击查看答案

  • 【关于word2vec】那些你不知道的事
    • 一、Wordvec 介绍篇
      • 1.1 Wordvec 指什么?
      • 1.2 Wordvec 中 CBOW 指什么?
      • 1.3 Wordvec 中 Skip-gram 指什么?
      • 1.4 CBOW vs Skip-gram 哪一个好?
    • 二、Wordvec 优化篇
      • 2.1 Word2vec 中 霍夫曼树 是什么?
      • 2.2 Word2vec 中 为什么要使用 霍夫曼树?
      • 2.3 Word2vec 中使用 霍夫曼树 的好处?
      • 2.4 为什么 Word2vec 中会用到 负采样?
      • 2.5 Word2vec 中会用到 负采样 是什么样?
      • 2.6 Word2vec 中 负采样 的采样方式?
    • 三、Wordvec 对比篇
      • 3.1 word2vec和NNLM对比有什么区别?(word2vec vs NNLM)
      • 3.2 word2vec和tf-idf 在相似度计算时的区别?
    • 四、word2vec 实战篇
      • 4.1 word2vec训练trick,window设置多大?
      • 4.1 word2vec训练trick,词向量纬度,大与小有什么影响,还有其他参数?

点击查看答案

  • 【关于FastText】那些你不知道的事
    • 一、fastText 动机篇
      • 1.1 word-level Model 是什么?
      • 1.2 word-level Model 存在什么问题?
      • 1.3 Character-Level Model 是什么?
      • 1.4 Character-Level Model 优点?
      • 1.5 Character-Level Model 存在问题?
      • 1.6 Character-Level Model 问题的解决方法?
    • 二、 词内的n-gram信息(subword n-gram information) 介绍篇
      • 2.1 引言
      • 2.2 fastText 是什么?
      • 2.3 fastText 的结构是什么样?
      • 2.4 为什么 fastText 要使用词内的n-gram信息(subword n-gram information)?
      • 2.5 fastText 词内的n-gram信息(subword n-gram information) 介绍?
      • 2.6 fastText 词内的n-gram信息 的 训练过程?
      • 2.7 fastText 词内的n-gram信息 存在问题?
    • 三、 层次化Softmax回归(Hierarchical Softmax) 介绍篇
      • 3.1 为什么要用 层次化Softmax回归(Hierarchical Softmax) ?
      • 3.2 层次化Softmax回归(Hierarchical Softmax) 的思想是什么?
      • 3.3 层次化Softmax回归(Hierarchical Softmax) 的步骤?
    • 四、fastText 存在问题?

点击查看答案

  • 【关于Elmo】那些你不知道的事
    • 一、Elmo 动机篇
      • 1.1 为什么会有 Elmo?
    • 二、Elmo 介绍篇
      • 2.1 Elmo 的 特点?
      • 2.2 Elmo 的 思想是什么?
    • 三、Elmo 问题篇
      • 3.1 Elmo 存在的问题是什么?

点击查看答案

4.3 Bert 常见面试篇

  • Bert 常见面试篇
    • 一、动机篇
      • 1.1 【演变史】one-hot 存在问题?
      • 1.2【演变史】wordvec 存在问题?
      • 1.3【演变史】fastText 存在问题?
      • 1.4【演变史】elmo 存在问题?
    • 二、Bert 篇
      • 2.1 Bert 介绍篇
        • 2.1.1【BERT】Bert 是什么?
        • 2.1.2【BERT】Bert 三个关键点?
      • 2.2 Bert 输入输出表征篇
        • 2.2.1 【BERT】Bert 输入输出表征长啥样?
      • 2.3 【BERT】Bert 预训练篇
        • 2.3.1 【BERT】Bert 预训练任务介绍
        • 2.3.2 【BERT】Bert 预训练任务 之 Masked LM 篇
          • 2.3.2.1 【BERT】 Bert 为什么需要预训练任务 Masked LM ?
          • 2.3.2.2 【BERT】 Bert 预训练任务 Masked LM 怎么做?
          • 2.3.2.3 【BERT】 Bert 预训练任务 Masked LM 存在问题?
          • 2.3.2.4 【BERT】 预训练和微调之间的不匹配的解决方法?
        • 2.3.3 【BERT】Bert 预训练任务 之 Next Sentence Prediction 篇
          • 2.3.3.1 【BERT】Bert 为什么需要预训练任务 Next Sentence Prediction ?
          • 2.3.3.2 【BERT】 Bert 预训练任务 Next Sentence Prediction 怎么做?
      • 2.4 【BERT】 fine-turning 篇?
        • 2.4.1 【BERT】为什么 Bert 需要 fine-turning?
        • 2.4.2 【BERT】 Bert 如何 fine-turning?
      • 2.5 【BERT】 Bert 损失函数篇?
        • 2.5.1 【BERT】BERT的两个预训练任务对应的损失函数是什么(用公式形式展示)?
    • 三、 对比篇?
      • 3.1 【对比】多义词问题是什么?
      • 3.2 【对比】word2vec 为什么解决不了多义词问题?
      • 3.3 【对比】GPT和BERT有什么不同?
      • 3.4 【对比】为什么 elmo、GPT、Bert能够解决多义词问题?(以 elmo 为例)

点击查看答案

4.3.1 Bert 模型压缩 常见面试篇
  • Bert 模型压缩 常见面试篇
    • 一、Bert 模型压缩 动机篇
    • 二、Bert 模型压缩对比表
    • 三、 Bert 模型压缩方法介绍
      • 3.1 Bert 模型压缩方法 之 低秩因式分解&跨层参数共享
        • 3.1.1 什么是低秩因式分解?
        • 3.1.2 什么是跨层参数共享?
        • 3.1.3 ALBERT 所所用的方法?
      • 3.2 Bert 模型压缩方法 之 蒸馏
        • 3.2.1 什么是蒸馏?
        • 3.2.2 使用 模型蒸馏 的论文 有哪些,稍微介绍一下?
      • 3.3 Bert 模型压缩方法 之 量化
        • 3.3.1 什么是量化?
        • 3.3.2 Q-BERT: Hessian Based Ultra Low Precision Quantization of BERT 【量化】
      • 3.4 Bert 模型压缩方法 之 剪枝
        • 3.4.1 什么是剪枝?
    • 四、模型压缩存在问题?

