351 lines
14 KiB
Markdown
351 lines
14 KiB
Markdown
# 答疑篇｜思考题答案集锦
|
||
|
||
你好，我是编辑宇新。春节将至，给你拜个早年。
|
||
|
||
距离我们的专栏更新结束，已经过去不少时间啦。方远老师仍然会在工作之余，回到专栏里转一转，看看同学最新的学习动态。大部分的疑问，老师都在留言区里做了回复。
|
||
|
||
除了紧跟更新的第一批同学，也很开心看到有更多新朋友加入到这个专栏的学习中。课程的思考题，为了给你留足思考和研究的时间，我们选择用加餐的方式，把所有参考答案一次性发布出来。
|
||
|
||
这里要提醒一下，建议你先自己思考和练习后，再来对答案。每节课都有超链接，方便你跳转回顾。
|
||
|
||
## [第2节课](https://time.geekbang.org/column/article/426126)
|
||
|
||
题目：在刚才用户对游戏评分的那个问题中，你能计算一下每位用户对三款游戏打分的平均分吗？
|
||
|
||
答案：
|
||
|
||
```plain
|
||
>>>interest_score.mean(axis=1)
|
||
|
||
```
|
||
|
||
## [第3节课](https://time.geekbang.org/column/article/42680)
|
||
|
||
题目：给定数组scores，形状为（256，256，2），scores\[: , :, 0\] 与scores\[:, :, 1\]对应位置元素的和为1，现在我们要根据scores生产数组mask，要求scores通道0的值如果大于通道1的值，则mask对应的位置为0，否则为1。
|
||
|
||
scores如下，你可以试试用代码实现：
|
||
|
||
```plain
|
||
scores = np.random.rand(256, 256, 2)
|
||
scores[:,:,1] = 1 - scores[:,:,0]
|
||
|
||
```
|
||
|
||
答案：
|
||
|
||
```plain
|
||
mask = np.argmax(scores, axis=2)
|
||
|
||
```
|
||
|
||
## [第4节课](https://time.geekbang.org/column/article/427460)
|
||
|
||
题目：在PyTorch中，有torch.Tensor()和torch.tensor()两种函数，它们的区别是什么呢？
|
||
|
||
答案：torch.Tensor()**是Pytorch中的类**，其实它是torch.FloatTensor()的别名，使用torch.Tensor()会调用Tensor类的构造函数，生成float类型的张量；
|
||
|
||
而torch.tensor()**是Pytorch的函数**，函数原型是torch.tensor(data, dtype…)，其中data可以是scalar，list，tuple等不同的数据结构形式。
|
||
|
||
## [第5节课](https://time.geekbang.org/column/article/428186)
|
||
|
||
题目：现在有个Tensor，如下。
|
||
|
||
```python
|
||
>>> A=torch.tensor([[4,5,7], [3,9,8],[2,3,4]])
|
||
>>> A
|
||
tensor([[4, 5, 7],
|
||
[3, 9, 8],
|
||
[2, 3, 4]])
|
||
|
||
```
|
||
|
||
我们想提取出其中第一行的第一个，第二行的第一第二个，第三行的最后一个，该怎么做呢？
|
||
|
||
答案：
|
||
|
||
```python
|
||
>>> B=torch.Tensor([[1,0,0], [1,1,0],[0,0,1]]).type(torch.ByteTensor)
|
||
>>> B
|
||
tensor([[1, 0, 0],
|
||
[1, 1, 0],
|
||
[0, 0, 1]], dtype=torch.uint8)
|
||
>>> C=torch.masked_select(A,B)
|
||
>>> C
|
||
tensor([4, 3, 9, 4])
|
||
|
||
```
|
||
|
||
我们只需要创建一个形状跟A一样的Tensor，然后将对应位置的数值置为1，然后再把Tensor转换成torch.ByteTensor类型得到B，最后跟之前masked\_select一样的操作就OK啦。
|
||
|
||
## [第6节课](https://time.geekbang.org/column/article/429048)
|
||
|
||
题目：在PyTorch中，我们要定义一个数据集，应该继承哪一个类呢？
|
||
|
||
答案：torch.utils.data.Dataset
|
||
|
||
## [第7节课](https://time.geekbang.org/column/article/429826)
|
||
|
||
题目：Torchvision中 transforms 模块的作用是什么？
|
||
|
||
答案：常用的图像操作，例如随机切割、旋转、Tensor 与 Numpy 和 PIL Image 的数据类型转换等。
|
||
|
||
## [第8节课](https://time.geekbang.org/column/article/431420)
|
||
|
||
题目：请你使用`torchvision.models`模块实例化一个VGG 16网络。
|
||
|
||
答案：
|
||
