作者：Pratik Bhavsar      编译：ronghuaiyang

导读

在NLP的面试中提问频率非常高的问题。

练习NLP是一回事，破解面试是另一回事。对NLP人员的面试与一般的数据科学非常不同。在短短几年内，由于迁移学习和新的语言模型，这些问题已经完全改变了。我个人经历过，随着时间的推移，NLP面试变得越来越艰难，因为我们取得了更多的进步。

早些时候，都是关于SGD，naive-bayes和LSTM，但现在更多的是关于LAMB，transformer和BERT。

这篇文章是我在接受采访时遇到的一些问题的小的总结，希望能对现在的NLP的面试的一些重要方面有所帮助。在transformer架构之后，我更关注NLP中发生的事情，这也是我在面试中主要的问题。

这些问题对于评估NLP工程师非常重要，如果你没有被问到任何一个问题，你可能正在面试一个过时的NLP团队，他们做复杂工作的范围更小。

---

什么是perplexity？它在NLP中的地位是什么？

Perplexity是一种表达模型在预测中出现的混乱程度的方法。熵越大=越混乱。使用Perplexity来评估NLP中的语言模型。一个好的语言模型会给正确的预测赋予更高的概率。

ReLu的问题是什么？

• 爆炸梯度(通过梯度裁剪来解决)

• 死亡ReLu — 激活为0时不进行学习(通过加参数的ReLu解决)

• 激活值的均值和方差不是0和1。(通过从激活中减去约0.5来部分解决这个问题。在fastai的视频力有个更好的解释)

使用SVD学习潜在特征和使用深度网络获取嵌入向量有什么区别？

SVD使用输入的线性组合，而神经网络使用非线性组合。

LSTM的hidden和cell存储的信息是什么？

hidden存储到当前时间步的所有信息，cell存储将来的时间步中可能需要的特定信息。

带bias的LSTM模型的参数个数

4(????h+h²+h) 其中 ???? 是输入向量的尺寸， h 是输出向量的尺寸，hidden也是一样。

要注意的是 mh 中 m>>h. 因此重要的一点是需要使用小的词汇表。

LSTM的复杂度

序列长度*hidden²

transfomer的时间复杂度

序列长度²*hidden

当hidden尺寸大于序列长度时(通常是这种情况)时，transfomer速度比LSTM快。

为什么self-attention怎么牛逼？

“在计算复杂性方面，当序列长度n小于表示维数d时，self-attention层速度比recurrent层要快，实际情况也往往是这样，同时可以在机器翻译中使用最先进的模型来进行句子的表示，比如word-piece和byte-pair表示。“ — Attention is all you need

Adam optimiser的局限性是什么？

虽然使用Adam进行训练有助于快速收敛，但结果模型的泛化性能往往不如使用SGD进行动量训练时的泛化性能。另一个问题是，即使Adam有自适应学习率，当使用良好的学习率计划时，它的性能也会提高。特别是在训练的早期，使用较低的学习率来避免发散是有益的。这是因为在一开始，模型的权值是随机的，因此得到的梯度不是很可靠。如果学习率太大，可能会导致模型采取太大的步骤，而没有确定合适的权重。当模型克服了这些初始稳定性问题后，可以提高学习速度，加快收敛速度。这个过程被称为学习率热身，其中一个版本在论文“Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour”中有描述。

AdamW和Adam有什么不同？

AdamW是Adam在权重上使用了L2正则化，这样小的权重泛化性能更好。

使用大的batch size可以训练模型更快吗？

是的！

在2018年4月的这条推特中，Yann建议不要使用大的batch size。

好消息！

这在以前是不可能的，但是现在有了新的优化器，比如LARS和LAMB。ALBERT使用了LAMB和batch size为4096进行了训练。

Large Batch Optimization for Deep Learning: Training BERT in 76 minutes：https://arxiv.org/abs/1904.00962

你喜欢特征提取还是微调？你怎么决定？你会使用BERT作为特征提取器还是对它进行微调？

在这篇文章中有详细的解释。

Transfer Learning in NLP：https://medium.com/modern-nlp/transfer-learning-in-nlp-f5035cc3f62f

