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、 $\in \{0,1\},y \in \{1,2,3,4,5,6,7,8,9,10\}$ ，已知 $\frac{y}{10},P(x_1=1|Y=y) = \frac{y}{10},\P(x_2=1|Y=y)=\frac{y}{540}$ ,求 $P(y|x_1=0,x_2=1)$ ?

在这里插入图片描述

2 编程题

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+dyif (x1,y1,x,y) in visit or (x,y,x1,y1) in visit:ans +=1else: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)