计算机视觉及深度学习_面试问题（一）
1、神经网络（CNN）在图像中广泛应用的原因？
Answer：
（1）局部连接；
（2）权值共享：减小参数量；
（3）池化操作：增大感受野；
（4）多层次结构：可以提取low-level以及high-level的信息；
2、CNN不适用的场景？
Answer：
（1）数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。
（2）数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果。
3、当神经网络效果不好时，应该从哪些方面考虑解决该问题？
Answer：
（1）是否找到合适的损失函数？（不同问题适合不同的损失函数）（理解不同损失函数的适用场景）
（2）batch size是否合适？batch size太大 -> loss很快平稳，batch size太小 -> loss会震荡（理解mini-batch）
（3）是否选择了合适的激活函数？（各个激活函数的来源和差异）
（4）学习率，学习率小收敛慢，学习率大loss震荡（怎么选取合适的学习率）
（5）是否选择了合适的优化算法？（比如adam）（理解不同优化算法的适用场景）
（6）是否过拟合？(深度学习拟合能力强，容易过拟合)（理解过拟合的各个解决方案）
a. Early Stopping
b. Regularization（正则化）
c. Weight Decay（收缩权重）
d. Dropout（随机失活）
e. 调整网络结构
4、深度学习中加速收敛/降低训练难度的方法有哪些？
Answer：
瓶颈结构、残差、学习率、步长、动量、优化方法、预训练。
5、常见的稳定排序算法有哪些？
Answer：
（1）直接插入排序，（2）冒泡排序，（3）归并排序，（4）基数排序；
6、常见的不稳定排序算法有哪些？
Answer：
（1）简单选择排序，（2）希尔排序，（3）快速排序，（4）堆排序
7、完全搜索算法有哪些？
Answer：
（1）广度优先搜索；（2）分支定界搜索算法；（3）定向搜索；（4）最优优先搜索；
8、启发式搜索算法有哪些？
Answer：
（1）序列向前选择；（2）序列向后选择；（3）双向搜索；（4）增L去R选择算法；（5）序列浮动选择；（6）决策树；
9、随机搜索算法有哪些？
Answer：
（1）随机产生序列选择算法；（2）模拟退火算法；（3）遗传算法；
10、K-means算法流程？它与KNN的区别？
Answer：
（1）K-means的基本算法流程：
a. 初始化k个聚类中心c1,c2,...,ck；
b. 对于每个样本xi和 每个聚类中心cj，计算样本与聚类中心之间的距离dij；
c. 对于每个样本xi，基于其最小的dij把其分配到第j个类Cj；
d. 对于每个类Cj，计算其所有样本均值作为新的聚类中心，重复步骤2和步骤3直至样本点所属的类不再变化或达到最大迭代次数；
（2）K-means与KNN的区别：
a. K-means是无监督学习算法，KNN是有监督学习算法;
b. K-means有明显的训练过程（求聚类中心），KNN在学习阶段只是简单的把所有样本记录;
c. 在测试阶段，对于K-means，新的样本点的判别与聚类中心有关，即与所有训练样本有关，对于KNN，新的样本点的判别只是与最近邻的K个样本有关;
11、描述Canny算法的流程
Answer：
（1）先用高斯滤波器进行图像模糊（一般边缘检测算法都需要先滤波降低对噪声的敏感）
（2）计算图像的梯度幅值图像和角度图像（计算梯度即提取边缘，参考其它边缘检测算法；计算角度是为步骤3要用）
（3）对梯度幅值图像进行非最大值抑制（目的是为了细化边缘）
（4）用双阈值对边缘进行选择和连接（主体思想是把弱边缘连接到强边缘上）
12、什么样的数据集不适合用深度学习？
Answer：
（1）数据集太小。数据集太小时，用深度学习提取出来的特征非常容易过拟合，没有泛化能力，因而不及传统的机器学习方法。其本质是样本空间太稀疏，不能反映总体空间的分布，因而用深度学习得到的模型会过拟合。
（2）数据之间没有局部相关性。深度学习对于结构化的数据提取特征有非常好的效果，但对于没有结构化的数据，即数据之间不存在局部相关性，如可能存在统计关系等，此时用深度学习就不是很合适。
13、如何解决数据不平衡问题？
Answer：
这主要是由于数据分布不平衡造成的，解决方法如下：
（1）采样，对小样本加噪声采样，对大样本进行下采样；
（2）进行特殊的加权，如在Adaboost中或者SVM中；
（3）采用对不平衡数据集不敏感的算法；
（4）改变评价标准：用AUC/ROC来进行评价；
（5）采用Bagging/Boosting/ensemble等方法；
（6）考虑数据的先验分布；
14、常用的激活函数的优缺点？
Answer：
15、参数更新的方法？
Answer：
16、常用的几个模型
Answer：
长按订阅更多精彩▼
