最新推荐！TensorFlow面试题及其答案合集 _TensorFlow

文章图片
下面列出了最常见的TensorFlow面试问题和答案。
1)什么是TensorFlow？
TensorFlow是一个基于Python的库, 用于创建机器学习应用程序。它是执行复杂数学的低级工具包。它为用户提供了可定制性选项, 以构建实验性学习体系结构。它还可以帮助用户与他们合作, 并将他们转变为正在运行的软件。它最初由Google Brain团队的研究人员和工程师创建, 并于2015年成为开源。
TensorFlow由两个词Tensor和Flow组成；张量被称为多维数组的数据表示, 流意味着对张量执行的一系列操作。
2)你对张量了解多少？
张量是计算机程序中使用的n维数组的矢量或矩阵的一般化。它代表数字形式的大量数据。互联网上没有其他可用的其他n维数组库, 例如Numpy, 但TensorFlow与那些库不同。它提供了创建张量函数和自动计算导数的方法。
图形可以在张量中进行所有操作。可以说节点的边缘称为张量。我们需要一个特征向量作为实现Tensor的初始输入。在机器学习中向模型提供对象列表, 这些对象称为特征向量。
我们可以借助以下图表了解张量：

文章图片
在此, 箭头表示多维。有一个张量, 称为压力, 它描述了在两个方向上发生的事情。
3)有多少张量？
可使用三种类型的张量来创建神经网络模型：

恒定张量
顾名思义, 常量张量用作常量。他们创建一个接受值且不会更改的节点。可以使用tf.constant创建一个常量。
tf.constant(value, dtype = None, shape = None, name =’ Const’ , verify_shape = False)
它接受五个参数。
可变张量
可变张量是提供其当前值作为输出的节点。这意味着它们可以在图形的多次执行中保留其价值。
占位符张量
占位符张量比变量至关重要。这些用于以后分配数据。占位符是在执行时馈入其值的节点。假设, 我们有一些依赖于外部数据的网络输入。另外, 我们不希望我们的图形在开发图形时依赖于任何实际值, 因此占位符是有用的数据类型。我们甚至可以构建没有任何数据的图形。
因此, 占位符不需要任何初始值。他们只需要一个数据类型(例如float32)和张量形状, 因此即使它没有任何存储的值, 该图仍然知道要用什么进行计算。

4)向TensorBoard解释？
TensorBoard是一套可视化工具, 用于检查和理解TensorFlow运行和图形。这是创建者提供的Tensorflow的简单解决方案, 可让我们可视化图形。它绘制关于图形的定量指标以及其他数据, 例如要通过的图像.TensorBoard当前支持五种可视化技术, 例如标量, 图像, 音频, 直方图和图形。它提高了图形的准确性和流程。
5)TensorFlow的主要功能是什么？
Tensorflow具有对多种语言的API支持, 例如Matlab和C ++。研究人员一直在努力使它变得更好。还引入了一个javascript库tensorflow.js, 用于训练和部署机器学习模型。
6)TensorFlow有什么优势？
TensorFlow的一些主要优点如下：

可以轻松地在CPU和GPU上对其进行培训, 以进行分布式计算。
它具有自动区分功能。
它具有平台灵活性。
它易于定制和开源。
它对线程, 异步计算和队列具有高级支持。

7)列出Tensorflow的一些限制。
TensorFlow有一些限制, 如下所述：

它不提供对OpenCL(开放计算语言)的支持。
它需要高级演算和线性代数的先验知识, 以及对机器学习的充分理解。
如果在相同范围内导入, 则与Theano的GPU内存冲突。

8)TensorFlow支持哪些客户端语言？
TensorFlow提供了对多种客户端语言的支持, 其中最好的一种是Python。有一些实验性接口可用于C ++, Java和Go。开源社区创建并支持许多其他语言(例如C＃, Julia, Ruby和Scala)的语言绑定。

文章图片
9)TensorFlow Architecture的三个工作组件是什么？
TensorFlow架构分为三个部分：

预处理数据
建立模型
训练和估计模型

10)说明将数据加载到TensorFlow中的几种选择。
在训练机器学习算法之前, 将数据加载到TensorFlow中是第一步。有两种加载数据的方式：

将数据加载到内存中
这是最简单的方法。所有数据都作为单个阵列加载到内存中。可以编写与TensorFlow无关的Python代码。
Tensorflow数据管道
TensorFlow具有内置的API, 可帮助轻松加载数据, 执行操作以及提供机器学习算法。存在大量数据集时, 通常使用此方法。

