在面试深度学习相关职位时，面试官通常会关注以下几个方面的问题：

深度学习的基本概念

什么是深度学习？

什么是神经网络？

什么是多层感知机（MLP）？

神经网络架构

输入层、隐藏层和输出层的作用。

常见的神经网络类型，如CNN、RNN、GAN等。

卷积神经网络（CNN）的组成部分及其优势。

循环神经网络（RNN）及其变体，如LSTM和GRU。

优化算法

一阶优化方法：随机梯度下降（SGD）、动量（Momentum）、牛顿动量法（Nesterov动量）、AdaGrad、RMSProp、Adam、Nadam。

二阶优化方法：牛顿法、拟牛顿法、共轭梯度法（CG）、BFGS、L-BFGS。

激活函数与归一化

为什么需要在神经网络中引入非线性？

常用的激活函数及其特点。

Batch Normalization的意义和应用。

训练与正则化

梯度消失问题的解决方法。

Dropout技术的基本原理和应用。

模型评估与可视化

如何评估模型的性能？

可视化CNN特征的方法。

迁移学习与半监督学习

监督学习、迁移学习、半监督学习、弱监督学习、非监督学习的区别。

实际应用与案例分析

深度学习在实际项目中的应用案例。

如何解决实际应用中的问题？

建议你在面试前复习这些基本概念和算法，并准备一些具体的案例来展示你的理解和应用能力。此外，能够清晰地表达你的思考过程和解决问题的方法也是非常重要的。