深度学习常见模型面试题及详细答案（实战接地气版）.docxVIP

深度学习常见模型面试题及详细答案（实战接地气版）

一、基础通用模型面试题

1、简单说说神经网络、深度学习、机器学习的区别和联系？

参考答案：

机器学习是大范畴，所有让机器从数据中学习规律、不用人工硬编码规则的算法都算，包含传统统计学习和深度学习。传统机器学习比如SVM、决策树、逻辑回归，需要人工提取特征，模型拟合能力有限。

深度学习是机器学习的一个分支，核心是用多层神经网络自动提取特征，不用人工设计特征，层数越多、结构越复杂，能拟合更复杂的数据分布。

神经网络是深度学习的基础单元，不管是CNN、RNN还是Transformer，本质都是不同结构的深度神经网络。简单总结就是：机器学习包含深度学习，深度学习依托神经网络实现。

2、过拟合和欠拟合怎么区分？各自怎么解决？

参考答案：

欠拟合就是模型太简单，训练集和测试集效果都差，没学到数据的核心规律。常见原因：模型层数太少、参数太少、训练轮次不够、特征太少。

解决办法：增加模型复杂度、增加训练迭代次数、扩充输入特征、降低正则化强度。

过拟合是模型太复杂，训练集效果极好，测试集效果很差，把训练集的噪声、特例当成了普遍规律，泛化能力弱。

解决办法：最常用的是数据集扩充、添加Dropout、L1/L2正则、早停（EarlyStopping）、减小模型复杂度、数据增强。

3、L1和L2正则的区别，分别适合什么场景？

参考答案：

L2正则是权重