11)描述大多数TensorFlow算法的通用步骤吗？

通过占位符导入数据, 生成数据或设置数据管道。
通过计算图输入数据。
评估损失函数的输出。
使用反向传播来修改变量。
重复直到停止状态。

12)提及一些方法来处理TensorFlow中的过拟合问题。

辍学技巧
正则化
批量标准化

13)你对TensorFlow Manager知道多少？
TensorFlow管理器负责通过其装载程序来装载, 卸载, 查找和对所有可服务对象进行生命周期管理。 TensorFlow Managers控制Servable的整个生命周期, 包括：

加载服务
服务内容
卸货

这是一个抽象类。其语法为：

#include < manager.h>

14)什么是TensorFlow服务？此外, 请解释TensorFlow服务。
客户端使用一些对象来执行计算, 这些对象称为Servable。 servable的大小是灵活的。一个可服务项可能包含任何内容, 从查找表到单个模型再到推理模型的元组。这些servable是TensorFlow Serving中的核心基本单元。
TensorFlow Serving专为生产环境而设计。它是用于机器学习模型的灵活, 高性能的服务系统。 TensorFlow Serving可以轻松部署新算法和实验, 同时保持相同的服务器体系结构和API。 TensorFlow Serving提供与TensorFlow模型的现成集成。只要需要, 它也可以轻松扩展以服务于其他类型的模型和数据。

文章图片
15)TensorFlow的用例是什么？
【最新推荐！TensorFlow面试题及其答案合集】Tensorflow是深度学习的重要工具。它主要有五个用例, 它们是：

基于文本的应用程序
语音/声音识别
时间序列
图像识别
视频检测

16)你可以在哪里运行TensorFlow？
TensorFlow可以在不同的平台上运行：

操作系统, 例如Windows, OS和Linux
云网络服务
IOS和Android等移动操作系统

17)什么时候可以在TensorFlow中找到模型的过拟合条件？
训练数据有所不同, 此数据需要通过TensorFlow进行验证。如果数据中的变化很大, 则可能会出现过度拟合。最好的解决方案是最大程度地消除可用数据中的噪声。
18)TensorFlow的加载程序是什么？
加载程序可以实现为加载, 卸载和访问新型的可服务机器学习模型。这些加载器用于在后端添加算法和数据。函数load()用于从保存的模型中加载模型。
19)列出一些使用TensorFlow构建的产品。
使用TensorFlow构建了一些产品：

奈斯
乔治·卡姆(Giorgio Cam)
手写识别
教学机

20)TensorFlow的来源是什么？
来源是识别并提供服务的模块类型。每个源提供零个或多个可服务流。每个可服务版本都提供了一个加载程序, 使其可以访问, 以便可以加载。
21)TensorFlow与其他库相比有什么好处？说明。
TensorFlow与其他库相比有很多优点, 如下所示：

可扩展性
TensorFlow提供易于扩展的机器学习应用程序和基础架构。
数据可视化
在TensorFlow中直观地显示图形非常简单。 TensorBoard(一套可视化工具)用于可视化TensorFlow图。
调试设施
tfdbg是TensorFlow的专用调试器。它使我们可以在训练和推理期间查看运行TensorFlow图的内部结构和状态。
流水线
TensorFlow的数据集模块tf.data用于为图像和文本构建有效的管道。

22)你对” 深度演讲” 有什么了解？
DeepSpeech是用于将语音转换为文本的开源引擎。它使用通过机器学习技术训练的模型。它基于百度的《深度语音》研究论文。它使用Google的TensorFlow来简化实现。
我们可以通过深层语音列出命令行选项, 其语法如下所示：

./deepspeech.py

23)你对TensorFlow抽象了解多少？
TensorFlow包含诸如TF-Slim和kereas之类的抽象库, 可提供对TensorFlow的简化高级访问。这样的抽象有助于简化数据流图的构造。
TensorFlow抽象不仅有助于使代码更整洁, 而且可以大大减少代码的长度。结果, 它大大减少了开发时间。
24)TensorFlow如何使用Python API？
在TensorFlow及其开发方面, Python是主要语言。它是TensorFlow支持的第一种也是最易识别的语言, 并且仍然支持大多数功能。 TensorFlow的功能似乎最初是在Python中定义的, 后来又转移到了C ++。
25)TensorFlow项目中使用了哪些API？
TensorFlow内部的大多数API均基于Python语言。它们为用户提供了低级选项, 例如用于构建神经网络体系结构的tf.manual或tf.nn.relu。这些API还用于设计具有更高抽象级别的深度神经网络。
26)TensorFlow项目之外使用了哪些API？
TensorFlow项目之外使用了一些API, 它们是：