点击查看答案

4.3.2 Bert 模型系列 常见面试篇
  • 认识 XLNet 么?能不能讲一下? 和 Bert 的 区别在哪里?
  • 认识 RoBERTa 么?能不能讲一下? 和 Bert 的 区别在哪里?
  • 认识 SpanBERT 么?能不能讲一下? 和 Bert 的 区别在哪里?
  • 认识 MASS 么?能不能讲一下? 和 Bert 的 区别在哪里?

点击查看答案

4.4 文本分类 常见面试篇

  • 文本分类 常见面试篇
    • 一、 抽象命题
      • 1.1 分类任务有哪些类别?它们都有什么特征?
      • 1.2 文本分类任务相较于其他领域的分类任务有何不同之处?
      • 1.3 文本分类任务和文本领域的其他任务相比有何不同之处?
      • 1.4 文本分类的过程?
    • 二、数据预处理
      • 2.1 文本分类任务的数据预处理方法有哪些?
      • 2.2 你使用过哪些分词方法和工具?
      • 2.3 中文文本分词的方法?
      • 2.4 基于字符串匹配的分词方法的原理 是什么?
      • 2.5 统计语言模型如何应用于分词?N-gram最大概率分词?
      • 2.6 基于序列标注的分词方法 是什么?
      • 2.7 基于(Bi-)LSTM的词性标注 是什么?
      • 2.8 词干提取和词形还原有什么区别?
    • 三、特征提取
      • 3.1 (一个具体的)文本分类任务可以使用哪些特征?
      • 3.2 (对于西文文本)使用单词和使用字母作为特征相比,差异如何?
      • 3.3 能不能简单介绍下词袋模型?
      • 3.4 n-gram 篇
        • 3.4.1 什么是n元语法?为什么要用n-gram?
        • 3.4.2 n-gram算法的局限性是什么?
      • 3.5 主题建模篇
        • 3.5.1 介绍一下主题建模任务?
        • 3.5.2 主题建模的常用方法
        • 3.5.3 TF-IDF算法是做什么的?简单介绍下TF-IDF算法
        • 3.5.4 tf-idf高意味着什么?
        • 3.5.5 tf-idf的不足之处
      • 3.6 文本相似度篇
        • 3.6.1 如何计算两段文本之间的距离?
        • 3.6.2 什么是jaccard距离?
        • 3.6.3 Dice系数和Jaccard系数的区别?
        • 3.6.4 同样是编辑距离,莱文斯坦距离和汉明距离的区别在哪里?
        • 3.6.5 写一下计算编辑距离(莱温斯坦距离)的编程题吧?
    • 四、模型篇
      • 4.1 fastText 篇
        • 4.1.1 fastText的分类过程?
        • 4.1.2 fastText的优点?
      • 4.2 TextCNN 篇
        • 4.2.1 TextCNN进行文本分类的过程?
        • 4.2.2 TextCNN可以调整哪些参数?
        • 4.2.3 使用CNN作为文本分类器时,不同通道channels对应着文本的什么信息?
        • 4.2.4 TextCNN中卷积核的长与宽代表了什么?
        • 4.2.5 在TextCNN中的pooling操作与一般CNN的pooling操作有何不同?
        • 4.2.6 TextCNN的局限性?
      • 4.3 DPCNN 篇
        • 4.3.1 如何解决长文本分类任务?
        • 4.3.2 简单介绍DPCNN模型相较于TextCNN的改进?
      • 4.4 TextRCNN 篇
        • 4.4.1 简要介绍TextRCNN相较于TextCNN的改进?
      • 4.5 RNN+Attention 篇
        • 4.5.1 RNN+Attention进行文本分类任务的思路,以及为什么要加Attention / 注意力机制如何应用于文本分类领域?
      • 4.6 GNN 图神经网络篇
        • 4.6.1 GNN 图神经网络如何应用于文本分类领域?
      • 4.7 Transformer 篇
        • 4.7.1 基于Transformer的预训练模型如何应用于文本分类领域?
      • 4.8 预训练模型 篇
        • 4.8.1 你了解哪些预训练模型?它们的特点是什么?
    • 五、损失函数
      • 5.1 激活函数sigmoid篇
        • 5.1.1 二分类问题使用的激活函数sigmoid简介?
        • 5.1.2 Sigmod的缺点是什么?
      • 5.2 激活函数softmax篇
        • 5.2.1 softmax函数是什么?
        • 5.2.2 softmax函数怎么求导?
      • 5.3 分类问题使用的损失函数还有有哪些?
    • 六、模型评估和算法比较
      • 6.1 文本分类任务使用的评估算法和指标有哪些?
      • 6.2 简单介绍混淆矩阵和kappa?

点击查看答案

  • 文本分类 trick 常见面试篇
    • 一、文本分类数据预处理 如何做?
    • 二、文本分类 预训练模型 如何选择?
    • 三、文本分类 参数 如何优化?
    • 四、文本分类 有哪些棘手任务?
    • 五、文本分类 标签体系构建?
    • 六、文本分类 策略构建?

点击查看答案

  • 用检索的方式做文本分类 常见面试篇
    • 为什么需要用检索的方式做文本分类?
    • 基于检索的方法做文本分类思路?
    • 检索的方法的召回库如何构建?
    • 检索的方法 的 训练阶段 如何做?
    • 检索的方法 的 预测阶段 如何做?
    • 用检索的方式做文本分类 方法 适用场景有哪些?

