【重点】深度学习CV算法工程师面试篇
很多小伙伴在学习了深度学习一段时间后，不可避免的要遇到面试的问题。
1 公司招人看重什么呢？
1.1、归属感。一个经常换公司换岗的员工，能力再大，也不能要。所以如果看到一份简历满满当当的都是跳槽和实习简历，两个月换一个实习，半年换一份工作，除非能说出很充分客观的理由，否则公司可能不会通过这份简历。
1.2、编码能力。公司要招聘的是一个计算机视觉领域(CV)算法工程师，招进来是要干活的。它不会招聘一个只会Matlab或者python都用不熟的人来做项目开发，做纯算法研究都不行，一个不能实现自己想法的牛人我还没见过。毕竟真正的牛人不仅算法好，编程能力也强大。
2 需要会哪些
接下来就该说说具体怎么办了，如果你有耐心，不妨接着看下去。
2.1、为什么要用Linux
在以前，你可能觉得Linux并非刚需，用着自己的Windows电脑，也不需要与人共享操作系统，硬件和磁盘。但是如果你们团队一起使用服务器，不可能不用Linux。
所以这是对还没有在Linux上面真正进行日常开发工作的小朋友说的，要正式进入AI行业发展，Linux是必备和唯一的操作系统，“软”兵器，我还没有听过哪家公司在Windows或者Mac上面训练模型的。
2.2、提高开发效率
编程习惯，工作效率很重要，很重要！Linux下一个熟练的工程师，会比Windows下工作效率高很多，提高写代码效率可以从终端多任务管理，熟练使用shell命令，熟练使用vim等开发环境，熟练使用git命令等地方入手。
git是程序员必备的素养，慢慢学会维护几个自己的代码库，等到将来出问题的时候就明白了。
3、python基础和编程习惯
在机器学习领域，python可谓是一骑绝尘，学习python需要掌握好基础的语法包括函数，类设计，掌握大量的开源矩阵库Numpy等。
python简单吗？简单。真的简单吗？看看大神们写的项目吧。
4、图像基础
深度学习有一个最大的问题，就是太好用了。导致什么图像基础和传统算法都不需要懂，也能项目做的风生水起。
但是如果没有好的图像基础，总有一天遇到CNN解决不了的问题，或者无法单独解决的问题，就不知所措了。
5、OpenCV基础
如果说图像处理领域有什么库是绕不过去的，那一定是OpenCV，这一个开源计算机视觉库堪称最优秀的计算机视觉库，不仅可以学术和商业免费使用，而且跨平台，高性能。需要掌握的基础内容包括：如何部署，基本数据结构的熟悉与使用，基本模块的了解。
6、爬虫基础
深度学习项目开发中最重要的是什么，当然是数据！实际的项目你经常没有足够多的数据，这个时候就需要自己去想办法获取了。
互联网是一个什么资源都有的大宝库，学会使用好爬虫，你将可能成为时代里最有“资源”的人，这也很可能是项目成功的开始。
本文最后的一个实际项目就需要用到。
7、数据可视化
爬取完数据之后就应该进行处理了，一个很常用的手段是数据可视化。在深度学习项目中，常需要的数据可视化操作包括原始图片数据的可视化，损失和精度的可视化等。
除了对数据可视化，我们还需要对模型进行可视化，方便调试和感知。
8、数学基础
虽然对于大部分来说，做项目不需要多么强悍的数学基础，但是你会需要看懂别人论文，也会经常需要进行简单的推导和算法改进。
从线性代数，概率论与统计学到微积分和最优化，都是需要掌握的。不过数学的学习是一个非常漫长的过程，不要急于求成，也不是靠跟着视频或者书本就能完全学会的，重要的是用起来。
9、计算机视觉研究方向
学习和做项目都需要一个方向，在前面这些基础都掌握好了，就要好好了解一下计算机视觉的各大研究方向及其特点，方便自己选题和项目方案定型了。
从图像分类，分割，目标检测，跟踪，到图像滤波与降噪，增强，风格化，三维重建，图像检索，GANs，相信总有你喜欢或者项目涉及的。
10、应用方向
学习最终是为了解决实际问题，AI已经渗入到了我们生活的方方面面。从自动驾驶汽车、图像美颜，到聊天机器人，金融支付等，因此好好了解下当前AI在各大领域的应用没错的，这次就不仅仅限于计算机视觉了。
11、紧跟大佬步伐
要想真正融入行业圈子，紧跟技术发展，就必须要时刻了解大佬们的状态，他们就是行业发展的风向标。
不管是学术界还是工业界，不管是老师傅还是青年才俊，让我们一起见贤思齐吧。
12、人工智能简史
基础打好了，接下来就是正式学习AI相关的知识，不管是在哪个课堂或者教材，都是让大家先了解先贤们。
从图灵与机器智能，冯诺伊曼与类脑计算引发的人工智能启蒙，到三次浪潮的曲折和技术的成长史，值得每一个从事该行业的人阅读。
13、神经网络基础
深度学习研究问题的方法就是仿造大脑，根基是神经网络。从感受野，到MP模型，到感知机，到反向传播，要很熟悉全连接神经网络的劣势，卷积神经网络的特点，核心技术和优势，这是学习深度学习最重要的基础。
14、了解领域的突破
既然学深度学习，就必须要了解深度学习的重要进展。
在前深度学习时代，视觉机制的发现，第一个卷积神经网络Neocognitron的提出，反向传播算法的流行，促进了LeNet5和MNIST数据集的诞生。
随着新理论的成熟，大数据的积累，GPU的普世，以卷积神经网络为代表的技术在图像分类，目标检测等基础领域取得重大突破，随着AlphaGo的成功同时在业内和业外人士的心目中种下了深度学习/人工智能技术的种子，从此焕发勃勃生机。
15、池化
大脑学习知识靠抽象，从图像中抽象知识是一个“从大到小”过滤提炼信息的过程。从视觉机制中来的pooling即池化，正是对信息进行抽象的过程。
池化增加了网络对于平移的不变性，提升了网络的泛化能力，大家已经习惯了使用均值池化mean pooling和最大池化(max pooling)，虽然可以用带步长的卷积进行替代。
尽管池化究竟起到了多大的作用开始被研究者怀疑，但是池化机制仍然是网络中必备的结构，所以你一定要熟悉它，而且基于数据驱动的池化机制值得研究。
16、学会正则化
如果一个模型只能在训练集上起作用，那是没有用的。
因此我们总是希望模型不仅仅是对于已知的数据(训练集)性能表现良好，对于未知的数据(测试集)也表现良好，即具有良好的泛化能力，通过添加正则项来实现。
从直接提供正则化约束的参数正则化方法如L1/L2正则化，工程上的技巧如训练提前终止和模型集成，以及隐式的正则化方法如数据增强等，研究人员在这方面投入的精力非常多，大家一定要时刻关注。
17、模型评估
口说无凭，用数据说话才是研究者们进行PK的正确姿态。计算机视觉的任务何其多，从分类，回归，质量评估到生成模型，我们当然需要掌握科学的评估方法。
18、梯度
深度学习神经网络的核心概念，模型的学习需要指导，这正是损失函数的责任，它往往对模型最终表现如何影响巨大
学会重点总结分类问题，回归问题，生成对抗网络中使用的损失目标，为设计更好的优化目标奠定理论基础。
感谢各位看官的耐心阅读，不足之处希望多多指教。