https://github.com/jackaduma/awesome_nlp-interview-notes
nlp_interview notes and answers: 该仓库主要记录 NLP 算法工程师相关的面试题和参考答案
https://github.com/jackaduma/awesome_nlp-interview-notes
List: awesome_nlp-interview-notes
ai interview interview-practice interview-prep interview-preparation interview-questions interviews interviews-questions nlp
Last synced: 2 months ago
JSON representation
nlp_interview notes and answers: 该仓库主要记录 NLP 算法工程师相关的面试题和参考答案
- Host: GitHub
- URL: https://github.com/jackaduma/awesome_nlp-interview-notes
- Owner: jackaduma
- License: mit
- Created: 2023-10-10T01:27:59.000Z (over 2 years ago)
- Default Branch: main
- Last Pushed: 2023-11-16T10:16:57.000Z (over 2 years ago)
- Last Synced: 2025-11-02T15:02:57.139Z (6 months ago)
- Topics: ai, interview, interview-practice, interview-prep, interview-preparation, interview-questions, interviews, interviews-questions, nlp
- Homepage:
- Size: 441 KB
- Stars: 22
- Watchers: 1
- Forks: 3
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# awesome_NLP-Interview-Notes
NLP interview notes and answers
## **内容说明**
问题来自 [NLP 面无不过： km1994 - NLP-Interview-Notes ](https://github.com/km1994/NLP-Interview-Notes)
**答案 为 自己编写，不保证正确，仅供参考。**
**有些问题，提供的答案更多是一种线索，如想深入了解，请自行参考更多资料**
## 更新记录
1. 2023.11 发布：CNN, RNN, Attention
## 目录
- [x] **[3 深度学习算法篇常见面试篇](./3%20深度学习算法篇常见面试篇/)**
- [x] **[CNN 常见面试篇](./3%20深度学习算法篇常见面试篇/CNN%20常见面试篇.md)**
- [x] 一、动机篇
- [x] 二、CNN 卷积层篇
- [x] 2.1 卷积层的本质是什么？
- [x] 2.2 CNN 卷积层与全连接层的联系？
- [x] 2.3 channel的含义是什么？
- [x] 三、CNN 池化层篇
- [x] 3.1 池化层针对区域是什么？
- [x] 3.2 池化层的种类有哪些？
- [x] 3.3 池化层的作用是什么？
- [x] 3.4 池化层 反向传播 是什么样的？
- [x] 3.5 mean pooling 池化层 反向传播 是什么样的？
- [x] 3.6 max pooling 池化层 反向传播 是什么样的？
- [x] 四、CNN 整体篇
- [x] 4.1 CNN 的流程是什么？
- [x] 4.2 CNN 的特点是什么？
- [x] 4.3 卷积神经网络为什么会具有平移不变性？
- [x] 4.4 卷积神经网络中im2col是如何实现的？
- [x] 4.5 CNN 的局限性是什么？
- [x] 五、Iterated Dilated CNN 篇
- [x] 5.1 什么是 Dilated CNN 空洞卷积？
- [x] 5.2 什么是 Iterated Dilated CNN？
- [x] 六、反卷积 篇
- [x] 6.1 解释反卷积的原理和用途？
- [x] **[RNN 常见面试篇](./3%20深度学习算法篇常见面试篇/RNN%20常见面试篇.md)**
- [x] 一、RNN 篇
- [x] 1.2 为什么需要 RNN?
- [x] 1.2 RNN 结构是怎么样的？
- [x] 1.3 RNN 前向计算公式？
- [x] 1.4 RNN 存在什么问题？
- [x] 二、长短时记忆网络(Long Short Term Memory Network, LSTM) 篇
- [x] 2.1 为什么 需要 LSTM?
- [x] 2.2 LSTM 的结构是怎么样的?
- [x] 2.3 LSTM 如何缓解 RNN 梯度消失和梯度爆炸问题?
- [x] 2.3 LSTM 的流程是怎么样的?
- [x] 2.4 LSTM 中激活函数区别?
- [x] 2.5 LSTM的复杂度？
- [x] 2.6 LSTM 存在什么问题？
- [x] 三、GRU (Gated Recurrent Unit)
- [x] 3.1 为什么 需要 GRU?
- [x] 3.2 GRU 的结构是怎么样的?
- [x] 3.3 GRU 的前向计算?
- [x] 3.4 GRU 与其他 RNN系列模型的区别？
- [x] 四、RNN系列模型篇
- [x] 4.1 RNN系列模型 有什么特点？
- [x] **[Attention 常见面试篇](./3%20深度学习算法篇常见面试篇/Attention%20常见面试篇.md)**
- [x] 一、seq2seq 篇
- [x] 1.1 seq2seq （Encoder-Decoder）是什么？
- [x] 1.2 seq2seq 中 的 Encoder 怎么样？
- [x] 1.3 seq2seq 中 的 Decoder 怎么样？
- [x] 1.4 在 数学角度上 的 seq2seq ，你知道么？
- [x] 1.5 seq2seq 存在 什么 问题？
- [x] 二、Attention 篇
- [x] 2.1 什么是 Attention?
- [x] 2.2 为什么引入 Attention机制？
- [x] 2.3 Attention 有什么作用？
- [x] 2.4 Attention 流程是怎么样？
- [x] 2.5 Attention 的应用领域有哪些？
- [x] 三、Attention 变体篇
- [x] 3.1 Soft Attention 是什么？
- [x] 3.2 Hard Attention 是什么？
- [x] 3.3 Global Attention 是什么？
- [x] 3.4 Local Attention 是什么？
- [x] 3.5 self-attention 是什么？
- [x] **[生成对抗网络 GAN 常见面试篇](./3%20深度学习算法篇常见面试篇/生成对抗网络%20GAN%20常见面试篇.md)**
- [x] 一、动机
- [x] 二、介绍篇
- [x] 2.1 GAN 的基本思想
- [x] 2.2 GAN 基本介绍
- [x] 2.2.1 GAN 的基本结构
- [x] 2.2.2 GAN 的基本思想
- [x] 三、训练篇
- [x] 3.1 生成器介绍
- [x] 3.2 判别器介绍
- [x] 3.3 训练过程
- [x] 3.4 训练所涉及相关理论基础
- [x] 四、总结
------
## **Star-History**
------
## Donation
If this project help you reduce time to develop, you can give me a cup of coffee :)
AliPay(支付宝)
WechatPay(微信)
------