点击查看答案

4.5 文本匹配 常见面试篇

点击查看答案

点击查看答案

4.6 问答系统 常见面试篇

  • 一、动机
    • 1.1 问答系统的动机?
    • 1.2 问答系统 是什么?
  • 二、FAQ 检索式问答系统介绍篇
    • 2.1 FAQ 检索式问答系统 是 什么?
    • 2.2 query 匹配标准 QA 的核心是什么?
  • 三、FAQ 检索式问答系统 方案篇
    • 3.1 常用 方案有哪些?
    • 3.2 为什么 QQ 匹配比较常用?
      • 3.2.1 QQ 匹配的优点有哪些?
      • 3.2.2 QQ 匹配的语义空间是什么?
      • 3.2.3 QQ 匹配的语料的稳定性是什么?
      • 3.2.4 QQ 匹配的业务回答与算法模型的解耦是什么?
      • 3.2.5 QQ 匹配的新问题发现与去重是什么?
      • 3.2.6 QQ 匹配的上线运行速度是什么?
    • 3.3 QQ 匹配一般处理流程是怎么样? 【假设 标准问题库 已处理好】
  • 四、FAQ 标准问题库构建篇
    • 4.1 如何发现 FAQ 中标准问题?
    • 4.2 FAQ 如何做拆分?
    • 4.3 FAQ 如何做合并?
    • 4.4 FAQ 标准库如何实时更新?
  • 五、FAQ 标准问题库答案优化篇
    • 5.1 FAQ 标准问题库答案如何优化?

点击查看答案

4.6.2 问答系统工具篇 常见面试篇
  • Faiss 常见面试篇
    • 一、动机篇
      • 1.1 传统的相似度算法所存在的问题?
    • 二、介绍篇
      • 2.1 什么是 Faiss ?
      • 2.2 Faiss 如何使用?
      • 2.3 Faiss原理与核心算法
    • 三、Faiss 实战篇
      • 3.1 Faiss 如何安装?
      • 3.2 Faiss 的索引Index有哪些?
      • 3.3 Faiss 的索引Index都怎么用?
        • 3.3.1 数据预备
        • 3.3.2 暴力美学 IndexFlatL2
        • 3.3.3 闪电侠 IndexIVFFlat
        • 3.3.4 内存管家 IndexIVFPQ
      • 3.4 Faiss 然后使用 GPU?
    • 四、 Faiss 对比篇
      • 4.1 sklearn cosine_similarity 和 Faiss 哪家强

4.7 对话系统 常见面试篇

  • 对话系统 常见面试篇
    • 一、对话系统 介绍篇
      • 1.1 对话系统有哪几种?
      • 1.2 这几种对话系统的区别?
    • 二、多轮对话系统 介绍篇
      • 2.1 为什么要用 多轮对话系统?
      • 2.2 常见的多轮对话系统解决方案是什么?
    • 三、任务型对话系统 介绍篇
      • 3.1 什么是任务型对话系统?
      • 3.2 任务型对话系统的流程是怎么样?
      • 3.3 任务型对话系统 语言理解(SLU)篇
        • 3.3.1 什么是 语言理解(SLU)?
        • 3.3.2 语言理解(SLU)的输入输出是什么?
        • 3.3.3 语言理解(SLU)所使用的技术是什么?
      • 3.4 任务型对话系统 DST(对话状态跟踪)篇
        • 3.4.1 什么是 DST(对话状态跟踪)?
        • 3.4.2 DST(对话状态跟踪)的输入输出是什么?
        • 3.4.3 DST(对话状态跟踪)存在问题和解决方法?
        • 3.4.4 DST(对话状态跟踪)实现方式是什么?
      • 3.5 任务型对话系统 DPO(对话策略学习)篇
        • 3.5.1 DPO(对话策略学习)是什么?
        • 3.5.2 DPO(对话策略学习)的输入输出是什么?
        • 3.5.3 DPO(对话策略学习)的实现方法是什么?
      • 3.6 任务型对话系统 NLG(自然语言生成)篇
        • 3.6.1 NLG(自然语言生成)是什么?
        • 3.6.2 NLG(自然语言生成)的输入输出是什么?
        • 3.6.3 NLG(自然语言生成)的实现方式?

点击查看答案

4.8 知识图谱 常见面试篇

  • 一、知识图谱简介
    • 1.1 引言
    • 1.2 什么是知识图谱呢?
      • 1.2.1 什么是图(Graph)呢?
      • 1.2.2 什么是 Schema 呢?
    • 1.3 知识图谱的类别有哪些?
    • 1.4 知识图谱的价值在哪呢?
  • 二、怎么构建知识图谱呢?
    • 2.1 知识图谱的数据来源于哪里?
    • 2.2 信息抽取的难点在哪里?
    • 2.3 构建知识图谱所涉及的技术?
    • 2.4、知识图谱的具体构建技术是什么?
      • 2.4.1 实体命名识别(Named Entity Recognition)
      • 2.4.2 关系抽取(Relation Extraction)
      • 2.4.3 实体统一(Entity Resolution)
      • 2.4.4 指代消解(Disambiguation)
  • 三、知识图谱怎么存储?
  • 四、知识图谱可以做什么?

点击查看答案

  • 一、基于词典和规则的方法
    • 基于词典和规则的方法 实现 KBQA?
    • 基于词典和规则的方法 实现 KBQA 流程?
  • 二、基于信息抽取的方法
    • 基于信息抽取的方法 实现 KBQA 流程?

点击查看答案

  • 一、Neo4J 介绍与安装
    • 1.1 引言
    • 1.2 Neo4J 怎么下载?
    • 1.3 Neo4J 怎么安装?
    • 1.4 Neo4J Web 界面 介绍
    • 1.5 Cypher查询语言是什么?
  • 二、Neo4J 增删查改篇
    • 2.1 引言
    • 2.2 Neo4j 怎么创建节点?
    • 2.3 Neo4j 怎么创建关系?
    • 2.4 Neo4j 怎么创建 出生地关系?
    • 2.5 Neo4j 怎么查询?
    • 2.6 Neo4j 怎么删除和修改?
  • 三、如何利用 Python 操作 Neo4j 图数据库?
    • 3.1 neo4j模块:执行CQL ( cypher ) 语句是什么?
    • 3.2 py2neo模块是什么?
  • 四、数据导入 Neo4j 图数据库篇

点击查看答案

  • 一、动机篇
    • 1.1 什么是文本摘要?
    • 1.2 文本摘要技术有哪些类型?
  • 二、抽取式摘要篇
    • 2.1 抽取式摘要是怎么做的?
      • 2.1.1 句子重要性评估算法有哪些?
      • 2.1.2 基于约束的摘要生成方法有哪些?
      • 2.1.3 TextTeaser算法是怎么抽取摘要的?
      • 2.1.4 TextRank算法是怎么抽取摘要的?
    • 2.2 抽取式摘要的可读性问题是什么?
  • 三、压缩式摘要篇
    • 3.1 压缩式摘要是怎么做的?
  • 四、生成式摘要篇
    • 4.1 生成式摘要是怎么做的?
    • 4.2 生成式摘要存在哪些问题?
    • 4.3 Pointer-generator network解决了什么问题?
  • 五、摘要质量评估方法
    • 5.1 摘要质量的评估方法有哪些类型?
    • 5.2 什么是ROUGE?
    • 5.3 几种ROUGE指标之间的区别是什么?
    • 5.4 BLEU和ROUGE有什么不同?

