2020计算机视觉（cv）算法岗面试题目及答案汇总（一）

今日头条：

1. 输入为 $L\ast L\ast c$，卷积核为 $k\ast k$，还有步长 $s$ 和 填充 $p$，求输出尺寸？求操作的 FLOPs？

答：输出尺寸为 $L^{{}^{\prime }}=(L-k+2\ast p)/s+1$，$FLOPs=c\ast L^{{}^{\prime }}\ast L^{{}^{\prime }}\ast c^{{}^{\prime }}\ast k\ast k$

2. 过拟合要怎么解决？

通常解决过拟合的方法有：Dropout（随机失活）、Weight Decay（权重衰减）、减少模型参数、Early Stop、Regularization（正则化，包括$L_1,L_2$正则化等）、Augmentation（数据增强）、合成数据、Batch Normalization（批次标准化）、Bagging 和 Boosting（模型融合）等；

3. 几个激活函数都有什么优缺点（Sigmoid, Tanh, Relu）？

Sigmoid：

1. 定义式：$f(x)=\frac{1}{1+e^{-x}}$
2. 函数曲线：
   
3. 优点：
   3.1 输出为 0 到 1 之间的连续实值，此输出范围和概率范围一致，因此可以用概率的方式解释输出；
   3.2 将线性函数转变为非线性函数；
4. 缺点：
   4.1 幂运算相对来讲比较耗时；
   4.2 输出均值为非 0；
   4.3 容易出现梯度消失的问题；

Tanh：

1. 定义式：$f(x)=\frac{sinh(x)}{cosh(x)}$
2. 函数曲线：
   
3. 优点：
   3.1 Tanh 函数的导数比 Sigmoid 函数导数值更大、梯度变化更快，在训练过程中收敛速度更快；
   3.2 使得输出均值为 0，可以提高训练的效率；
   3.3 将线性函数转变为非线性函数；
4. 缺点：
   4.1 幂运算相对来讲比较耗时；
   4.2 容易出现梯度消失；

ReLU：

1. 定义式：$f(x)=max(0,x)$
2. 函数曲线：
   
3. 优点：
   3.1 解决了梯度消失的问题；
   3.2 计算速度和收敛速度非常快；
4. 缺点：
   4.1 低维特征向高维转换时会部分丢失；
   4.2 均值为非零；

4. 概率题：$x,y$ 服从 $0-1$ 均匀分布，求 $x+y<1$ 的概率？$x,y,z$ 服从 $0-1$ 均匀分布，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？

将一个 batch 的数据变换到均值为 0、方差为 1 的正态分布上，从而使数据分布一致，每层的梯度不会随着网络结构的加深发生太大变化，从而避免发生梯度消失并且加快收敛，同时还有防止过拟合的效果；

6. 举一个改进激活函数的例子？

h-swish 函数，是 MobileNet V3 提出的，用于改进 swish 函数在嵌入式设备计算效率低的问题；

拼多多：

1. L2正则化的特点和使用场景？

$L_2$ 正则化目的是限制参数过多或者过大，避免模型更加复杂，适用于数据充足的场景下防止过拟合；

2. L1正则化损失函数如何求解？

参考这一篇：https://www.cnblogs.com/heguanyou/archive/2017/09/23/7582578.html

3. LSTM 的结构及公式？

虹软科技：

1. Loss 优化的几个方法？

主要有三大类：

1. 基本梯度下降法，包括 GD，BGD，SGD；
2. 动量优化法，包括 Momentum，NAG 等；
3. 自适应学习率优化法，包括 Adam，AdaGrad，RMSProp 等

可以看我这一篇：各种优化器Optimizer原理：从SGD到AdamOptimizer

2. 动量法的表达式？

1. 标准动量优化方法（MomentumOptimizer)：
   
2. 牛顿加速梯度动量优化方法(NAG, Nesterov accelerated gradient)：
   

3. 随机梯度下降相比全局梯度下降好处是什么？

1. 当处理大量数据时，比如SSD或者faster-rcnn等目标检测模型，每个样本都有大量候选框参与训练，这时使用随机梯度下降法能够加快梯度的计算；
2. 每次只随机选择一个样本来更新模型参数，因此每次的学习是非常快速的，并且可以进行在线更新；

4. 介绍 Inception-resnet v1？

并行结构、非对称卷积、残差；

小红书：

1. 归一化有哪些方式？

1. min-max 标准化（Min-max normalization）：
   1.1 公式：
   $x＝(x-min)/(max-min)$
   1.2 适用场景：
   适用于数据集中的场景，如果 max 和 min 不稳定，很容易使得归一化结果不稳定；
2. z-score 0均值标准化（zero-mean normalization）：
   2.1 公式：
   $x=(x-u)/\sigma$
   2.2 适用场景：
   在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，表现更好；

海康威视：

1. L1、L2正则化在什么任务上分别会优先考虑？

假设模型中有很多特征，其中不乏相关性特征，可以用L1消除共线性问题；
在训练样本足够多的情况，然后尝试使用L2来防止过拟合问题；

2. 两层神经网络的权重都是0，bias有值，这个网络能正常训练吗？

不能，因为权重为 0，每次传入不同数据得到的结果相同；

网易：

1. C++和python的区别？

1. C++是静态类型的，而python是动态类型的；
2. python是一种脚本语言，是解释执行的，不需要经过编译；C++需要编译后运行语言，在特定的机器上编译后在特定的机上运行，运行效率高，安全稳定，但编译后的程序一般是不跨平台的；
3. python是逐句解释执行的，C++是先编译成本地代码，期间还有编译期的类型检查，不存在动态类型、动态检查，并且可以进行编译器优化；

2. Python比C++好在哪里？

自动能实现内存回收机制，开发效率高；

3. python怎么做内存回收？

1. 当对象不再被引用指向的时候，垃圾收集器可以释放该对象；
2. 手动回收：gc.collect()；

招银网络科技：

1. 哪种激活函数能缓解梯度爆炸弥散 ?

relu、leakrelu、elu 等；

2. Pooling是不是线性操作？

不是；

3. Dropout介绍？

Dropout 是指在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来（只是暂时不更新而已），用于防止模型过拟合；

4. 输入是特征向量的分类网络，怎么找比较重要的那些特征？

使用 SE-Net 的 SE 模块；

5. yolo 介绍？

看我的这几篇：
YOLO
YOLO9000
YOLOv3

6. 检测任务中解决正负样本不均衡的方法？

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

7. dropout为什么能解决过拟合 ？

简单的回答是：防止参数过分依赖训练数据，减少神经元之间复杂的共适应关系，增加参数对数据集的泛化能力；

8. 卷积有哪些变种？

分组卷积（Group Convolution）、空洞（扩张）卷积（Dilated/Atrous Convolution）、深度可分离卷积（depthwise separable convolution）、可变形卷积网络（Deformable Convolution）、反卷积（deconvolution）、图卷积（Graph Convolution）和 X-卷积（PointCNN）；