这部分只要是说一些深度学习方面的面试总结。
机器学习拟合问题
如何判断拟合情况
通过看训练集误差和验证集误差对比
欠拟合：训练集和验证集的误差都较大，但相差很少
适度拟合：训练集和验证集的误差都很低
过拟合：训练集误差较低，验证集误差比训练集大得多
解决拟合问题
解决过拟合：
增加数据集的样本数、降低模型复杂度、减少训练时间、加正则化（L1/L2）、dropout、mini-batch、结合多种模型
解决欠拟合：模型特征项不够
添加多项式特征、减少正则化参数
模型基础
张量\数据流图
张量在Python中就是数据类型（多维数组）
TensorFlow提供了专门处理高维稀疏数据的SparseTensor类，该类以键值对的形式表示高维稀疏数据，其包含indices、values、dense_shape这3个属性，indices代表形状为[N, ndims]的Tensor实例， N为非零元素的个数， ndims表示张量阶数。values是一个形状为[N]的对象，用于保存indices中指定的非零元素。dense_shape是一个形状为[ndims]的Tensor实例，表示该稀疏张量对应稠密张量的形状。
数据流图是一个具有计算拓扑和内部结构的“壳”，实际上就是模型具体实现的数据变换过程。
优化器（性能指标）
激活、损失、优化
激活函数是负责神经元上下层之间数据的非线性映射
损失函数是表现模型输出的推理值与真实值之间的差异函数
优化函数就是如何更好更快的找到最优参数求解