点击查看答案

  • 一、介绍篇
    • 1.1 什么是文本纠错?
    • 1.2 常见的文本错误类型?
    • 1.3 文本纠错 常用方法?
  • 二、pipeline 方法 介绍篇
    • pipeline 中的 错误检测 如何实现?
    • pipeline 中的 候选召回 如何实现?
    • pipeline 中的 纠错排序 如何实现?
    • pipeline 中的 ASR 回显优化 如何实现?

点击查看答案

  • 一、动机篇
    • 1.1 什么是文本摘要?
    • 1.2 文本摘要技术有哪些类型?
  • 二、抽取式摘要篇
    • 2.1 抽取式摘要是怎么做的?
      • 2.1.1 句子重要性评估算法有哪些?
      • 2.1.2 基于约束的摘要生成方法有哪些?
      • 2.1.3 TextTeaser算法是怎么抽取摘要的?
      • 2.1.4 TextRank算法是怎么抽取摘要的?
    • 2.2 抽取式摘要的可读性问题是什么?
  • 三、压缩式摘要篇
    • 3.1 压缩式摘要是怎么做的?
  • 四、生成式摘要篇
    • 4.1 生成式摘要是怎么做的?
    • 4.2 生成式摘要存在哪些问题?
    • 4.3 Pointer-generator network解决了什么问题?
  • 五、摘要质量评估方法
    • 5.1 摘要质量的评估方法有哪些类型?
    • 5.2 什么是ROUGE?
    • 5.3 几种ROUGE指标之间的区别是什么?
    • 5.4 BLEU和ROUGE有什么不同?

点击查看答案

4.12 文本生成 常见面试篇

点击查看答案

三、深度学习算法篇 常见面试篇

  • CNN 常见面试篇
    • 一、动机篇
    • 二、CNN 卷积层篇
      • 2.1 卷积层的本质是什么?
      • 2.2 CNN 卷积层与全连接层的联系?
      • 2.3 channel的含义是什么?
    • 三、CNN 池化层篇
      • 3.1 池化层针对区域是什么?
      • 3.2 池化层的种类有哪些?
      • 3.3 池化层的作用是什么?
      • 3.4 池化层 反向传播 是什么样的?
      • 3.5 mean pooling 池化层 反向传播 是什么样的?
      • 3.6 max pooling 池化层 反向传播 是什么样的?
    • 四、CNN 整体篇
      • 4.1 CNN 的流程是什么?
      • 4.2 CNN 的特点是什么?
      • 4.3 卷积神经网络为什么会具有平移不变性?
      • 4.4 卷积神经网络中im2col是如何实现的?
      • 4.5 CNN 的局限性是什么?
    • 五、Iterated Dilated CNN 篇
      • 5.1 什么是 Dilated CNN 空洞卷积?
      • 5.2 什么是 Iterated Dilated CNN?
    • 六、反卷积 篇
      • 6.1 解释反卷积的原理和用途?

点击查看答案

  • RNN 常见面试篇
    • 一、RNN 篇
      • 1.2 为什么需要 RNN?
      • 1.2 RNN 结构是怎么样的?
      • 1.3 RNN 前向计算公式?
      • 1.4 RNN 存在什么问题?
    • 二、长短时记忆网络(Long Short Term Memory Network, LSTM) 篇
      • 2.1 为什么 需要 LSTM?
      • 2.2 LSTM 的结构是怎么样的?
      • 2.3 LSTM 如何缓解 RNN 梯度消失和梯度爆炸问题?
      • 2.3 LSTM 的流程是怎么样的?
      • 2.4 LSTM 中激活函数区别?
      • 2.5 LSTM的复杂度?
      • 2.6 LSTM 存在什么问题?
    • 三、GRU (Gated Recurrent Unit)
      • 3.1 为什么 需要 GRU?
      • 3.2 GRU 的结构是怎么样的?
      • 3.3 GRU 的前向计算?
      • 3.4 GRU 与其他 RNN系列模型的区别?
    • 四、RNN系列模型篇
      • 4.1 RNN系列模型 有什么特点?

点击查看答案

  • Attention 常见面试篇
    • 一、seq2seq 篇
      • 1.1 seq2seq (Encoder-Decoder)是什么?
      • 1.2 seq2seq 中 的 Encoder 怎么样?
      • 1.3 seq2seq 中 的 Decoder 怎么样?
      • 1.4 在 数学角度上 的 seq2seq ,你知道么?
      • 1.5 seq2seq 存在 什么 问题?
    • 二、Attention 篇
      • 2.1 什么是 Attention?
      • 2.2 为什么引入 Attention机制?
      • 2.3 Attention 有什么作用?
      • 2.4 Attention 流程是怎么样?
        • 步骤一 执行encoder (与 seq2seq 一致)
        • 步骤二 计算对齐系数 a
        • 步骤三 计算上下文语义向量 C
        • 步骤四 更新decoder状态
        • 步骤五 计算输出预测词
      • 2.5 Attention 的应用领域有哪些?
    • 三、Attention 变体篇
      • 3.1 Soft Attention 是什么?
      • 3.2 Hard Attention 是什么?
      • 3.3 Global Attention 是什么?
      • 3.4 Local Attention 是什么?
      • 3.5 self-attention 是什么?

