Efnisyfirlit[Fela][Sýna]
- 1. Hvað nákvæmlega er Deep Learning?
- 2. Hvað aðgreinir Deep Learning frá Machine Learning?
- 3. Hver er núverandi skilningur þinn á tauganetum?
- 4. Hvað nákvæmlega er skynjari?
- 5. Hvað nákvæmlega er djúpt tauganet?
- 6. Hvað nákvæmlega er fjöllaga perceptron (MLP)?
- 7. Hvaða tilgangi gegna virkjunaraðgerðir í tauganeti?
- 8. Hvað nákvæmlega er Gradient Descent?
- 9. Hver er kostnaðaraðgerðin nákvæmlega?
- 10. Hvernig geta djúp kerfi staðið sig betur en grunnt?
- 11. Lýstu áframhaldandi útbreiðslu.
- 12. Hvað er bakfjölgun?
- 13. Í samhengi við djúpt nám, hvernig skilurðu hallaklippingu?
- 14. Hverjar eru Softmax og ReLU aðgerðir?
- 15. Er hægt að þjálfa taugakerfislíkan með öllum lóðunum stillt á 0?
- 16. Hvað aðgreinir tímabil frá lotu og endurtekningu?
- 17. Hvað eru lotunormalization og brottfall?
- 18. Hvað aðskilur Stóchastic Gradient Descent frá Batch Gradient Descent?
- 19. Hvers vegna er mikilvægt að taka með ólínuleika í tauganetum?
- 20. Hvað er tensor í djúpnámi?
- 21. Hvernig myndir þú velja virkjunaraðgerðina fyrir djúpnámslíkan?
- 22. Hvað meinarðu með CNN?
- 23. Hvað eru mörg CNN-lögin?
- 24. Hver eru áhrifin af of- og vanfitu og hvernig er hægt að forðast þau?
- 25. Hvað er RNN í djúpnámi?
- 26. Lýstu Adam Optimizer
- 27. Djúpir sjálfkóðarar: hvað eru þeir?
- 28. Hvað þýðir Tensor í Tensorflow?
- 29. Skýring á reikniriti
- 30. Generative adversarial networks (GANs): hvað eru þau?
- 31. Hvernig munt þú velja fjölda taugafrumna og falinna laga til að hafa með í tauganetinu þegar þú hannar arkitektúrinn?
- 32. Hvers konar tauganet eru notuð við djúpstyrkingarnám?
- Niðurstaða
Djúpt nám er ekki glæný hugmynd. Gervi taugakerfi þjóna sem eini grunnurinn að vélrænni undirmengi sem kallast djúpnám.
Djúpnám er eftirlíking af heila mannsins, eins og taugakerfi eru, þar sem þau voru búin til til að líkja eftir mannsheilanum.
Það hefur verið þetta í nokkurn tíma. Þessa dagana eru allir að tala um það þar sem við höfum ekki nærri eins mikið vinnsluorku eða gögn og við höfum núna.
Undanfarin 20 ár hefur djúpt nám og vélanám komið fram vegna stórkostlegrar aukningar á vinnslugetu.
Til þess að aðstoða þig við að undirbúa þig fyrir allar fyrirspurnir sem þú gætir staðið frammi fyrir þegar þú leitar að draumastarfinu þínu mun þessi færsla leiðbeina þér í gegnum fjölda djúpnámsviðtalsspurninga, allt frá einföldum til flókinna.
1. Hvað nákvæmlega er Deep Learning?
Ef þú ert að mæta í a djúpt nám viðtal, þú skilur eflaust hvað djúpt nám er. Spyrillinn býst hins vegar við að þú svarir ítarlegt svar ásamt mynd sem svar við þessari spurningu.
Til að þjálfa taugakerfi fyrir djúpt nám þarf að nota umtalsvert magn af skipulögðum eða óskipulögðum gögnum. Til að finna falin mynstur og einkenni gerir það flóknar aðgerðir (til dæmis að greina ímynd kattar frá mynd af hundi).
