百度计算机视觉算法工程师岗位秋招面试题分享

问题1：对Transformer的理解

Transformer本身是一个典型的encoder-decoder模型，Encoder端和Decoder端均有6个Block，Encoder端的Block包括两个模块，多头self-attention模块以及一个前馈神经网络模块；

Decoder端的Block包括三个模块，多头self-attention模块，多头Encoder-Decoder attention交互模块，以及一个前馈神经网络模块；

需要注意：Encoder端和Decoder端中的每个模块都有残差层和Layer Normalization层。

问题2：Leetcode—搜索旋转排序数组

思路一：暴力解法

直接遍历整个数组，找到目标值target

代码如下：

时间复杂度：O(n)

空间复杂度：O(1)

思路二：二分查找

先要设置整个数组的左右两端端点：left = 0，right = len(nums) - 1

1、若 target == nums[mid]，直接返回

2、若 nums[left] <= nums[mid]，说明左侧区间 [left,mid]「连续递增」。此时：

若 nums[left] <= target <= nums[mid]，说明 target 位于左侧。令 right = mid-1，在左侧区间查找；否则，令 left = mid+1，在右侧区间查找

3、否则，说明右侧区间 [mid,right]「连续递增」。

此时：

若 nums[mid] <= target <= nums[right]，说明 target 位于右侧区间。令 left = mid+1，在右侧区间查找

否则，令 right = mid-1，在左侧区间查找

代码如下：

时间复杂度：O(logn)

空间复杂度：O(1)

问题3：Leetcode—二叉树层序遍历

思路：

1、如果 root 为空，直接返回 [ ]

2、定义一个数组queue，并将 root 添加到 queue中，再定义一个res 数组保存结果

3、遍历 当前层 queue 的每个左子节点，右子节点，入队列，且要把 queue 更新成当前层的孩子节点列表，直到 queue 为空。

代码如下：

问题4：Coding: 最小标记代价（类似Leetcode的72题：编辑距离）

参考：https://www.cnblogs.com/lintcode/p/14208525.html

思路：动态规划

已知每个整数范围[1,100]，那么对于每个元素，为了调整到该元素和与之相邻的元素的差不大于target，该元素调整的范围就在[1,100]。所以对于数组A[]的每一位元素，我们都需要进行[1,100]范围内的可能状态的转移。

令dp[i][j]表示元素A[i]=j时，A[i]与A[i-1]差值不大于target所需要付出的最小代价。

当A[i]=j时，可行的A[i-1]的范围为[max(1, j - target)，min(100, j + target)]。而dp[i][j]为所有可行的A[i-1]中，花费代价最小的一种可能，再加上A[i]调整到 j 所需花费abs(j - A[i])。

当A[i]=j时，k在[max(1, j - target)，min(100, j + target)]范围内时，我们可以写出以下式子：

1.临界值：

dp[0][j] = abs(j - A[0])

2.状态转移方程：

dp[i][j] = min(dp[i][j], dp[i - 1][k] + abs(j - A[i]))

最后在所有最后一位的可能解dp[n-1][i]中的最小值，就是我们所求的最小代价。

代码如下：

空间复杂度O(10000*n)

时间复杂度O(n^2)

问题5：防止过拟合的方法

降低模型复杂度

增加更多的训练数据：使用更大的数据集训练模型

数据增强

正则化：L1、L2、添加BN层

添加Dropout策略

Early Stopping

问题6：数据不平衡问题处理

欠采样：从样本较多的类中再抽取，仅保留这些样本点的一部分；

过采样：复制少数类中的一些点，以增加其基数；

生成合成数据：从少数类创建新的合成点，以增加其基数。

添加额外特征：除了重采样外，我们还可以在数据集中添加一个或多个其他特征，使数据集更加丰富，这样我们可能获得更好的准确率结果。

---

机会永远留给提前做好准备的人！如果你想从事CV方向的工作，想在最短时间内成长为行业中高级人才，进入知名互联网公司，评论区回复"ST"了解课程详情！

课程涵盖最新最全的AI知识和最权威的实战项目，适用于在职人员跳槽涨薪/升职加薪！