点击查看答案

  • 生成对抗网络 GAN 常见面试篇
    • 一、动机
    • 二、介绍篇
      • 2.1 GAN 的基本思想
      • 2.2 GAN 基本介绍
        • 2.2.1 GAN 的基本结构
        • 2.2.2 GAN 的基本思想
    • 三、训练篇
      • 3.1 生成器介绍
      • 3.2 判别器介绍
      • 3.3 训练过程
      • 3.4 训练所涉及相关理论基础
    • 四、总结

点击查看答案

3.1 Transformer 常见面试篇

  • Transformer 常见面试篇
    • 一、动机篇
      • 1.1 为什么要有 Transformer?
      • 1.2 Transformer 作用是什么?
    • 二、整体结构篇
      • 2.1 Transformer 整体结构是怎么样?
      • 2.2 Transformer-encoder 结构怎么样?
      • 2.3 Transformer-decoder 结构怎么样?
    • 三、模块篇
      • 3.1 self-attention 模块
        • 3.1.1 传统 attention 是什么?
        • 3.1.2 为什么 会有self-attention?
        • 3.1.3 self-attention 的核心思想是什么?
        • 3.1.4 self-attention 的目的是什么?
        • 3.1.5 self-attention 的怎么计算的?
        • 3.1.6 self-attention 为什么Q和K使用不同的权重矩阵生成,为何不能使用同一个值进行自身的点乘?
        • 3.1.7 为什么采用点积模型的 self-attention 而不采用加性模型?
        • 3.1.8 Transformer 中在计算 self-attention 时为什么要除以 $\sqrt{d}$
        • 3.1.9 self-attention 如何解决长距离依赖问题?
        • 3.1.10 self-attention 如何并行化?
      • 3.2 multi-head attention 模块
        • 3.2.1 multi-head attention 的思路是什么样?
        • 3.2.2 multi-head attention 的步骤是什么样?
        • 3.2.3 Transformer为何使用多头注意力机制?(为什么不使用一个头)
        • 3.2.4 为什么在进行多头注意力的时候需要对每个head进行降维?
        • 3.2.5 multi-head attention 代码介绍
      • 3.3 位置编码(Position encoding)模块
        • 3.3.1 为什么要 加入 位置编码(Position encoding) ?
        • 3.3.2 位置编码(Position encoding)的思路是什么 ?
        • 3.3.3 位置编码(Position encoding)的作用是什么 ?
        • 3.3.4 位置编码(Position encoding)的步骤是什么 ?
        • 3.3.5 Position encoding为什么选择相加而不是拼接呢?
        • 3.3.6 Position encoding和 Position embedding的区别?
        • 3.3.7 为何17年提出Transformer时采用的是 Position Encoder 而不是Position Embedding?而Bert却采用的是 Position Embedding ?
        • 3.3.8 位置编码(Position encoding)的代码介绍
      • 3.4 残差模块模块
        • 3.4.1 为什么要 加入 残差模块?
      • 3.5 Layer normalization 模块
        • 3.5.1 为什么要 加入 Layer normalization 模块?
        • 3.5.2 Layer normalization 模块的是什么?
        • 3.5.3 Batch normalization 和 Layer normalization 的区别?
        • 3.5.4 Transformer 中为什么要舍弃 Batch normalization 改用 Layer normalization 呢?
        • 3.5.5 Layer normalization 模块代码介绍
      • 3.6 Mask 模块
        • 3.6.1 什么是 Mask?
        • 3.6.2 Transformer 中用到 几种 Mask?
        • 3.6.3 能不能介绍一下 Transformer 中用到几种 Mask?

点击查看答案

  • 【关于 Transformer 问题及改进】那些你不知道的事
    • 一、Transformer 问题篇
      • 1.1 既然 Transformer 怎么牛逼,是否还存在一些问题?
    • 二、每个问题的解决方法是什么?
      • 2.1 问题一:Transformer 不能很好的处理超长输入问题
        • 2.1.1 Transformer 固定了句子长度?
        • 2.1.2 Transformer 固定了句子长度 的目的是什么?
        • 2.1.3 Transformer 针对该问题的处理方法?
      • 2.2 问题二:Transformer 方向信息以及相对位置 的 缺失 问题
      • 2.3 问题三:缺少Recurrent Inductive Bias
      • 问题四:问题四:Transformer是非图灵完备的: 非图灵完备通俗的理解,就是无法解决所有的问题
      • 问题五:transformer缺少conditional computation;
      • 问题六:transformer 时间复杂度 和 空间复杂度 过大问题;

五、NLP 技巧面

5.1 少样本问题面

  • 一、动机篇
    • 1.1 什么是 数据增强?
    • 1.2 为什么需要 数据增强?
  • 二、常见的数据增强方法篇
    • 2.1 词汇替换篇
      • 2.1.1 什么是基于词典的替换方法?
      • 2.1.2 什么是基于词向量的替换方法?
      • 2.1.3 什么是基于 MLM 的替换方法?
      • 2.1.4 什么是基于 TF-IDF 的词替换?
    • 2.2 词汇插入篇
      • 2.2.1 什么是随机插入法?
    • 2.3 词汇交换篇
      • 2.3.1 什么是随机交换法?
    • 2.4 词汇删除篇
      • 2.4.1 什么是随机删除法?
    • 2.5 回译篇
      • 2.5.1 什么是回译法?
    • 2.6 交叉增强篇
      • 2.6.1 什么是 交叉增强篇
    • 2.7 语法树篇
      • 2.7.1 什么是语法树操作?
    • 2.8 对抗增强篇
      • 2.8.1 什么是对抗增强?

点击查看答案

  • 一、动机篇
    • 1.1 主动学习是什么?
    • 1.2 为什么需要主动学习?
  • 二、主动学习篇
    • 2.1 主动学习的思路是什么?
    • 2.2 主动学习方法 的价值点在哪里?
  • 三、样本选取策略篇
    • 3.1 以未标记样本的获取方式的差别进行划分
    • 3.2 测试集内选取“信息”量最大的数据标记
      • 3.2.1 测试集内选取“信息”量最大的数据标记
      • 3.2.2 依赖不确定度的样本选取策略(Uncertainty Sampling, US)
      • 3.2.3 基于委员会查询的方法(Query-By-Committee,QBC)

点击查看答案

  • 一、介绍篇
    • 1.1 什么是 对抗训练 ?
    • 1.2 为什么 对抗训练 能够 提高模型效果?
    • 1.3 对抗训练 有什么特点?
    • 1.4 对抗训练 的作用?
  • 二、概念篇
    • 2.1 对抗训练的基本概念?
    • 2.2 如何计算扰动?
    • 2.3 如何优化?
  • 三、实战篇
    • 3.1 NLP 中经典对抗训练 之 Fast Gradient Method(FGM)
    • 3.2 NLP 中经典对抗训练 之 Projected Gradient Descent(PGD)

点击查看答案

  • 一、动机
    • 1.1 何为“脏数据”?
    • 1.2 “脏数据” 会带来什么后果?
  • 二、“脏数据” 处理篇
    • 2.1 “脏数据” 怎么处理呢?
    • 2.2 置信学习方法篇
      • 2.2.1 什么是 置信学习方法?
      • 2.2.2 置信学习方法 优点?
      • 2.2.3 置信学习方法 怎么做?
      • 2.2.4 置信学习方法 怎么用?有什么开源框架?
      • 2.2.5 置信学习方法 的工作原理?

