|谷歌、微软、亚马逊、阿里、字节深度学习面试问答整理（基础篇）( 二 )

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。

本文插图

正向传播：

本文插图

反向传播：
对于所有权重，在L2层：

本文插图

对于所有权重，在L1层：

本文插图

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。在这里阅读更多关于张量的信息
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！