3月31日美團(tuán)春招推薦算法崗面試題分享!

公眾號福利

??回復(fù)【100題】領(lǐng)取《名企AI面試100題》PDF

??回復(fù)【干貨資料】領(lǐng)取NLP、CV、ML等AI方向干貨資料

??回復(fù)【往期招聘】查看往期內(nèi)推招聘

拉至文末，找小助手進(jìn)群看公開課~

問題1：為什么分類問題損失不使用MSE而使用交叉熵

1、均方誤差作為損失函數(shù)，這時(shí)所構(gòu)造出來的損失函數(shù)是非凸的，不容易求解，容易得到其局部最優(yōu)解；而交叉熵的損失函數(shù)是凸函數(shù)；

2、均方誤差作為損失函數(shù)，求導(dǎo)后，梯度與sigmoid的導(dǎo)數(shù)有關(guān)，會導(dǎo)致訓(xùn)練慢；而交叉熵的損失函數(shù)求導(dǎo)后，梯度就是一個差值，誤差大的話更新的就快，誤差小的話就更新的慢點(diǎn)。

?

問題2：BN的作用，除了防止梯度消失這個作用外

（1）加快收斂速度：在深度神經(jīng)網(wǎng)絡(luò)中中，如果每層的數(shù)據(jù)分布都不一樣的話，將會導(dǎo)致網(wǎng)絡(luò)非常難收斂和訓(xùn)練，而如果把 每層的數(shù)據(jù)都在轉(zhuǎn)換在均值為零，方差為1 的狀態(tài)下，這樣每層數(shù)據(jù)的分布都是一樣的訓(xùn)練會比較容易收斂。

（2）控制梯度爆炸防止梯度消失：以sigmoid函數(shù)為例，sigmoid函數(shù)使得輸出在[0,1]之間，實(shí)際上當(dāng)x道了一定的大小，經(jīng)過sigmoid函數(shù)后輸出范圍就會變得很小。

（3）BN算法防止過擬合：在網(wǎng)絡(luò)的訓(xùn)練中，BN的使用使得一個minibatch中所有樣本都被關(guān)聯(lián)在了一起，因此網(wǎng)絡(luò)不會從某一個訓(xùn)練樣本中生成確定的結(jié)果，即同樣一個樣本的輸出不再僅僅取決于樣本的本身，也取決于跟這個樣本同屬一個batch的其他樣本，而每次網(wǎng)絡(luò)都是隨機(jī)取batch，這樣就會使得整個網(wǎng)絡(luò)不會朝這一個方向使勁學(xué)習(xí)。一定程度上避免了過擬合。

?

問題3：訓(xùn)練時(shí)出現(xiàn)不收斂的情況怎么辦，為什么會出現(xiàn)不收斂

從數(shù)據(jù)角度：

是否對數(shù)據(jù)進(jìn)行了預(yù)處理，包括分類標(biāo)注是否正確，數(shù)據(jù)是否干凈

是否對數(shù)據(jù)進(jìn)行了歸一化

考慮樣本的信息量是否太大，而網(wǎng)絡(luò)結(jié)構(gòu)是否太簡單

考慮標(biāo)簽是否設(shè)置正確

從模型角度：

嘗試加深網(wǎng)絡(luò)結(jié)構(gòu)

Learning rate是否合適（太大，會造成不收斂，太小，會造成收斂速度非常慢）

錯誤初始化網(wǎng)絡(luò)參數(shù)

train loss 不斷下降，test loss不斷下降，說明網(wǎng)絡(luò)仍在學(xué)習(xí);

train loss 不斷下降，test loss趨于不變，說明網(wǎng)絡(luò)過擬合;

train loss 趨于不變，test loss不斷下降，說明數(shù)據(jù)集100%有問題;

train loss 趨于不變，test loss趨于不變，說明學(xué)習(xí)遇到瓶頸，需要減小學(xué)習(xí)率或批量數(shù)目;

train loss 不斷上升，test loss不斷上升，說明網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)不當(dāng)，訓(xùn)練超參數(shù)設(shè)置不當(dāng)，數(shù)據(jù)集經(jīng)過清洗等問題。