点击查看答案

  • 一、训练模型时,batch_size的设置,学习率的设置?

点击查看答案

  • 一、 为什么要用 早停法 EarlyStopping?
  • 二、 早停法 EarlyStopping 是什么?
  • 三、早停法 torch 版本怎么实现?

点击查看答案

  • 一、为什么要有 标签平滑法 LabelSmoothing?
  • 二、 标签平滑法 是什么?
  • 三、 标签平滑法 torch 怎么复现?

点击查看答案

5.6 Bert Trick 面试篇

  • 什么是 Bert 未登录词?
  • Bert 未登录词 如何处理?
  • Bert 未登录词各种处理方法 有哪些优缺点?

点击查看答案

  • BERT在输入层如何引入额外特征?

点击查看答案

  • 什么是 继续预训练?
  • 为什么会存在 【数据分布/领域差异】大 问题?
  • 如何进行 继续预训练?
  • 还有哪些待解决问题?
  • 训练数据问题解决方案?
  • 知识缺乏问题解决方案?
  • 知识理解缺乏问题解决方案?

点击查看答案

  • 为什么 Bert 不能 处理 长文本?
  • BERT 有哪些处理篇章级长文本?

点击查看答案

六、 Prompt Tuning 面试篇

  1. 什么是prompt?
  2. 如何设计prompt?
  3. prompt进阶——如何自动学习prompt?
  4. Prompt 有哪些关键要点?
  5. Prompt 如何实现?

点击查看答案

  1. Prompt之文本生成评估手段有哪些?
  2. Prompt文本生成具体任务有哪些?

点击查看答案

  1. 什么是lora?
  2. lora 是 怎么做的呢?
  3. lora 为什么可以这样做?
  4. 用一句话描述 lora?
  5. lora 优点是什么?
  6. lora 缺点是什么?
  7. lora 如何实现?

点击查看答案

  • 一、微调 Fine-tuning 篇
    • 1.1 什么是 微调 Fine-tuning ?
    • 1.2 微调 Fine-tuning 基本思想是什么?
  • 二、轻度微调(lightweight Fine-tuning)篇
    • 2.1 什么是 轻度微调(lightweight Fine-tuning)?
  • 三、适配器微调(Adapter-tuning)篇
    • 3.1 什么 是 适配器微调(Adapter-tuning)?
    • 3.2 适配器微调(Adapter-tuning)变体有哪些?
  • 四、提示学习(Prompting)篇
    • 4.1 什么是 提示学习(Prompting)?
    • 4.2 提示学习(Prompting)的目的是什么?
    • 4.3 提示学习(Prompting) 代表方法有哪些?
      • 4.3.1 前缀微调(Prefix-tining)篇
        • 4.3.1.1 什么是 前缀微调(Prefix-tining)?
        • 4.3.1.2 前缀微调(Prefix-tining)的核心是什么?
        • 4.3.1.3 前缀微调(Prefix-tining)的技术细节有哪些?
        • 4.3.1.4 前缀微调(Prefix-tining)的优点是什么?
        • 4.3.1.5 前缀微调(Prefix-tining)的缺点是什么?
      • 4.3.2 指示微调(Prompt-tuning)篇
        • 4.3.2.1 什么是 指示微调(Prompt-tuning)?
        • 4.3.2.2 指示微调(Prompt-tuning)的核心思想?
        • 4.3.2.3 指示微调(Prompt-tuning)的 优点/贡献 是什么?
        • 4.3.2.4 指示微调(Prompt-tuning)的 缺点 是什么?
        • 4.3.2.5 指示微调(Prompt-tuning)与 Prefix-tuning 区别 是什么?
        • 4.3.2.6 指示微调(Prompt-tuning)与 fine-tuning 区别 是什么?
      • 4.3.3 P-tuning 篇
        • 4.3.3.1 P-tuning 动机是什么?
        • 4.3.3.2 P-tuning 核心思想是什么?
        • 4.3.3.3 P-tuning 做了哪些改进?
        • 4.3.3.4 P-tuning 有哪些优点/贡献?
        • 4.3.3.5 P-tuning 有哪些缺点?
      • 4.3.4 P-tuning v2 篇
        • 4.3.4.1 为什么需要 P-tuning v2?
        • 4.3.4.2 P-tuning v2 是什么?
        • 4.3.4.3 P-tuning v2 有哪些优点?
        • 4.3.4.4 P-tuning v2 有哪些缺点?
      • 4.3.5 PPT 篇
        • 4.3.5.1 为什么需要 PPT ?
        • 4.3.5.2 PPT 核心思想 是什么?
        • 4.3.5.3 PPT 具体做法是怎么样?
        • 4.3.5.4 常用的soft prompt初始化方法?
        • 4.3.5.5 PPT 的优点是什么?
        • 4.3.5.6 PPT 的缺点是什么?
    • 4.4 提示学习(Prompting) 优点 是什么?
    • 4.5 提示学习(Prompting) 本质 是什么?
  • 五、指令微调(Instruct-tuning)篇
    • 5.1 为什么需要 指令微调(Instruct-tuning)?
    • 5.2 指令微调(Instruct-tuning)是什么?
    • 5.3 指令微调(Instruct-tuning)的优点是什么?
    • 5.4 指令微调(Instruct-tuning) vs 提升学习(Prompting)?
    • 5.5 指令微调(Instruct-tuning) vs 提升学习(Prompting) vs Fine-tuning?
  • 六、指令提示微调(Instruct Prompt tuning)篇
    • 6.1 为什么需要 指令微调(Instruct-tuning)?
    • 6.2 指令微调(Instruct-tuning) 是什么?
    • 6.3 指令微调(Instruct-tuning) 在不同任务上性能?
  • 七、self-instruct篇
    • 7.1 什么是 self-instruct?
  • 八、Chain-of-Thought 篇
    • 8.1 为什么需要 Chain-of-Thought ?
    • 8.2 什么是 Chain-of-Thought ?
    • 8.3 Chain-of-Thought 的思路是怎么样的?
    • 8.4 Chain-of-Thought 的优点是什么?
    • 8.5 为什么 chain-of-thought 会成功?
  • 九、LoRA 篇
    • 9.1 LoRA 篇
      • 9.1.1 LoRA 核心思想是什么?
      • 9.1.2 LoRA 具体思路是什么?
      • 9.1.3 LoRA 优点是什么?
      • 9.1.4 LoRA 缺点是什么?
    • 9.2 AdaLoRA 篇
      • 9.2.1 AdaLoRA 核心思想是什么?
      • 9.2.2 AdaLoRA 实现思路是什么?
    • 9.3 DyLoRA 篇
      • 9.3.1 AdaLoRA 动机是什么?
      • 9.3.2 AdaLoRA 核心思想是什么?
      • 9.3.3 AdaLoRA 优点是什么?
  • 十、BitFit 篇
    • 10.1 AdaLoRA 核心思想是什么?
    • 10.2 AdaLoRA 优点是什么?
    • 10.3 AdaLoRA 缺点是什么?

