通常会问这些问题，以使应聘者熟悉面试官和面试环境。尽管问题本身可能很难回答，但此级别是你最好的机会，可以说服面试官您关于深度学习的基本概念很清楚。

　　你对这些问题的答案不必太详尽，但请记住，面试官可能会在稍后提出更高级的问题时回想起你的答案。相当于暗示面试官，你的技术大概会在什么程度。

　　1.感知器和逻辑回归之间有什么区别？

　　多层感知器（MLP）是我们用于分类的最基本的神经网络之一。对于二元分类问题，我们知道输出可以是0或1。这就像我们的简单逻辑回归一样，其中我们使用logit函数生成介于0和1之间的概率。

　　那么，两者有什么区别？

　　简而言之，这只是阈值函数的区别！当我们将逻辑回归模型限制为正好为1或正好为0时，我们得到一个Perceptron模型：

　　

　　2.我们是否可以对隐藏层的所有神经元具有相同的偏见？

　　本质上，你在每个层或每个神经元处也可以具有不同的偏差值。但是，最好对隐藏层中的所有神经元都有一个偏差矩阵。

　　需要注意的一点是，这两种策略都会给你带来截然不同的结果。

　　3.如果我们在神经网络中不使用任何激活函数，该怎么办？

　　这个问题的主要目的是理解为什么我们需要神经网络中的激活函数。你可以通过简单说明神经网络的构建方式来开始：

　　步骤1：根据权重计算所有输入（X）的总和，并包括偏差项：

　　Z=（权重* X）+偏差

　　步骤2：应用激活函数来计算预期的输出：

　　Y=激活（Z）

　　在每一层执行步骤1和2。如果回想一下，那无非是向前传播！现在，如果没有激活功能怎么办？

　　我们的Y方程基本上变为：

　　Y=Z=（权重* X）+偏差

　　等等-这不仅仅是一个简单的线性方程吗？是的-这就是为什么我们需要激活功能。线性方程将无法捕获数据中的复杂模式-在深度学习问题的情况下，这一点更加明显。

　　为了捕获非线性关系，我们使用激活函数，这就是为什么没有激活函数的神经网络只是线性回归模型的原因。

　　4.在神经网络中，如果所有权重都初始化为相同的值怎么办？

　　用最简单的话说，如果所有神经元的权重值相同，则每个隐藏单元将获得完全相同的信号。尽管这可能在正向传播过程中起作用，但每次反向传播过程中成本函数的导数都相同。

　　简而言之，网络上没有学习！你怎么称呼模型无法从数据中学习任何模式的现象？是的，不合身。

　　因此，如果所有权重都具有相同的初始值，则将导致拟合不足。

　　注意：这个问题可能会进一步引发有关爆炸梯度和消失梯度的问题，下面将对此进行介绍。

　　5.列出深度学习中的受监督和不受监督的任务。

　　现在，这可能是一个棘手的问题。可能存在一个误解，即深度学习只能解决无人监督的学习问题。不是这种情况。监督学习和深度学习的示例包括：

　　图片分类文字分类序列标记

　　另一方面，还有一些无监督的深度学习技术：

　　词嵌入（如跳过表和连续词袋）：了解词嵌入：从Word2Vec到计数向量自动编码器：学习如何使用自动编码器增强模糊的图像！

　　有一篇写这个的文章叫：深度学习的要点：无监督深度学习简介（使用Python代码，有兴趣的可以私信我要文章链接）

　　6.权重和偏差在神经网络中起什么作用？

　　这是一个用实际例子最好地解释的问题。考虑您今天想出去和朋友一起玩板球比赛。现在，许多因素都会影响您的决策，例如：

　　你有多少朋友可以加入游戏？你们所有人可以带多少设备？外面的温度是多少？

　　等等。这些因素可以极大地改变您的决定，也可以不改变太多。例如，如果外面正在下雨，那么您根本不能出去玩。或者，如果您只有一只蝙蝠，也可以在玩的同时分享它。这些因素影响游戏的大小称为该因素的权重。

　　诸如天气或温度之类的因素可能具有较高的权重，而诸如设备之类的其他因素可能具有较低的权重。

　　但是，这是否意味着我们只能用一只球棒参加板球比赛？不，我们也需要1个球和6个小门。这就是偏见出现的地方。偏差允许您分配一些阈值，仅在超过阈值时，该阈值才可以帮助您激活决策点（或神经元）。

　　7.深度学习中的正向传播和反向传播如何工作？

　　现在，可以用两种方式回答。如果你正在接受电话采访，则无法以书面形式进行所有演算并向采访者展示。在这种情况下，最好这样解释：

　　前向传播：为输入提供隐藏层的权重。在每个隐藏层，我们计算每个节点上激活的输出，并进一步传播到下一层，直到到达最终输出层。由于我们从输入开始到最终输出层，因此我们向前移动，这称为前向传播反向传播：通过了解成本函数随着神经网络中权重和偏差的变化而发生的变化，我们将其最小化。通过计算每个隐藏层的梯度（并使用链式规则）可获得此更改。由于我们从最终成本函数开始并返回每个隐藏层，因此我们向后移动，因此称为反向传播

　　对于面对面采访，最好拿起标记，创建一个具有2个输入，一个隐藏层和一个输出层的简单神经网络，并对其进行解释。

　　

　　正向传播：

　　

　　反向传播：

　　对于所有权重，在L2层：

　　

　　对于所有权重，在L1层：

　　

　　尽管你可能需要用上面的方程式代替实际的导数，但也不需要对偏置项进行解释。

　　8.深度学习中常用的数据结构是什么？

　　深度学习的范围从最简单的数据结构（如列表）到复杂的数据结构（如计算图）。

　　这是最常见的：

　　列表：元素的有序序列（你也可以在此处提及NumPy ndarrays）矩阵：具有行和列的元素的有序序列数据框：数据框就像矩阵一样，但是它包含实际数据，其中列名和行表示数据集中的每个数据点。如果将100名学生的分数，他们的成绩和他们的详细信息存储在数据框中，则他们的详细信息将存储为列。每行将代表100名学生中每人的数据张量：如果你尝试深度学习，则将每天与他们合作。张量在PyTorch和TensorFlow中都使用，就像深度学习的基本编程单元一样。就像多维数组一样，我们可以对它们执行许多数学运算。在这里关于张量的信息计算图：由于深度学习涉及多个层次，通常涉及数百个（即使不是数千个）参数，因此了解计算流程非常重要。计算图就是这样。计算图为我们提供了执行操作的顺序，每个节点表示神经网络中的操作或组件

　　希望对近期面试的各位读者有帮助，中高级以及进阶篇将在明天整理出来，如果感觉实用可以点赞关注一波，感谢各位的支持！