TFLearn
TFLearn提供了一个高级API, 它使神经网络的构建和训练变得快速而简单。该API与Tensorflow完全兼容。其API可以表示为tf.contrib.learn。
张量层
TensorLayer是基于TensorFlow的深度学习和强化学习库。它是为研究人员和工程师设计的。它提供了广泛的可自定义神经层/功能集合, 这些对于构建现实世界的AI应用程序至关重要。
漂亮的张量
Pretty Tensor为TensorFlow提供了高级构建器API。它在Tensor上提供了薄的包装器, 因此你可以轻松地构建多层神经网络。
漂亮张量提供了一组行为类似于张量的对象。它还支持可链接对象语法, 可在TensorFlow中快速定义神经网络和其他分层体系结构。
十四行诗
Sonnet是一个基于TensorFlow建立的库, 用于创建复杂的神经网络。它是Google DeepMind项目的一部分, 该项目具有模块化方法。

27)我们如何从Python对象创建张量？
我们可以借助Python对象创建张量, 例如numpy数组和列表。我们可以使用tf.convert_to_tensor()操作轻松地执行它。
28)TensorFlow中的变量是什么？
TensorFlow中的变量也称为张量对象。这些对象包含可以在程序执行期间修改的值。
TensorFlow变量是用于表示程序操纵的共享, 持久状态的最佳方式。
29)变量的生存期是多少？
当我们第一次在会话中为该变量运行tf.Variable.initializer操作时, 将创建一个变量。在处理tf.Session.close时将其销毁。
30)区分tf.variable和tf.placeholder。
tf.variable和tf.placeholder几乎彼此相似, 但是有一些区别, 如下所示：

tf变量	tf.placeholder
它定义了不会随时间变化的特定输入数据。
定义时不需要初始值。

31)什么是标量仪表板？
Scaler仪表板可视化随时间变化的Scaler统计信息。它使用一个简单的API来执行这种可视化。例如, 我们可能要检查模型的损失或学习率。
我们可以比较多次运行, 并通过标签建立数据。
32)什么是直方图仪表板？
直方图仪表板用于显示张量的统计分布如何随时间变化。它有助于可视化通过tf.summary.histogram记录的数据。每个图表显示数据的时间” 切片” , 其中每个切片是给定步骤的张量直方图。它的排布时间最晚, 位于后面, 而最近的时间位于前面。
如果直方图模式从” 偏移” 更改为” 重叠” , 则透视图将旋转。结果, 每个直方图切片都呈现为一条线并相互覆盖。
33)你对TensorFlow中的Distribution Dashboard有什么了解？
分发仪表板是用于可视化tf.summary.histogram中的直方图数据的另一种方法。它显示有关分发的一些高级统计信息。图表上的每条线都用来代表数据分布的百分比。例如, 底线显示最小值随时间变化的方式, 中间的线显示中位数的变化方式。从上到下阅读这些行, 它们的含义如下：[最大, 93％, 84％, 69％, 50％, 31％, 16％, 7％, 最小]。
34)TensorBoard中的图像仪表板是什么？
图像仪表板用于显示通过tf.summary.image保存的png文件。仪表盘的配置方式是, 每一行对应一个不同的标签, 每一列对应一个运行。图像仪表板还支持任意png, 可用于将自定义可视化效果(例如, matplotlib散点图)嵌入到TensorBoard中。该仪表板始终显示每个标签的最新图像。
35)你对音频仪表板了解多少？
音频仪表板用于为通过tf.summary.audio存储的音频嵌入可播放的音频小部件。仪表盘配置为, 每行对应一个不同的标签, 每列对应一个运行。音频仪表板始终为每个标签嵌入最新的音频。
36)在TensorFlow中描述Graph Explorer？
可视化TensorBoard图时可以使用Graph Explorer。它还负责启用TensorFlow模型的检查。为了充分利用图形可视化工具, 应该使用名称范围将图形中的操作分组。否则, 图形可能难以解密。
37)什么是嵌入式投影仪？
嵌入式投影仪允许可视化高维数据。例如, 可以按模型将输入数据嵌入到高维空间中之后查看输入数据。嵌入式投影仪从模型检查点文件读取数据。它可能配置有其他元数据, 例如词汇文件或精灵图像。
38)你对文本仪表板了解什么？
文本仪表板用于显示通过tf.summary.text存储的文本片段。还支持其他功能, 例如超链接, 列表和表。
39)我可以在没有TensorFlow的情况下运行TensorBoard吗？
如果你未安装TensorFlow, 则可以运行TensorBoard 1.14+, 但功能集有所减少。主要限制是从TensorFlow 1.14开始, 仅支持以下插件：标量, 自定义标量, 图像, 音频, 图形, 投影仪(部分), 分布, 直方图, 文本, PR曲线, 网格。另外, 不支持Google Cloud Storage上的日志目录。
40)TensorFlow中有哪些不同的仪表板？
TensorBoard中有不同类型的仪表板, 它们在张量板上执行各种任务：