点击查看答案

七、LLMs 面试篇

  • 现在达模型LLM,微调方式有哪些?各有什么优缺点?

点击查看答案

  • GLM 的 核心是什么?
  • GLM 的 模型架构是什么?
  • GLM 如何进行 多任务训练?
  • 在进行 NLG 时, GLM 如何保证 生成长度的未知性?
  • GLM 的 多任务微调方式有什么差异?
  • GLM 的 多任务微调方式有什么优点?

点击查看答案

一、基础算法 常见面试篇

  • 过拟合和欠拟合 常见面试篇
    • 一、过拟合和欠拟合 是什么?
    • 二、过拟合/高方差(overfiting / high variance)篇
      • 2.1 过拟合是什么及检验方法?
      • 2.2 导致过拟合的原因是什么?
      • 2.3 过拟合的解决方法是什么?
    • 三、欠拟合/高偏差(underfiting / high bias)篇
      • 3.1 欠拟合是什么及检验方法?
      • 3.2 导致欠拟合的原因是什么?
      • 3.3 过拟合的解决方法是什么?

点击查看答案

  • BatchNorm vs LayerNorm 常见面试篇
    • 一、动机篇
      • 1.1 独立同分布(independent and identically distributed)与白化
      • 1.2 ( Internal Covariate Shift,ICS)
      • 1.3 ICS问题带来的后果是什么?
    • 二、Normalization 篇
      • 2.1 Normalization 的通用框架与基本思想
    • 三、Batch Normalization 篇
      • 3.1 Batch Normalization(纵向规范化)是什么?
      • 3.2 Batch Normalization(纵向规范化)存在什么问题?
      • 3.3 Batch Normalization(纵向规范化)适用的场景是什么?
      • 3.4 BatchNorm 存在什么问题?
    • 四、Layer Normalization(横向规范化) 篇
      • 4.1 Layer Normalization(横向规范化)是什么?
      • 4.2 Layer Normalization(横向规范化)有什么用?
    • 五、BN vs LN 篇
    • 六、主流 Normalization 方法为什么有效?

点击查看答案

  • 激活函数 常见面试篇

    • 一、动机篇
      • 1.1 为什么要有激活函数?
    • 二、激活函数介绍篇
      • 2.1 sigmoid 函数篇
        • 2.1.1 什么是 sigmoid 函数?
        • 2.1.2 为什么选 sigmoid 函数 作为激活函数?
        • 2.1.3 sigmoid 函数 有什么缺点?
      • 2.2 tanh 函数篇
        • 2.2.1 什么是 tanh 函数?
        • 2.2.2 为什么选 tanh 函数 作为激活函数?
        • 2.2.3 tanh 函数 有什么缺点?
      • 2.3 relu 函数篇
        • 2.3.1 什么是 relu 函数?
        • 2.3.2 为什么选 relu 函数 作为激活函数?
        • 2.3.3 relu 函数 有什么缺点?
    • 三、激活函数选择篇
  • 正则化常见面试篇

    • 一、L0,L1,L2正则化 篇
      • 1.1 正则化 是什么?
      • 1.2 什么是 L0 正则化 ?
      • 1.3 什么是 L1 (稀疏规则算子 Lasso regularization)正则化 ?
      • 1.4 什么是 L2 正则化(岭回归 Ridge Regression 或者 权重衰减 Weight Decay)正则化 ?
    • 二、对比篇
      • 2.1 什么是结构风险最小化?
      • 2.2 从结构风险最小化的角度理解L1和L2正则化
      • 2.3 L1 vs L2
    • 三、dropout 篇
      • 3.1 什么是 dropout?
      • 3.2 dropout 在训练和测试过程中如何操作?
      • 3.3 dropout 如何防止过拟合?

点击查看答案

  • 优化算法及函数 常见面试篇
    • 一、动机篇
      • 1.1 为什么需要 优化函数?
      • 1.2 优化函数的基本框架是什么?
    • 二、优化函数介绍篇
      • 2.1 梯度下降法是什么?
      • 2.2 随机梯度下降法是什么?
      • 2.3 Momentum 是什么?
      • 2.4 SGD with Nesterov Acceleration 是什么?
      • 2.5 Adagrad 是什么?
      • 2.6 RMSProp/AdaDelta 是什么?
      • 2.7 Adam 是什么?
      • 2.8 Nadam 是什么?
    • 三、优化函数学霸笔记篇

点击查看答案

  • 归一化 常见面试篇
    • 一、动机篇
      • 1.1 为什么要归一化?
    • 二、介绍篇
      • 2.1 归一化 有 哪些方法?
      • 2.2 归一化 各方法 特点?
      • 2.3 归一化 的 意义?
    • 三、应用篇
      • 3.1 哪些机器学习算法 需要做 归一化?
      • 3.2 哪些机器学习算法 不需要做 归一化?

