非常暴露問題的一場面試，把我薄弱的基礎和最近浮躁的學習狀態揭露無疑。
介紹一下自己
你說你用過lstm模型，請講一下計算遺忘門的時候，總共有多少需要學習的引數：
思路：矩陣x
<
t>
x^{}
x<
t>
的形狀是(nx
,m)(n_x, m)
(nx,m
)，a<
t>
a^{}
a<
t>
的形狀是(na
,m)(n_a, m)
(na,m
)，因此stack以後的矩陣 [
a1>,x
<
t>
][a^{}, x^{}]
[a1>,x
<
t>
] 的形狀是(nx
+na,
m)(n_x+n_a, m)
(nx+n
a,m
)。由於c
<
t>
c^{}
c<
t>
與a
<
t>
a^{}
a<
t>
同形狀，因此w
fw_f
wf的形狀為(na
,nx+
na)(n_a, n_x+n_a)
(na,n
x+n
a)，要估計的引數數為 na×
(nx+
na+1
)n_a \times (n_x+n_a + 1)
na×(n
x+n
a+1
) （1 for bias）
你剛才介紹了馬爾可夫蒙特卡洛方法的原理，那你應該比較熟悉馬爾可夫鏈的概念，請講一下隱馬爾可夫模型中狀態轉移矩陣的作用 （內心os: 什麼，那是什麼…一臉懵逼… 回來以後翻了《統計學習方法》才知道他在問的是什麼）
思路： 狀態轉移矩陣由一系列概率構成，矩陣大小是n×
\times
×n (n是所有可能的狀態總數)，aij
a_ai
j表示時刻 t 處於狀態q
iq_i
qi的條件下在時刻 t+1 轉移到狀態q
jq_j
**的概率。 在前向和後向演算法的計算中都涉及到狀態轉移矩陣。
關於蛋白質結構這方面了解多嗎，用過結構分析的軟體嗎？
講了本科和蛋白質結構分析扯不上邊的畢設，第二個問題的回答直接誠實又粗暴：沒有
對python熟悉嗎，python2 和python3裡的map()函式有什麼區別？
思路： python2裡map()函式直接返回乙個list，python3裡返回乙個迭代器物件(iterable)
講一下python裡generator的概念。 (內心os: 聽說過這個概念但從來沒有好好查過。後悔沒有好好從基礎學起，一上來就用python做資料分析，做ml，果然是不可取的)
思路：資料量很大時，一次性生成所有資料的list的空間代價比較大，generator可以一邊迴圈一邊推算，它的.next()方法推算出後乙個元素。
建立generator的方法：用()取代列表生成式的； 用yield()函式
參考用過batchnorm嗎，我們為什麼要使用batchnorm？ batchnorm是針對哪乙個維度做的normalization？
思路： 可以用來解決梯度消失和梯度**的問題(此處面試官附加了乙個問題，什麼是梯度消失和梯度**，參考： )，使訓練出來的網路泛化效能更好。 隨後我想起ng的課堂作業上，bn的**中給的axis = 3，input的shape是 (m, n_h, n_w, n_c)，小心翼翼地回答到：batchnorm是在channel維度上做的… 在面試官耐心又無奈地指導下，知道了bn是對乙個batch做的normalization(不然怎麼叫batchnorm呢)，而且對每個channel各自做(原來axis=3的含義是這樣的)。面到這基本就已經涼了
給你乙個可以生成（1到7） 7個數的隨機數生成器，每個數的概率都是1/7，不限方法，你怎麼用它來造出乙個能生成（1到10）是個數的隨機數生成器？
思路： 想了半天絞盡腦汁說 使用這個隨機數生成器n次，n要盡可能大，根據中心極限定理，這n次的平均值會服從乙個均值和方差都已知的正態分佈，通過曲線下面積把分布分成10等份，對應9個平均值取值的分界點… （面試官說這算是乙個近似解法，而且操作上不現實，並且提示更好的答案只需要取兩次，我還是沒想到）
接下來是正解，用到了下取樣： 取兩次隨機數，第一次記為a，第二次記為b，那麼7a+
b7a+b
7a+b
可以涵蓋從(8到56) 的所有整數，且每個取值的概率都是相等的， 接下來只要隨意地運用下取樣方法就行，比如把所有不在 $(10, 50] $ 這個區間的結果捨棄，即如果出現不在這個區間的情況就重新取樣，隨後這個40個取值就可以分成10份…
甩來一張紙，寫一下快排吧（內心os: 補刀！ 真的是補刀！原來這一行所有的崗位都需要面演算法是真的）
思路：
# 所有left與right比較都帶=號， 所有與pivot的比較都不帶=號(a, start, end):if
not a or start >= end:
return
left = start
right = end
pivot = a[
(left+right)//2
]while left <= right:
while
(left <= right)
and a[left]
< pivot:
left +=
1while
(left <= right)
and a[right]
> pivot:
right -=
1if left <= right:
a[left]
, a[right]
= a[right]
, a[left]
left +=
1 right -=
1 quicksort(a, start, right)
quicksort(a, left, end)總結： 要進軍深度領域，不僅要繼續向前學習更加複雜的模型，更要回過頭去把理論基礎和對工具的使用好好掌握一下，另外，需要好好學習資料結構和演算法。
深度學習 研究方向
優化 optimization 深度學習的問題最後似乎總能變成優化問題，這個時候數值優化的方法就變得尤其重要。從實踐方面來說，現在最為推崇的方法依舊是隨機梯度遞減，這樣乙個極其簡單的方法以其強悍的穩定性深受廣大研究者的喜愛，而不同的人還會結合動量 momentum 偽牛頓方法 pseudo newt...
生物資訊基礎 學習筆記 （2）
問題描述 給定一些 dna 序列 t 行 為了標記，往每一行的隨機位置中新增乙個特殊序列，每一行新增的都是一樣的序列。插入的序列可能會產生基因突變，部分鹼基會發生改變。現在，要已經知道 dna 序列，插入序列的長度 l 因為插入的序列不穩定，很可能會發生基因突變，要找出最可能的一致串 l 嘗試長度為...
基於深度學習的海洋生物聲音頻號智慧型識別技術與實現
基於深度學習的水聲訊號智慧型識別技術與實現 基於開源資料集，講聲音做fft變換轉換為頻譜圖，設計卷積神經網路對聲音進行分類識別。這裡的處理對計算機環境要求比較高。1.研究背景與意義 2.聲音特徵提取技術 3.基於深度學習分類器設計 4.實驗結果及將來工作 水聲處理 頻譜fft log mel mfc...