2020計算機視覺（cv）算法崗面試題目及答案彙總（一）

今日頭條：

1. 輸入爲 $L*L*c$，卷積核爲 $k*k$，還有步長 $s$ 和 填充 $p$，求輸出尺寸？求操作的 FLOPs？

答：輸出尺寸爲 $L^{'} = (L-k+2*p)/s + 1$，$FLOPs=c*L^{'}*L^{'}*c^{'}*k*k$

2. 過擬合要怎麼解決？

通常解決過擬合的方法有：Dropout（隨機失活）、Weight Decay（權重衰減）、減少模型參數、Early Stop、Regularization（正則化，包括$L_1,L_2$正則化等）、Augmentation（數據增強）、合成數據、Batch Normalization（批次標準化）、Bagging 和 Boosting（模型融合）等；

3. 幾個激活函數都有什麼優缺點（Sigmoid, Tanh, Relu）？

Sigmoid：

1. 定義式：$f(x)=\frac{1}{1+e^{-x}}$
2. 函數曲線：
   
3. 優點：
   3.1 輸出爲 0 到 1 之間的連續實值，此輸出範圍和概率範圍一致，因此可以用概率的方式解釋輸出；
   3.2 將線性函數轉變爲非線性函數；
4. 缺點：
   4.1 冪運算相對來講比較耗時；
   4.2 輸出均值爲非 0；
   4.3 容易出現梯度消失的問題；

Tanh：

1. 定義式：$f(x)=\frac{sinh(x)}{cosh(x)}$
2. 函數曲線：
   
3. 優點：
   3.1 Tanh 函數的導數比 Sigmoid 函數導數值更大、梯度變化更快，在訓練過程中收斂速度更快；
   3.2 使得輸出均值爲 0，可以提高訓練的效率；
   3.3 將線性函數轉變爲非線性函數；
4. 缺點：
   4.1 冪運算相對來講比較耗時；
   4.2 容易出現梯度消失；

ReLU：

1. 定義式：$f(x)=max(0,x)$
2. 函數曲線：
   
3. 優點：
   3.1 解決了梯度消失的問題；
   3.2 計算速度和收斂速度非常快；
4. 缺點：
   4.1 低維特徵向高維轉換時會部分丟失；
   4.2 均值爲非零；

4. 概率題：$x,y$ 服從 $0-1$ 均勻分佈，求 $x+y<1$ 的概率？$x, y, z$ 服從 $0-1$ 均勻分佈，求$x+y+z<1$ 的概率？

$P(x+y<1)=1/2$
$P(x+y+z<1)=1/3$

5. Batch Normalization 的原理和作用？

將一個 batch 的數據變換到均值爲 0、方差爲 1 的正態分佈上，從而使數據分佈一致，每層的梯度不會隨着網絡結構的加深發生太大變化，從而避免發生梯度消失並且加快收斂，同時還有防止過擬合的效果；

6. 舉一個改進激活函數的例子？

h-swish 函數，是 MobileNet V3 提出的，用於改進 swish 函數在嵌入式設備計算效率低的問題；

拼多多：

1. L2正則化的特點和使用場景？

$L_2$ 正則化目的是限制參數過多或者過大，避免模型更加複雜，適用於數據充足的場景下防止過擬合；

2. L1正則化損失函數如何求解？

參考這一篇：https://www.cnblogs.com/heguanyou/archive/2017/09/23/7582578.html

3. LSTM 的結構及公式？

虹軟科技：

1. Loss 優化的幾個方法？

主要有三大類：

1. 基本梯度下降法，包括 GD，BGD，SGD；
2. 動量優化法，包括 Momentum，NAG 等；
3. 自適應學習率優化法，包括 Adam，AdaGrad，RMSProp 等