2. Hvað aðgreinir Deep Learning frá Machine Learning?
Sem grein gervigreindar sem kallast vélanám þjálfum við tölvur með því að nota gögn og tölfræði- og reiknirittækni þannig að þær verði betri með tímanum.
Sem þáttur í vél nám, djúpt nám líkir eftir taugakerfisarkitektúrnum sem sést í mannsheilanum.
3. Hver er núverandi skilningur þinn á tauganetum?
Gervikerfi þekkt sem taugakerfi líkjast lífrænum tauganetum sem finnast í mannslíkamanum mjög náið.
Notkun tækni sem líkist því hvernig heilann aðgerðir, tauganet er safn reiknirita sem miðar að því að bera kennsl á undirliggjandi fylgni í gögnum.
Þessi kerfi öðlast verkefnissértæka þekkingu með því að afhjúpa sig fyrir ýmsum gagnasöfnum og dæmum, frekar en með því að fylgja einhverjum verkefnasértækum reglum.
Hugmyndin er sú að í stað þess að hafa fyrirfram forritaðan skilning á þessum gagnasöfnum lærir kerfið að greina eiginleika frá gögnunum sem það er fóðrað.
Þrjú netlögin sem eru oftast notuð í tauganetum eru sem hér segir:
- Inntakslag
- Falið lag
- Úttakslag
4. Hvað nákvæmlega er skynjari?
Líffræðileg taugafruma sem finnast í mannsheilanum er sambærileg við skynjara. Mörg inntak er móttekin af skynjaranum, sem síðan framkvæmir fjölmargar umbreytingar og aðgerðir og framleiðir úttak.
Línulegt líkan sem kallast perceptron er notað í tvíundarflokkun. Það líkir eftir taugafrumu með ýmsum inntakum, hver með mismunandi þyngd.
Taugafruman reiknar út fall með því að nota þessi vegnu inntak og gefur út niðurstöðurnar.
5. Hvað nákvæmlega er djúpt tauganet?
Djúpt tauganet er gervi taugakerfi (ANN) með nokkrum lögum á milli inntaks- og úttakslaga (DNN).
Djúp tauganet eru tauganet með djúpum arkitektúr. Orðið „djúpt“ vísar til aðgerða með mörgum stigum og einingum í einu lagi. Hægt er að búa til nákvæmari líkön með því að bæta við fleiri og stærri lögum til að fanga meira magn af mynstrum.
6. Hvað nákvæmlega er fjöllaga perceptron (MLP)?
Inntaks-, falin og úttakslög eru til staðar í MLP, líkt og í tauganetum. Það er byggt á svipaðan hátt og eins lags skynjari með einu eða fleiri földum lögum.
Tvíundarúttak eins lags skynjara getur aðeins flokkað línulega aðskiljanlega flokka (0,1), en MLP getur flokkað ólínulega flokka.
7. Hvaða tilgangi gegna virkjunaraðgerðir í tauganeti?
Virkjunaraðgerð ákvarðar hvort taugafruma ætti að virkjast á grunnstigi eða ekki. Hvaða virkjunaraðgerð sem er getur tekið við vegnu summu inntakanna auk hlutdrægni sem inntak. Virkjunaraðgerðir innihalda skrefaaðgerðina, Sigmoid, ReLU, Tanh og Softmax.
8. Hvað nákvæmlega er Gradient Descent?
Besta aðferðin til að lágmarka kostnaðarfall eða villu er halli. Markmiðið er að finna staðbundið-alheimslágmörk falls. Þetta tilgreinir leiðina sem líkanið ætti að fylgja til að lágmarka villur.
9. Hver er kostnaðaraðgerðin nákvæmlega?
Kostnaðarfallið er mælikvarði til að meta hversu vel líkanið þitt stendur sig; það er stundum þekkt sem „tap“ eða „villa“. Við bakútbreiðslu er það notað til að reikna út villu framleiðslulagsins.
Við nýtum þessa ónákvæmni til að efla þjálfunarferli tauganetsins með því að ýta því aftur í gegnum tauganetið.