举一个学习率调度策略的例子？

解释Leslie Smith的cycle策略。

我们应该在深度学习中进行交叉验证吗？

不用。

随着样本数量的增大，cross-folds的方差减小。因为我们只有在样本成千上万的情况下才进行深度学习，所以交叉验证的意义不大。

在多任务学习中，软、硬参数共享的区别是什么？

在硬共享中，我们一次训练所有的任务，并根据所有的损失更新权重。在软共享中，我们一次只训练一个任务。

注意力机制有哪些不同类型？

BatchNorm和LayerNorm的区别？

BatchNorm — 为每一个小batch计算每一层的平均值和方差

LayerNorm — 独立计算每一层每一个样本的均值和方差

为什么transformer块使用LayerNorm而不是BatchNorm？

从LayerNorm的优点来看，它对于batch大小是健壮的，并且在样本级别而不是batch级别工作得更好。

如果你知道你的训练数据有错误，你会对你的深度学习代码做什么改变？

我们可以做标签平滑，其中的平滑值是基于百分误差。如果任何特定的类有已知的误差，我们还可以使用类权值来修正损失。

如何为一个任务选择文本编码器？你最喜欢的文本编码器是什么？为什么？

这是一个主观问题，你可以通过阅读了解更多

Variety Of Encoders In NLP：https://medium.com/modern-nlp/on-variety-of-encoding-text-8b7623969d1e

在ULMFiT中使用了哪些技巧？(不是很好的问题，但是可以检查意识)

• 使用任务文本进行语言模型的调优

• 权重dropout

• 每个层独立的学习率

• 逐步的解冻层

• 斜三角学习率策略

接下来可以提出一个问题，解释它们是如何提供帮助的。

为什么transformer的性能比LSTM好？

https://medium.com/saarthi-ai/transformers-attention-based-seq2seq-machine-translation-a28940aaa4fe

有趣的问题：在transformer中使用最多的层是哪一层?

Dropout ????

技巧问题：告诉我一个不使用dropout的语言模型

ALBERT v2：这说明了一个事实，我们认为理所当然的许多假设并不一定是正确的。ALBERT中参数共享的正则化效果非常强，不需要dropouts。(ALBERT v1有dropouts。)

GPT和GPT-2有什么区别？

• Layer normalization放到了每个sub-block中，类似于残差单元的“building block”（和原始的“bottleneck”不一样，原始的里面在权重层之前有批归一化层）。

• 在最后的self-attention block之后添加了一个额外的layer normalization。

• 使用模型深度的函数来对初始化进行修改。

• 残差层权值初始按1/√n的倍数缩放，其中n为残差层数。

• 使用更大的词汇量和上下文。

GPT和BERT有什么不同？

• GPT不是双向的，没有masking的概念

• BERT在训练中加入了下一个句子预测任务，所以它也有 segment嵌入

BERT和ALBERT v2有什么不同？

• 嵌入矩阵分解(有助于减少参数数量)

• 没有dropout

• 参数共享(有助于减少参数数量并进行正则化)

ALBERT中的参数共享如何影响训练和推理时间？

没有效果。参数共享只是减少了参数的数量。

如何减少训练好的神经网络模型的推理时间？

• 在GPU/TPU/FPGA上进行服务

• 16位量化，部署在支持fp16的GPU上提供服务

• 剪枝以减少参数

• 知识蒸馏(用于较小的transformer模型或简单的神经网络)

• 分层softmax

• 你也可以缓存结果，这里有解释。

Productionizing NLP Models：https://medium.com/modern-nlp/productionizing-nlp-models-9a2b8a0c7d14

给你这个图表，你会选择transformer模型还是LSTM语言模型？

你会把BPE与经典模型结合使用吗?

当然！BPE是一个智能的tokens生成器，它可以帮助我们获得更小的词汇表，这可以帮助我们找到参数更少的模型。

如何制作一个arxiv论文搜索引擎？(有人问我 —— 你怎么做一个抄袭检测器？)

用TF-IDF相似度得到k个top的结果，然后用

• 语义编码+余弦相似度

• 一个排序模型

On Semantic Search：https://medium.com/modern-nlp/semantic-search-fuck-yeah-e371c0f639d

如何制作一个情感分类器？

这是个脑筋急转弯。面试者可以说所有的事情，如使用转移学习和最新的模型，但他们需要说到有一个中性的类，否则你可以有很好的准确性和f1值，模型会把一切只分为积极或消极。

事实上，很多新闻都是中立的，所以训练需要设置这个类别。被面试者还应该谈到他将如何创建一个数据集和他的训练策略，如选择语言模型，语言模型微调和使用各种数据集进行多任务学习。

—END—

英文原文：https://medium.com/modern-nlp/nlp-interview-questions-f062040f32f7

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（pdf更新到25集）备注：加入本站微信群或者qq群，请回复“加群”获取一折本站知识星球优惠券，请回复“知识星球”喜欢文章，点个在看