问题1：神经网络有哪些初始化的方法、为什么要初始化

不初始化可能会减慢收敛速度，影响收敛效果。

如果使用的是预训练模型，是不需要自己进行初始化的，只有没有预训练模型的时候需要初始化。

常用的权重初始化算法是「kaiming_normal」或者「xavier_normal」。

以下n_in为网络的输入大小,n_out为网络的输出大小，n为n_in或(n_in + n_out) * 0.5

- uniform均匀分布初始化：

- Xavier初始法，适用于普通激活函数(tanh，sigmoid)：

- He初始化，适用于ReLU：

• normal高斯分布初始化，其中stdev为高斯分布的标准差，均值设为0：
  
• Xavier初始法，适用于普通激活函数(tanh,sigmoid)：
  
• He初始化，适用于ReLU：
  
  svd初始化：对RNN有比较好的效果。参考论文: https:/larxiv.org/abs/1312.612ol8]

福利：2021年最新大厂AI面试秘籍PDF 《2021年最新大厂AI面试题 Q2版》&《名企AI面试100题》，文末免费领！

问题2：python迭代器和生成器

可迭代对象（Iterable Object），简单的来理解就是可以使用 for 来循环遍历的对象。比如常见的 list、set和dict。

可迭代对象具有__iter__ 方法，用于返回一个迭代器，或者定义了getitem方法，可以按 index 索引的对象（并且能够在没有值时抛出一个 IndexError 异常），因此，可迭代对象就是能够通过它得到一个迭代器的对象。所以，可迭代对象都可以通过调用内建的 iter() 方法返回一个迭代器。

生成器其实是一种特殊的迭代器，不过这种迭代器更加优雅。它不需要再像上面的类一样写__iter__()和__next__()方法了，只需要一个yiled关键字。

问题3：GBDT为什么拟合负梯度而不是残差

函数中下降最快的方向是导数方向，同理：GBDT中，损失函数减小最快的方向也是本身的导数方向。当损失函数为均方误差时，损失函数的负梯度和残差一样，但当损失函数不为均方误差时，本质上拟合的还是负梯度。

问题4：用python写一下堆排序

问题5：用python写一下快排排序

添加微信julyedufu77，领取七月在线干货组最新升级的《2021最新大厂AI面试题 Q2版》&《名企AI面试100题》PDF！**

持续无限期更新大厂最新面试题，AI干货资料，目前干货组汇总了今年3月-6月份，各大厂面试题，助力数千人拿到dream offer。