10. Hvernig geta djúp kerfi staðið sig betur en grunnt?
Földum lögum er bætt við taugakerfi auk inntaks- og úttakslaga. Á milli inntaks- og úttakslaga nota grunnt taugakerfi eitt falið lag, en djúp tauganet nota fjölmörg stig.
Grunnt net krefst nokkurra breytu til að geta passað inn í hvaða aðgerð sem er. Djúp net geta hentað aðgerðum betur jafnvel með fáum breytum þar sem þau innihalda nokkur lög.
Djúp net eru nú valin vegna fjölhæfni þeirra í að vinna með hvers kyns gagnalíkönum, hvort sem það er fyrir tal- eða myndgreiningu.
11. Lýstu áframhaldandi útbreiðslu.
Inntak er sent ásamt lóðum til grafins lags í ferli sem kallast framsendingarútbreiðsla.
Úttak virkjunaraðgerðarinnar er reiknað í hverju og einu grafnu lagi áður en vinnsla getur farið yfir í næsta lag.
Ferlið byrjar á inntakslaginu og gengur yfir í endanlegt úttakslag, þar með nafnið áframútbreiðsla.
12. Hvað er bakfjölgun?
Þegar þyngd og hlutdrægni eru stillt í tauganetinu er bakútbreiðsla notuð til að draga úr kostnaðarvirkninni með því að fylgjast fyrst með því hvernig gildið breytist.
Skilningur á halla við hvert falið lag gerir útreikning á þessari breytingu einföld.
Ferlið, þekkt sem bakútbreiðsla, byrjar á framleiðslulaginu og færist aftur á bak í inntakslögin.
13. Í samhengi við djúpt nám, hvernig skilurðu hallaklippingu?
Gradient Clipping er aðferð til að leysa vandamálið með sprengihalla sem koma upp við bakútbreiðsla (ástand þar sem verulegir rangir hallar safnast fyrir með tímanum, sem leiðir til verulegra aðlaga á þyngd taugakerfislíkana meðan á þjálfun stendur).
Sprengihallir eru vandamál sem koma upp þegar hallarnir verða of stórir á meðan á þjálfun stendur, sem gerir líkanið óstöðugt. Ef hallinn hefur farið yfir væntanlegt svið er hallagildunum ýtt þátt fyrir stak í fyrirfram skilgreint lágmarks- eða hámarksgildi.
Gradient clipping eykur tölulegan stöðugleika taugakerfis meðan á þjálfun stendur, en það hefur lágmarks áhrif á frammistöðu líkansins.
14. Hverjar eru Softmax og ReLU aðgerðir?
Virkjunaraðgerð sem kallast Softmax framleiðir úttak á bilinu 0 til 1. Hver útgangur er skipt þannig að summa allra úttakanna er ein. Fyrir framleiðslulög er Softmax oft notað.
Leiðrétt línuleg eining, stundum þekkt sem ReLU, er mest notaða virkjunaraðgerðin. Ef X er jákvætt gefur það út X, annars gefur það núll. ReLU er reglulega borið á niðurgrafin lög.
15. Er hægt að þjálfa taugakerfislíkan með öllum lóðunum stillt á 0?
Tauganetið mun aldrei læra að klára tiltekið verk, þess vegna er ekki hægt að þjálfa líkan með því að frumstilla öll lóðin í 0.
Afleiðurnar verða þær sömu fyrir hverja þyngd í W [1] ef öll lóð eru frumstillt á núll, sem mun leiða til þess að taugafrumur læra sömu eiginleika ítrekað.
Ekki einfaldlega að frumstilla lóðin í 0, heldur hvers konar fasta, er líklegt til að leiða til undirmáls.
16. Hvað aðgreinir tímabil frá lotu og endurtekningu?
Mismunandi gerðir af gagnasöfnum til vinnslu og niðurfallsaðferðir með halla fela í sér lotu, endurtekningu og tímabil. Tímabil felur í sér einu sinni í gegnum tauganet með fullu gagnasafni, bæði áfram og afturábak.