点击查看答案

点击查看答案

二、机器学习算法篇 常见面试篇

  • 逻辑回归 常见面试篇
    • 一、介绍篇
      • 1.1什么是逻辑回归
      • 1.2逻辑回归的优势
    • 二、推导篇
      • 2.1逻辑回归推导
      • 2.2求解优化

点击查看答案

  • 支持向量机 常见面试篇
    • 一、原理篇
      • 1.1 什么是SVM?
        • Q.A
      • 1.2 SVM怎么发展的?
      • 1.3 SVM存在什么问题?
        • Q.A
    • 二、算法篇
      • 2.1 什么是块算法?
      • 2.2 什么是分解算法?
      • 2.3 什么是序列最小优化算法?
      • 2.4 什么是增量算法?
        • Q.A
    • 三、其他SVM篇
      • 3.1 什么是最小二次支持向量机?
      • 3.2 什么是模糊支持向量机?
      • 3.3 什么是粒度支持向量机?
      • 3.4 什么是多类训练算法?
      • 3.5 什么是孪生支持向量机?
      • 3.6 什么是排序支持向量机?
        • Q.A
    • 四、应用篇
      • 4.1 模式识别
      • 4.2 网页分类
      • 4.3 系统建模与系统辨识
      • 4.4 其他
    • 五、对比篇
    • 六、拓展篇

点击查看答案

  • 集成学习 常见面试篇
    • 一、动机
    • 二、集成学习介绍篇
      • 2.1 介绍篇
        • 2.1.1 集成学习的基本思想是什么?
        • 2.1.2 集成学习为什么有效?
    • 三、 Boosting 篇
      • 3.1 用一句话概括 Boosting?
      • 3.2 Boosting 的特点是什么?
      • 3.3 Boosting 的基本思想是什么?
      • 3.4 Boosting 的特点是什么?
      • 3.5 GBDT 是什么?
      • 3.6 Xgboost 是什么?
    • 四、Bagging 篇
      • 4.1 用一句话概括 Bagging?
      • 4.2 Bagging 的特点是什么?
      • 4.3 Bagging 的基本思想是什么?
      • 4.4 Bagging 的基分类器如何选择?
      • 4.5 Bagging 的优点 是什么?
      • 4.6 Bagging 的特点是什么?
      • 4.7 随机森林 是什么?
    • 五、 Stacking 篇
      • 5.1 用一句话概括 Stacking ?
      • 5.2 Stacking 的特点是什么?
      • 5.3 Stacking 的基本思路是什么?
    • 六、常见问题篇
      • 6.1 为什么使用决策树作为基学习器?
      • 6.2 为什么不稳定的学习器更适合作为基学习器?
      • 6.3 哪些模型适合作为基学习器?
      • 6.4 Bagging 方法中能使用线性分类器作为基学习器吗? Boosting 呢?
      • 6.5 Boosting/Bagging 与 偏差/方差 的关系?
    • 七、对比篇
      • 7.1 LR vs GBDT?

点击查看答案

  • 【关于 Python 】那些你不知道的事
    • 一、什么是*args 和 **kwargs?
      • 1.1 为什么会有 *args 和 **kwargs?
      • 1.2 *args 和 **kwargs 的用途是什么?
      • 1.3 *args 是什么?
      • 1.4 **kwargs是什么?
      • 1.5 *args 与 **kwargs 的区别是什么?
    • 二、什么是装饰器?
      • 2.1 装饰器是什么?
      • 2.2 装饰器怎么用?
    • 三、Python垃圾回收(GC)
      • 3.1 垃圾回收算法有哪些?
      • 3.2 引用计数(主要)是什么?
      • 3.3 标记-清除是什么?
      • 3.4 分代回收是什么?
    • 四、python的sorted函数对字典按key排序和按value排序
      • 4.1 python 的sorted函数是什么?
      • 4.2 python 的sorted函数举例说明?
    • 五、直接赋值、浅拷贝和深度拷贝
      • 5.1 概念介绍
      • 5.2 介绍
      • 5.3 变量定义流程
      • 5.3 赋值
      • 5.4 浅拷贝
      • 5.5 深度拷贝
      • 5.6 核心:不可变对象类型 and 可变对象类型
        • 5.6.1 不可变对象类型
        • 5.6.2 可变对象类型
    • 六、进程、线程、协程
      • 6.1 进程
        • 6.1.1 什么是进程?
        • 6.1.2 进程间如何通信?
      • 6.2 线程
        • 6.2.1 什么是线程?
        • 6.2.2 线程间如何通信?
      • 6.3 进程 vs 线程
        • 6.3.1 区别
        • 6.3.2 应用场景
      • 6.4 协程
        • 6.4.1 什么是协程?
        • 6.4.2 协程的优点?
    • 七、全局解释器锁
      • 7.1 什么是全局解释器锁?
      • 7.2 GIL有什么作用?
      • 7.3 GIL有什么影响?
      • 7.4 如何避免GIL带来的影响?
  • 【关于 Tensorflow 损失函数】 那些你不知道的事
    • 一、动机
    • 二、什么是损失函数?
    • 三、目标函数、损失函数、代价函数之间的关系与区别?
    • 四、损失函数的类别
      • 4.1 回归模型的损失函数
        • (1)L1正则损失函数(即绝对值损失函数)
        • (2)L2正则损失函数(即欧拉损失函数)
        • (3)均方误差(MSE, mean squared error)
        • (4)Pseudo-Huber 损失函数
      • 4.2 分类模型的损失函数
        • (1)Hinge损失函数
        • (2)两类交叉熵(Cross-entropy)损失函数
        • (3)Sigmoid交叉熵损失函数
        • (4)加权交叉熵损失函数
        • (5)Softmax交叉熵损失函数
        • (6) SparseCategoricalCrossentropy vs sparse_categorical_crossentropy
    • 五、总结