深度学习高频面试题及详细答案（实战向、无模板话术）.docxVIP

深度学习高频面试题及详细答案（实战向、无模板话术）

一、深度学习基础核心问题

1、神经网络和传统机器学习模型相比，核心优势是什么？

核心优势主要是自动特征提取和复杂非线性拟合能力更强。

传统机器学习比如逻辑回归、SVM、随机森林，非常依赖人工特征工程，需要人工根据业务经验筛选、组合、归一化特征，特征质量直接决定模型效果，面对图像、文本、语音这类高维原始数据，人工很难提炼有效特征。

神经网络可以直接从原始数据中逐层学习浅层和深层特征，浅层捕捉边缘、纹理、基础语法等简单信息，深层组合出高级语义、目标轮廓、场景特征，无需大量人工特征加工。同时多层堆叠的非线性激活结构，能拟合极度复杂的数据分布，适配高维、大数据量的场景。

但短板也很明显：需要更大的数据量、算力资源，可解释性差，小样本场景下不如传统模型稳定。

2、为什么深层网络比浅层网络效果更好？能不能无限加深网络？

浅层网络的非线性变换层数有限，只能学习简单的数据映射关系，面对复杂任务拟合能力不足。深层网络通过多层递进的特征变换，实现特征的逐级抽象，特征表达能力远强于浅层网络，能更好适配复杂任务。

网络不能无限加深。层数过多会出现两个核心问题：第一是梯度消失或梯度爆炸，反向传播过程中，梯度经过多层连乘，会指数级缩小或放大，导致浅层权重无法更新，模型不收敛；第二是出现网络退化，层数持续增加后，训练集和测试集精度反而持续下降，并非过拟合，而