Til að gefa áreiðanlegar niðurstöður er gagnapakkanum oft farið nokkrum sinnum framhjá því það er of stórt til að standast það í einni tilraun.
Þessi venja að keyra lítið magn af gögnum í gegnum taugakerfi ítrekað er kölluð endurtekning. Til að tryggja að gagnasettið fari yfir taugakerfin með góðum árangri, er hægt að skipta því í fjölda hópa eða undirmengi, sem er þekkt sem lotusamsetning.
Það fer eftir stærð gagnasöfnunar, allar þrjár aðferðirnar - tímabil, endurtekningu og lotustærð - eru í meginatriðum leiðir til að nota reiknirit fyrir stiglækkun.
17. Hvað eru lotunormalization og brottfall?
Brottfall kemur í veg fyrir ofþenslu gagna með því að fjarlægja af handahófi bæði sýnilegar og faldar neteiningar (venjulega falla 20 prósent af hnútum). Það tvöfaldar fjölda endurtekningar sem þarf til að fá netið til að renna saman.
Með því að staðla inntakið í hverju lagi þannig að meðalúttaksvirkjun sé núll og staðalfrávik eitt, er lotunormalization stefna til að auka afköst og stöðugleika tauganeta.
18. Hvað aðskilur Stóchastic Gradient Descent frá Batch Gradient Descent?
Hrunafallslækkun:
- Heildargagnasettið er notað til að búa til hallann fyrir lotustigann.
- Gífurlegt magn gagna og hægt og rólega uppfærsla á lóðum gerir samleitni erfitt.
Stochastic Gradient Decent:
- Stochastic hallinn notar eitt sýni til að reikna hallann.
- Vegna tíðari þyngdarbreytinga, sameinast það verulega hraðar en lotuhallinn.
19. Hvers vegna er mikilvægt að taka með ólínuleika í tauganetum?
Sama hversu mörg lög það eru, mun tauganet hegða sér eins og skynjara í fjarveru ólínuleika, sem gerir úttakið línulega háð inntakinu.
Til að orða það á annan hátt er tauganet með n lögum og m falnum einingum og línulegum virkjunaraðgerðum jafngilt línulegu tauganeti án falinna laga og með getu til að greina línuleg aðskilnaðarmörk eingöngu.
Án ólínuleika getur tauganet ekki leyst flókin mál og flokkað inntakið nákvæmlega.
20. Hvað er tensor í djúpnámi?
Fjölvíddarfylki þekktur sem tensor þjónar sem alhæfing fylkja og vektora. Það er mikilvæg gagnauppbygging fyrir djúpt nám. N-víddar fylki grunngagnategunda eru notaðar til að tákna tensora.
Sérhver hluti tensorsins hefur sömu gagnagerð og þessi gagnategund er alltaf þekkt. Það er mögulegt að aðeins hluti af löguninni - þ.e. hversu margar stærðir eru og hversu stór hver og einn er - sé þekktur.
Í aðstæðum þar sem aðföngin eru líka alveg þekkt, framleiðir meirihluti aðgerða fullþekkta tensora; í öðrum tilfellum er aðeins hægt að ákvarða form tensor við framkvæmd grafs.
21. Hvernig myndir þú velja virkjunaraðgerðina fyrir djúpnámslíkan?
- Það er skynsamlegt að nota línulega virkjunaraðgerð ef niðurstaðan sem þarf að búast við er raunveruleg.
- Nota ætti Sigmoid fall ef úttakið sem þarf að spá fyrir er tvíundir flokkslíkur.
- Hægt er að nota Tanh fall ef áætlað framleiðsla inniheldur tvær flokkanir.
- Vegna auðveldrar útreiknings er ReLU aðgerðin notuð við margvíslegar aðstæður.
22. Hvað meinarðu með CNN?
Djúp tauganet sem sérhæfa sig í að meta sjónræn myndefni eru meðal annars snúnings taugakerfi (CNN eða ConvNet). Hér, frekar en í tauganetum þar sem vektor táknar inntakið, er inntakið margrása mynd.
