算法工程师面试题整理2（待续）

1.sobel算子知道吗

2.two stage RCNN—cascadeRcnn， one stage yolo—RFBnet，介绍一下去雾算法

3.分水岭算法

4.Densenet的缺点

• 优点： 缓解梯度消失问题，加强特征传播，鼓励特征复用，极大的减少了参数量
• 缺点： DneseNet在训练时十分消耗内存，这是由于算法实现不优带来的。当前的深度学习框架对 DenseNet 的密集连接没有很好的支持，所以只能借助于反复的拼接（Concatenation）操作，将之前层的输出与当前层的输出拼接在一起，然后传给下一层。对于大多数框架（如Torch和TensorFlow），每次拼接操作都会开辟新的内存来保存拼接后的特征。这样就导致一个 L 层的网络，要消耗相当于 L(L+1)/2 层网络的内存（第 l 层的输出在内存里被存了 (L-l+1) 份）。

5.手推LR

6.决策树

7.条件随机场

8.讲LR，面试官要求LR讲得特别仔细，就那种LR是什么假设，损失函数是怎么回事，怎样更新参数什么的

9.从方差和偏差角度比较bagging和boosting

10.离散化LR的好处

11.在特征工程中，如何判断特征的重要性。

12.深度学习为什么会产生梯度爆炸

根据链式求导法则，更新梯度。对激活函数进行求导，如果此部分大于1，那么层数增多的时候，最终的求出的梯度更新将以指数形式增加，即发生梯度爆炸，如果此部分小于1，那么随着层数增多，求出的梯度更新信息将会以指数形式衰减，即发生了梯度消失

如何防止：

• Relu:思想也很简单，如果激活函数的导数为1，那么就不存在梯度消失爆炸的问题了，每层的网络都可以得到相同的更新速度，relu就这样应运而生
• 梯度剪切这个方案主要是针对梯度爆炸提出的，其思想是设置一个梯度剪切阈值，然后更新梯度的时候，如果梯度超过这个阈值，那么就将其强制限制在这个范围之内。这可以防止梯度爆炸。
• batchnorm就是通过对每一层的输出规范为均值和方差一致的方法，消除了带来的放大缩小的影响，进而解决梯度消失和爆炸的问题。
• 残差结构

13.损失函数有几个 原理是什么 有什么特点

14.提升树原理 学习到的是什么

15.SVM损失函数

16.逻辑回归不能解决什么问题，其损失函数

17.L1范数会产生什么问题

18.L2范数会产生什么问题

19.Kmean原理

20.手推交叉熵公式

21.手推Softmax公式

22.图片分类的损失函数，从网络输出到交叉熵如何计算的

23.数据不平衡问题如何解决

24.输入数据为什么需要归一化（数据分布原理）

25.什么是端到端的学习

26.Canny边缘检测流程,边缘检测算法有哪些

27.死锁如何产生，如何解决

28.线程和进程的原理关系

29.目标检测里面R-CNN和SSD的区别

30.手写快速排序

31.手写堆排序