可以看我這一篇：各種優化器Optimizer原理：從SGD到AdamOptimizer

2. 動量法的表達式？

1. 標準動量優化方法（MomentumOptimizer)：
   
2. 牛頓加速梯度動量優化方法(NAG, Nesterov accelerated gradient)：
   

3. 隨機梯度下降相比全局梯度下降好處是什麼？

1. 當處理大量數據時，比如SSD或者faster-rcnn等目標檢測模型，每個樣本都有大量候選框參與訓練，這時使用隨機梯度下降法能夠加快梯度的計算；
2. 每次只隨機選擇一個樣本來更新模型參數，因此每次的學習是非常快速的，並且可以進行在線更新；

4. 介紹 Inception-resnet v1？

並行結構、非對稱卷積、殘差；

小紅書：

1. 歸一化有哪些方式？

1. min-max 標準化（Min-max normalization）：
   1.1 公式：
   $x ＝ (x - min)/(max - min)$
   1.2 適用場景：
   適用於數據集中的場景，如果 max 和 min 不穩定，很容易使得歸一化結果不穩定；
2. z-score 0均值標準化（zero-mean normalization）：
   2.1 公式：
   $x = (x - u)/σ$
   2.2 適用場景：
   在分類、聚類算法中，需要使用距離來度量相似性的時候、或者使用PCA技術進行降維的時候，表現更好；

海康威視：

1. L1、L2正則化在什麼任務上分別會優先考慮？

假設模型中有很多特徵，其中不乏相關性特徵，可以用L1消除共線性問題；
在訓練樣本足夠多的情況，然後嘗試使用L2來防止過擬合問題；

2. 兩層神經網絡的權重都是0，bias有值，這個網絡能正常訓練嗎？

不能，因爲權重爲 0，每次傳入不同數據得到的結果相同；

網易：

1. C++和python的區別？

1. C++是靜態類型的，而python是動態類型的；
2. python是一種腳本語言，是解釋執行的，不需要經過編譯；C++需要編譯後運行語言，在特定的機器上編譯後在特定的機上運行，運行效率高，安全穩定，但編譯後的程序一般是不跨平臺的；
3. python是逐句解釋執行的，C++是先編譯成本地代碼，期間還有編譯期的類型檢查，不存在動態類型、動態檢查，並且可以進行編譯器優化；

2. Python比C++好在哪裏？

自動能實現內存回收機制，開發效率高；

3. python怎麼做內存回收？

1. 當對象不再被引用指向的時候，垃圾收集器可以釋放該對象；
2. 手動回收：gc.collect()；

招銀網絡科技：

1. 哪種激活函數能緩解梯度爆炸彌散 ?

relu、leakrelu、elu 等；

2. Pooling是不是線性操作？

不是；

3. Dropout介紹？

Dropout 是指在模型訓練時隨機讓網絡某些隱含層節點的權重不工作，不工作的那些節點可以暫時認爲不是網絡結構的一部分，但是它的權重得保留下來（只是暫時不更新而已），用於防止模型過擬合；

4. 輸入是特徵向量的分類網絡，怎麼找比較重要的那些特徵？

使用 SE-Net 的 SE 模塊；

5. yolo 介紹？

看我的這幾篇：
YOLO
YOLO9000
YOLOv3

6. 檢測任務中解決正負樣本不均衡的方法？

1. online hard example mining(OHEM)；
2. Focal Loss；
3. class balanced cross-entropy；
4. local rank，PISA，ISR；
5. 過採樣；

7. dropout爲什麼能解決過擬合 ？

簡單的回答是：防止參數過分依賴訓練數據，減少神經元之間複雜的共適應關係，增加參數對數據集的泛化能力；

8. 卷積有哪些變種？

分組卷積（Group Convolution）、空洞（擴張）卷積（Dilated/Atrous Convolution）、深度可分離卷積（depthwise separable convolution）、可變形卷積網絡（Deformable Convolution）、反捲積（deconvolution）、圖卷積（Graph Convolution）和 X-卷積（PointCNN）；