标量仪表板
直方图仪表板
仪表盘分销商
图像仪表板
音频仪表板
图资源管理器
投影机
文字资讯主页

41)TensorFlow的主要操作是什么？
TensorFlow中的主要操作定义为传递值并将输出分配给另一个张量。
42)在基于TensorFlow的机器学习中, 模型的性能和准确性之间对你而言更重要的是什么？
它通常取决于完整的性能。尽管精度和精度在大多数模型中都很突出, 但性能和精度都相等。
43)TensorFlow可以部署在容器软件中吗？
TensorFlow可以与Docker等容器化工具一起使用。部署使用字符级ConvNet网络进行文本分类的情感分析模型可能会有所帮助。
44)有人如何报告TensorFlow中的漏洞？
一个人可以直接向security@tensorflow.org报告任何安全问题。该电子邮件的报告已发送到TensorFlow的安全团队。然后在24小时内确认电子邮件, 并在一周内提供详细的响应以及后续步骤。
45)在TensorFlow中部署精简模型文件使用哪些组件？

Java API
Java API是Android上C ++ API的包装。
C ++ API
C ++ API会加载TensorFlow Lite模型并调用解释器。
口译员
解释器可用于执行模型。它使用特定的内核加载, 这是TensorFlow Lite的独特功能。

46)TensorFlow和PyTorch有什么区别？

TensorFlow	PyTorch
PyTorch是基于Torch库的软件。
它是由Facebook开发的。
PyTorch在运行时包括计算图。
PyTorch没有像可视化这样的功能。

47)TensorFlow中可以使用词嵌入吗？列举两个词嵌入模型？
单词嵌入在自然语言处理中用作单词的表示形式, 它们可以在TensorFlow(也称为Word2vec)中使用。
单词嵌入中使用的两个模型是-单词连续袋模型和skip-gram模型。
48)你对TensorFlow估算器了解什么？
Estimators是一个高级API, 可减少训练TensorFlow模型时以前需要编写的许多代码。估计器非常灵活, 如果模型有任何特定要求, 它可以覆盖默认行为。
使用Estimators建立模型的方式有两种：

预制估算器
这些是预定义的估算器。创建这些模型是为了生成特定类型的模型, 例如DNNClassifier, 它是一个预制的估算器。
估算器(基类)
它提供了对如何使用model_fn函数创建模型的完全控制。
这些函数由类tf.estimator.Estimator使用。这些函数返回一个初始化的估算器, 我们可以在其上调用.train, .eval和.predict。
估算器的示意图可以看成是：

文章图片
49)TensorFlow提供哪些统计分布函数？
TensorFlow提供了多种统计分布, 这些分布位于内部：

tf.contrib.distributions

它包含Beta, Bernoulli, Chi2, Dirichlet, Gamma, Uniform等分布。在构建机器学习算法时, 尤其是对于诸如贝叶斯模型之类的概率方法而言, 这些都是重要的构建块。
50)Tensor.eval()和Session.run()有什么区别？
在TensorFlow中, 我们创建图并为该图提供值。图本身处理所有的工作, 并根据我们在图中应用的配置生成输出。现在, 当我们为图提供值时, 首先, 我们需要创建一个TensorFlow会话。