Fjöllaga skynjarar eru notaðir á sérstakan hátt af CNN sem krefst mjög lítillar forvinnslu.
23. Hvað eru mörg CNN-lögin?
Convolutional Layer: Aðallagið er convolutional lag, sem hefur ýmsar læranlegar síur og móttækilegt sviði. Þetta upphafslag tekur inntaksgögnin og dregur út eiginleika þeirra.
ReLU Layer: Með því að gera netkerfin ólínuleg breytir þetta lag neikvæðum pixlum í núll.
Samrunalag: Með því að lágmarka vinnslu og netstillingar, lágmarkar sameiningarlagið smám saman staðbundna stærð framsetningarinnar. Max pooling er mest notaða aðferðin við sameiningu.
24. Hver eru áhrifin af of- og vanfitu og hvernig er hægt að forðast þau?
Þetta er þekkt sem offitting þegar líkan lærir ranghala og hávaða í þjálfunargögnum að því marki að það hefur neikvæð áhrif á notkun líkansins á ferskum gögnum.
Það er líklegra að það gerist með ólínuleg líkön sem eru aðlögunarhæfari á meðan að læra markaðgerð. Hægt er að þjálfa líkan til að greina bíla og vörubíla, en það gæti aðeins verið hægt að bera kennsl á farartæki með tilteknu kassaformi.
Í ljósi þess að það var aðeins þjálfað á einni tegund vörubíls gæti hann ekki greint vörubíl með flatlestri. Á þjálfunargögnum virkar líkanið vel, en ekki í hinum raunverulega heimi.
Vanbúið líkan vísar til þess sem er ekki nægilega þjálfað í gögnum eða fær um að alhæfa yfir í nýjar upplýsingar. Þetta gerist oft þegar verið er að þjálfa líkan með ófullnægjandi eða ónákvæm gögn.
Nákvæmni og afköst eru bæði í hættu vegna vanhæfingar.
Að endursýna gögnin til að áætla nákvæmni líkans (K-falt krossgilding) og nota sannprófunargagnasett til að meta líkanið eru tvær leiðir til að koma í veg fyrir of- og vanhæfingu.
25. Hvað er RNN í djúpnámi?
Endurtekin taugakerfi (RNN), algeng fjölbreytni gervi tauganeta, fara með skammstöfuninni RNN. Þeir eru meðal annars notaðir til að vinna úr erfðamengi, rithönd, texta og gagnaraðir. Fyrir nauðsynlega þjálfun nota RNNs bakfjölgun.
26. Lýstu Adam Optimizer
Adam optimizer, einnig þekktur sem aðlagandi skriðþunga, er hagræðingartækni þróuð til að takast á við hávaðasamar aðstæður með dreifðum halla.
Auk þess að veita uppfærslur fyrir hverja færibreytu fyrir hraðari samleitni, eykur Adam optimizer samleitni með skriðþunga og tryggir að líkan festist ekki í hnakkpunktinum.
27. Djúpir sjálfkóðarar: hvað eru þeir?
Deep autoencoder er samheiti yfir tvö samhverf djúp trúarnet sem venjulega innihalda fjögur eða fimm grunn lög fyrir kóðunarhelming netsins og annað sett af fjórum eða fimm lögum fyrir afkóðun helminginn.
Þessi lög mynda grunninn að djúpum trúarnetum og eru bundin af Boltzmann vélum. Eftir hverja RBM notar djúpur sjálfkóðari tvöfaldur breytingar á gagnasafninu MNIST.
Þeir geta einnig verið notaðir í öðrum gagnasöfnum þar sem Gaussískar leiðréttar umbreytingar eru ákjósanlegar fram yfir RBM.
28. Hvað þýðir Tensor í Tensorflow?
Þetta er önnur djúpnámsviðtalsspurning sem er reglulega spurð. Tensor er stærðfræðilegt hugtak sem er sjónrænt sem hærra víddar fylki.