|
||
```python
|
||
import torchvision.models as models
|
||
vgg16 = models.vgg16(pretrained=True)
|
||
|
||
```
|
||
|
||
## [第9节课](https://time.geekbang.org/column/article/432042)
|
||
|
||
题目：请你想一想，padding为’same’时，stride可以为1以外的数值吗？
|
||
|
||
答案：不可以。
|
||
|
||
## [第10节课](https://time.geekbang.org/column/article/433801)
|
||
|
||
题目：随机生成一个3通道的128x128的特征图，然后创建一个有10个卷积核且卷积核尺寸为3x3（DW卷积）的深度可分离卷积，对输入数据进行卷积计算。
|
||
|
||
答案：
|
||
|
||
```plain
|
||
import torch
|
||
import torch.nn as nn
|
||
|
||
# 生成一个三通道的128x128特征图
|
||
x = torch.rand((3, 128, 128)).unsqueeze(0)
|
||
# DW卷积groups参数与输入通道数一样
|
||
dw = nn.Conv2d(x.shape[1], x.shape[1], 3, 1, groups=x.shape[1])
|
||
pw = nn.Conv2d(x.shape[1], 10, 1, 1)
|
||
out = pw(dw(x))
|
||
print(out.shape)
|
||
|
||
```
|
||
|
||
## [第11节课](https://time.geekbang.org/column/article/435553)
|
||
|
||
题目：损失函数的值越小越好么？
|
||
|
||
答案：不是的，咱们在这节课中学习的损失函数，实际上是模型在训练数据上的平均损失，这种损失函数我们称作为经验风险。实际上，还有一个方面也是我们在实际工作中需要考虑的，那就是模型的复杂度：一味追求经验风险的最小化，很容易使得模型过拟合（可回顾一下前文内容）。
|
||
|
||
所以，还需要对模型的复杂度进行约束，我们称之为结构风险。实际研发场景中**，最终的损失函数是由经验风险和结构风险共同组成的，我们要求的是两者之和的最小化**。
|
||
|
||
## [第12节课](https://time.geekbang.org/column/article/436564)
|
||
|
||
题目：深度学习都是基于反向传播的么？
|
||
|
||
答案：不是的，主流的深度学习模型是基于反向传播和梯度下降的，但是一些非梯度下降的二阶优化算法也是存在的，比如拟牛顿法等。不过计算代价非常大，用的就比较少了。而且一般而言，工业界基本都采用基于反向传播和梯度下降的方式。
|
||
|
||
## [第13节课](https://time.geekbang.org/column/article/438639)
|
||
|
||
题目：batch size越大越好吗？
|
||
|
||
答案：不是的。较大的batch\_size容易使模型收敛在局部最优点，特别小则容易受噪声影响。
|
||
|
||
## [第14节课](https://time.geekbang.org/column/article/442442)
|
||
|
||
题目：请你自己构建一个卷积神经网络，基于CIFAR-10，训练一个图像分类模型。因为还没有学习图像分类原理，所以我先帮你写好了网络的结构，需要你补全数据读取、损失函数(交叉熵损失)与优化方法（SGD）等部分。
|
||
|
||
```python
|
||
class MyCNN(nn.Module):
|
||
def __init__(self):
|
||
super().__init__()
|
||
self.conv1 = nn.Conv2d(3, 16, kernel_size=3)
|
||
# conv1输出的特征图为222x222大小
|
||
self.fc = nn.Linear(16 * 222 * 222, 10)
|
||
|
||
def forward(self, input):
|
||
x = self.conv1(input)
|
||
# 进去全连接层之前，先将特征图铺平
|
||
x = x.view(x.shape[0], -1)
|
||
x = self.fc(x)
|
||
return x
|
||
|
||
```
|
||
|
||
答案：
|
||
|
||
```python
|
||
import torch
|
||
import torch.nn as nn
|
||
import torchvision
|
||
import torchvision.transforms as transforms
|
||
from torch.utils.data import DataLoader
|
||
|
||
transform = transforms.Compose([
|
||
transforms.RandomResizedCrop((224,224)),
|
||
transforms.ToTensor(),
|
||
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
|
||
])
|
||
cifar10_dataset = torchvision.datasets.CIFAR10(root='./data',
|
||
train=False,
|
||
transform=transform,
|
||