問題4：LR與決策樹的區(qū)別

1、邏輯回歸通常用于分類問題，決策樹可回歸、可分類。

2、邏輯回歸是線性函數(shù)，決策樹是非線性函數(shù)。

3、邏輯回歸的表達(dá)式很簡單，回歸系數(shù)就確定了模型。決策樹的形式就復(fù)雜了，葉子節(jié)點(diǎn)的范圍+取值。兩個模型在使用中都有很強(qiáng)的解釋性，銀行較喜歡。

4、邏輯回歸可用于高維稀疏數(shù)據(jù)場景，比如ctr預(yù)估；決策樹變量連續(xù)最好，類別變量的話，稀疏性不能太高。

5、邏輯回歸的核心是sigmoid函數(shù)，具有無限可導(dǎo)的優(yōu)點(diǎn)，常作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。

6、在集成模型中，隨機(jī)森林、GBDT以決策樹為基模型，Boosting算法也可以用邏輯回歸作為基模型。

?

問題5：有哪些決策樹算法

ID3、C4.5、CART樹的算法思想

ID3算法的核心是在決策樹的每個節(jié)點(diǎn)上應(yīng)用信息增益準(zhǔn)則選擇特征，遞歸地構(gòu)架決策樹。

C4.5算法的核心是在生成過程中用信息增益比來選擇特征。

CART樹算法的核心是在生成過程用基尼指數(shù)來選擇特征。

基于決策樹的算法有隨機(jī)森林、GBDT、Xgboost等。

?

問題6：了解哪些行為序列建模方式

參考：https://zhuanlan.zhihu.com/p/138136777

?

問題7：Leetcode_91題：解碼方法

思路：動態(tài)規(guī)劃

class Solution:
def numDecodings(self, s: str) -> int:
n = len(s)
f = [1] + [0] * n
for i in range(1, n + 1):
if s[i - 1] != \'0\':
f[i] += f[i - 1]
if i > 1 and s[i - 2] != \'0\' and int(s[i-2:i]) <= 26:
f[i] += f[i - 2]

return f[n]

?

問題8：智力題：紅藍(lán)顏料比例問題

題目描述：兩個桶分別裝了一樣多的紅色和藍(lán)色的顏料。先從藍(lán)色桶里舀一杯倒入紅色中，攪拌不均勻。再從有藍(lán)色的紅色桶中舀一杯倒入藍(lán)色桶里，問兩個桶中藍(lán)：紅與紅：藍(lán)的大小關(guān)系？

第二步舀的時(shí)候，因?yàn)椴痪鶆颍詿o法知道具體有多少比例的紅色和藍(lán)色，可以換一個角度來考慮。因?yàn)槭怯玫南嗤笮〉谋樱詢纱尾僮骱螅瑑蛇叺耐袄锏目傮w顏色是一樣多的。假設(shè)紅色里面混了一部分藍(lán)色的顏料體積為X升，那么就有X升的紅色顏料到了藍(lán)色的桶里，所以兩邊的比例是一樣的。

9、智力題：兩個人數(shù)數(shù)，誰先數(shù)到20算誰贏。

要求：每次只能數(shù)1或者2個數(shù)，采取什么策略可以保證必勝，先手和后手都可以選擇。

要想獲勝的規(guī)律就是要搶到19這個數(shù)

因?yàn)槭莾蓚€人參與，所以關(guān)鍵數(shù)是19，當(dāng)數(shù)到19時(shí)，對方就只能數(shù)20了，所以可以反推一下，要想獲勝的話，在二十個數(shù)里，要想方設(shè)法地?fù)尩?9，16，13，10，7，4，1這幾個公差為3的整數(shù)，也就是說在這個游戲里，要想獲勝的話，就要搶到1這個數(shù)，即誰先數(shù)誰就獲勝。