岗位：高级机器学习算法工程师 笔试时间：2022-9-28
1 简答题1、神经网络中防止过拟合的方法
（1）降低模型复杂度
（2）正则化 ，正则化正是通过在损失函数上添加额外的参数稀疏性惩罚项（正则项），来限制网络的稀疏性，以此约束网络的实际容量，从而防止模型出现过拟合。L1正则化是将权值的绝对值之和加入损失函数，使得权值中0值比重增大，因此得到的权值较为稀疏。L2正则化是将权重的平方之和加入损失函数，使得权值分布更加平均，所以权值较为平滑。
（3）Dropout舍弃，在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，使得每次训练的网络结构多样。
2、为什么使用relu激活函数
（1）可以使网络训练更快。
相比于sigmoid、tanh，导数更加好求，反向传播就是不断的更新参数的过程，因为其导数不复杂形式简单。
（2）增加网络的非线性。 本身为非线性函数，加入到神经网络中可以是网格拟合非线性映射。
（3）防止梯度消失。 当数值过大或者过小，sigmoid，tanh的导数接近于0，relu为非饱和激活函数不存在这种现象。
（4）使网格具有稀疏性。 由于小于0部分为0，大于0部分才有值，所以可以减少过拟合。
3、 x 1 , x 2 ∈ { 0 , 1 } , y ∈ { 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 } x1,x2 \in \{0,1\},y \in \{1,2,3,4,5,6,7,8,9,10\} x1,x2∈{0,1},y∈{1,2,3,4,5,6,7,8,9,10}，已知 p ( Y = y ) = y 10 , P ( x 1 = 1 ∣ Y = y ) = y 10 , ¶ ( x 2 = 1 ∣ Y = y ) = y 540 p(Y=y) = \frac{y}{10},P(x_1=1|Y=y) = \frac{y}{10},\P(x_2=1|Y=y)=\frac{y}{540} p(Y=y)=10y,P(x1=1∣Y=y)=10y,¶(x2=1∣Y=y)=540y,求 P ( y ∣ x 1 = 0 , x 2 = 1 ) P(y|x_1=0,x_2=1) P(y∣x1=0,x2=1) ?
来自题目：Testing Round #16 (Unrated) C. Skier
1、题意: 给一个字符串，N,S,W,E,分别代表上下左右。当走过一个没有走过的边时，花费5秒，如果走过这个边，则花费1秒。(注意:判断的是两点之间的距离,不是单纯的点).给你他的行动轨迹,求消耗的时间。
例子1
NNN 15
例子2
NS 6
例子3
WWEN 16
例子4
WWEE 12
例子5
NWNWS 25
https://blog.csdn.net/moasad/article/details/105991386 （2）解析 将每条路径的两个端点坐标存储起来，使用元组来存储两个坐标，注意一条线段的两个坐标是有两个方向。
direction = {
'N':(0,1),
'S':(0,-1),
'E':(-1,0),
'W':(1,0)
}
x,y= 0,0
ans = 0
path = 'WWEN' # 输出16
# path ='NWNWS' # 输出25
# x1,y1线段的当前坐标，x,y表示线段的另一个坐标。
visit = set([(0,0,0,0)])
for p in path:
dx,dy = direction[p]
x1,y1 = x+dx,y+dy
if (x1,y1,x,y) in visit or (x,y,x1,y1) in visit:
ans +=1
else:
ans+=5
# 存储线段，线段的两个坐标，两个方向都要存储
visit.add((x1,y1,x,y))
visit.add((x,y,x1,y1))
x,y =x1,y1
print(ans)
2、路径长度为l，有 a i a_i ai个路径点，两辆车分别从路径的两端开始，以1个单位的速度相向而行，每当一辆车经过路径点，它的速度提高一个单位每秒，求两辆车会多少秒后相遇？