target_transform=None,
|
||
download=True)
|
||
dataloader = DataLoader(dataset=cifar10_dataset, # 传入的数据集, 必须参数
|
||
batch_size=32, # 输出的batch大小
|
||
shuffle=True, # 数据是否打乱
|
||
num_workers=2) # 进程数, 0表示只有主进程
|
||
|
||
class MyCNN(nn.Module):
|
||
def __init__(self):
|
||
super().__init__()
|
||
self.conv1 = nn.Conv2d(3, 16, kernel_size=3)
|
||
# conv1输出的特征图为222x222大小
|
||
self.fc = nn.Linear(16 * 222 * 222, 10)
|
||
|
||
def forward(self, input):
|
||
x = self.conv1(input)
|
||
# 进去全连接层之前，先将特征图铺平
|
||
x = x.view(x.shape[0], -1)
|
||
x = self.fc(x)
|
||
return x
|
||
|
||
cnn = MyCNN()
|
||
optimizer = torch.optim.SGD(cnn.parameters(), lr=1e-5, weight_decay=1e-2, momentum=0.9)
|
||
|
||
# 训练3个Epoch
|
||
for epoch in range(3):
|
||
for step, (images, target) in enumerate(dataloader):
|
||
output = cnn(images)
|
||
|
||
loss = nn.CrossEntropyLoss()(output, target)
|
||
print('Epoch: {} Step: {} Loss: {}'.format(epoch + 1 , step, loss))
|
||
cnn.zero_grad()
|
||
loss.backward()
|
||
optimizer.step()
|
||
|
||
```
|
||
|
||
## [第15节课](https://time.geekbang.org/column/article/444252)
|
||
|
||
题目：参考Visdom快速上手中的例子，现在需要生成两组随机数，分别表示Loss和Accuracy。在迭代的过程中，如何用代码同时绘制出Loss和Accuracy两组数据呢？
|
||
|
||
答案：
|
||
|
||
```python
|
||
from visdom import Visdom
|
||
import numpy as np
|
||
import time
|
||
|
||
# 实例化窗口
|
||
viz = Visdom(port=6006)
|
||
# 初始化窗口参数
|
||
viz.line([[0.,0.]], [0.],
|
||
win='train',
|
||
opts=dict(title='loss&acc', legend=['loss','acc'])
|
||
)
|
||
|
||
for step in range(10):
|
||
loss = 0.2 * np.random.randn() + 1
|
||
acc = 0.1 * np.random.randn() + 0.5
|
||
# 更新窗口数据
|
||
viz.line([[loss, acc]], [step], win='train', update='append')
|
||
time.sleep(0.5)
|
||
|
||
```
|
||
|
||
运行结果如图所示：
|
||
|
||
|
||
|
||
## [第16节课](https://time.geekbang.org/column/article/445886)
|
||
|
||
题目：在torch.distributed.init\_process\_group(backend=“nccl”)函数中，backend参数可选哪些后端，它们分别有什么区别？
|
||
|
||
答案：backend参数指定的通信后端，包括NCCL、MPI、gloo。NCCL是Nvidia提供的官方多卡通信框架，相对比较高效；MPI也是高性能计算常用的通信协议，但是需要自己安装MPI实现框架，例如OpenMPI；gloo是内置通信后端，但不够高效。
|
||
|
||
## [第18节课](https://time.geekbang.org/column/article/447503)
|
||
|
||
题目：老板希望你的模型能尽可能的把线上所有极客时间的海报都找到，允许一些误召回。训练模型的时候你应该侧重精确率还是召回率？
|
||
|
||
答案：侧重召回率。
|
||
|
||
## [第19节课](https://time.geekbang.org/column/article/450898)
|
||
|
||
题目：对于这节课里讲的小猫分割问题，最终只输出1个特征图是否可以？
|
||
|
||
答案：可以的，因为小猫分割是一个二分类问题，可以将输出的特征图使用sigmoid函数将输出的数值转换为一个概率，从而进行判断。
|
||
|
||
## [第20节课](https://time.geekbang.org/column/article/455415)
|
||
|
||
题目：图像分割的评价指标都有什么？
|
||
|
||
答案：mIoU和Dice系数。
|
||
|
||