Tensorar eru þessar gagnafylki sem eru veittar sem inntak í tauganetið og hafa ýmsar stærðir og röðun.
29. Skýring á reikniriti
Grunnurinn að TensorFlow er smíði reiknirits. Hver hnútur virkar í neti hnúta, þar sem hnútar standa fyrir stærðfræðilegar aðgerðir og brúnir fyrir tensora.
Það er stundum nefnt „DataFlow Graph“ þar sem gögn flæða í formi línurits.
30. Generative adversarial networks (GANs): hvað eru þau?
Í Deep Learning er skapandi líkanagerð unnin með því að nota skapandi andstæðinganet. Um er að ræða eftirlitslaust starf þar sem niðurstaðan er framleidd með því að greina mynstur í inntaksgögnum.
Mismununarbúnaðurinn er notaður til að flokka tilvikin sem framleidd eru af rafallnum, en rafallinn er notaður til að framleiða ný dæmi.
31. Hvernig munt þú velja fjölda taugafrumna og falinna laga til að hafa með í tauganetinu þegar þú hannar arkitektúrinn?
Í ljósi viðskiptaáskorunar er ekki hægt að ákvarða nákvæman fjölda taugafrumna og falinna laga sem þarf til að smíða taugakerfisarkitektúr með neinum hörðum og hröðum reglum.
Í tauganeti ætti stærð falna lagsins að falla einhvers staðar í miðju stærð inntaks- og úttakslaganna.
Forskot á að búa til tauganethönnun er hægt að ná með nokkrum einföldum aðferðum, þó:
Að byrja á kerfisbundnum grunnprófunum til að sjá hvað myndi skila sér best fyrir sérhvert tiltekið gagnasafn byggt á fyrri reynslu af tauganetum í svipuðum raunverulegum aðstæðum er besta leiðin til að takast á við hverja einstaka raunveruleikaáskorun í forspárlíkönum.
Hægt er að velja netstillinguna út frá þekkingu manns á léninu og fyrri reynslu af tauganeti. Þegar uppsetning tauganets er metin er fjöldi laga og taugafrumna sem notaðir eru við skyld vandamál góður staður til að byrja.
Flækjustig tauganetsins ætti að auka smám saman á grundvelli áætluðu framleiðsla og nákvæmni, og byrja með einfaldri tauganethönnun.
32. Hvers konar tauganet eru notuð við djúpstyrkingarnám?
- Í hugmyndafræði vélanáms sem kallast styrkingarnám, virkar líkanið til að hámarka hugmyndina um uppsöfnuð umbun, rétt eins og lifandi hlutir gera.
- Leikjum og sjálfkeyrandi farartækjum er bæði lýst sem vandamálum styrking nám.
- Skjárinn er notaður sem inntak ef vandamálið sem á að tákna er leikur. Til þess að framleiða úttak fyrir næstu áföngum tekur reikniritið pixlana sem inntak og vinnur þá í gegnum mörg lög af snúnings tauganetum.
- Niðurstöður aðgerða líkansins, ýmist hagstæðar eða slæmar, virka sem styrking.
Niðurstaða
Deep Learning hefur aukist í vinsældum í gegnum árin, með forritum á nánast öllum sviðum iðnaðarins.
Fyrirtæki eru í auknum mæli að leita að færum sérfræðingum sem geta hannað líkön sem endurtaka mannlega hegðun með því að nota djúpnám og vélanámsaðferðir.
Umsækjendur sem auka færni sína og viðhalda þekkingu sinni á þessari nýjustu tækni geta fundið fjölbreytt úrval af vinnutækifærum með aðlaðandi launum.
Þú getur byrjað á viðtölunum núna þegar þú hefur góð tök á því hvernig á að bregðast við nokkrum af þeim spurningum sem oftast er beðið um við djúpnám. Taktu næsta skref út frá markmiðum þínum.
Heimsæktu Hashdork's Viðtalsröð að undirbúa viðtöl.
Skildu eftir skilaboð