## [第21节课](https://time.geekbang.org/column/article/460504)
|
||
|
||
题目：TF-IDF有哪些缺点呢？你不妨结合它的计算过程做个梳理。
|
||
|
||
答案：TF-IDF认为文本频率小的单词就越重要，也就是区分性越强，但是实际上很多情况下，这并不正确。比如一篇财经类文章有一句“股价就跟火箭一样上了天”，这里的“火箭”就会变得非常重要，显然是错误的。怎么办呢？一般我们会对词频做一个条件过滤，比如超过多少次。也会对TF-IDF的公式进行改进，具体改进方法，如果有兴趣的话，你可以借助网络查找相应的文章。
|
||
|
||
## [第22节课](https://time.geekbang.org/column/article/461691)
|
||
|
||
题目：词向量的长度多少比较合适呢？越长越好吗？
|
||
|
||
答案：不是的，越长的词向量尽管可以更加精细的表示词语的空间位置，但是也会带来计算量的暴涨、数据稀疏等问题，一般来说我们较多的选择64、128、256这样的长度，具体是多少，要靠实验来不断的确定。有的论文给出的建议是n>8.33logN，具体是否可行，还是要结合实际情况来敲定。
|
||
|
||
## [第23节课](https://time.geekbang.org/column/article/462524)
|
||
|
||
题目：利用今天训练的模型，编写一个函数predict\_sentiment，实现输入一句话，输出这句话的情绪类别与概率。
|
||
|
||
例如：
|
||
|
||
```python
|
||
text = "This film is terrible!"
|
||
predict_sentiment(text, model, tokenizer, vocab, device)
|
||
'''
|
||
输出：('neg', 0.8874172568321228)
|
||
'''
|
||
|
||
```
|
||
|
||
答案：参考代码如下。
|
||
|
||
```python
|
||
# 预测过程
|
||
def predict_sentiment(text, model, tokenizer, vocab, device):
|
||
tokens = tokenizer(text)
|
||
ids = [vocab[t] for t in tokens]
|
||
length = torch.LongTensor([len(ids)])
|
||
tensor = torch.LongTensor(ids).unsqueeze(dim=0).to(device)
|
||
prediction = model(tensor, length).squeeze(dim=0)
|
||
probability = torch.softmax(prediction, dim=-1)
|
||
predicted_class = prediction.argmax(dim=-1).item()
|
||
predicted_probability = probability[predicted_class].item()
|
||
predicted_class = 'neg' if predicted_class == 0 else 'pos'
|
||
return predicted_class, predicted_probability
|
||
|
||
# 加载模型
|
||
model.load_state_dict(torch.load('lstm.pt'))
|
||
|
||
text = "This film is terrible!"
|
||
predict_sentiment(text, model, tokenizer, vocab, device)
|
||
|
||
```
|
||
|
||
## [第24节课](https://time.geekbang.org/column/article/464152)
|
||
|
||
题目：Bert处理文本是有最大长度要求的（512），那么遇到长文本，该怎么办呢？
|
||
|
||
答案：这是一个非常开放的问题，设置为最大512主要还是兼顾了效率问题，但还是有非常多的解决办法，比如我们之前提到过的关键词提取。或者分别从开头、中间、结尾选择一定长度的内容做运算。不过这些都是比较简单的办法。你还有更好的办法吗？欢迎留言给我。
|
||
|
||
## [第25节课](https://time.geekbang.org/column/article/464870?)
|
||
|
||
题目：自2018年BERT被提出以来，获得了很大的成功，学术界陆续提出了各类相关模型，例如我们今天学习的BART。请你查一查还有哪些BERT系列的模型，并阅读相关论文，自行学习一下它们的原理与特点。
|
||
|
||
答案：
|
||
|
||
[XLNet: Generalized Autoregressive Pretraining for Language Understanding](https://arxiv.org/abs/1906.08237)
|
||
|
||
[RoBERTa: A Robustly Optimized BERT Pretraining Approach](https://arxiv.org/abs/1907.11692)
|
||
|
||
[ALBERT: A Lite BERT for Self-supervised Learning of Language Representations](https://arxiv.org/abs/1909.11942)
|
||
|
||
最后，再次祝愿你虎年快乐，学习进步，工作顺利！
|
||
|