Deecamp面经

终于收到了通知~第一志愿被录取~回顾一下自己的面试经历，分享出来~

紧张的等待中，就终于到了要面试的时候

      在牛客网进行面试，有一个面试链接，直接点进去，里面有编程的页面，右上角是面试官的视频框，但是这个面试没有让编程。本来时间是16：00，共有11位面试官，我签到排队后排到了51号，等待了21分钟，16:21开始面试。

面试开始后：

面试官：

      你好，我是DeeCamp的面试官xxx。请用2分钟的时间，做一个简短的自我介绍。

我： 

        您好，我是xxx本科就读于xxx，专业是xxx，本科保研后继续就读于xxx，专业是xxx，方向是人工智能方向。

      我做过的关于人工智能方向的项目主要有：（1）本科毕业设计的时候，做的“基于视觉的烟雾识别系统”，数据集是中科大火灾实验室的1000张图片，主要采用的方法是，（一）非深度学习的方法，主要是HOG、LBP特征结合SVM，效果并不是太好；考虑到可能是由于训练集数目太少所导致，所以想到使用（二）深度学习的方法，采用迁移学习的方法，使用在ImageNet上训练好的VGG16，最后的效果很好。考虑到实际应用场景，我将它移植到树莓派上面，并采用了轻量级的网络MobileNet，最后通过树莓派外接摄像头来获得实际场景，并对是否有烟雾做出判断，同时显示有烟和无烟的概率。

      还做过一个人脸朝向识别的项目，采用的数据集是：共有20人，每人有96张图片，共有1888张图片，这个数据集有关于情绪的，比如开心或者沮丧，还有是关于是否戴墨镜，但是我用到的只是其中关于人脸朝向的部分，一共有四个状态：up,straight,left,right。我首先写了一个简单的CNN网络来实现，效果不是太好，准确率只有90%，考虑到是由于数据集太小导致的，所以改用迁移学习的方法，利用在ImageNet上面预训练好的VGG16和ResNet50来实现，但是VGG16的效果不好，发生了过拟合。ResNet50的效果很好，准确率达到了97%，最后我把在服务器上训练好的参数保存下来，放在笔记本端，做了一个Demo，通过调用笔记本的摄像头，来对于拍摄到的人脸朝向做一个实时判断，准确率很高，实时性也很好。

      另外就是近期做的一个项目，是复现了牛津大学VGG组的一篇论文《类别无关的计数》，对其中的网络GMN进行了一些简化和改进。之所以能够做到计数与类别无关，是因为文章将计数问题转换成了匹配问题。网络的输入是一个大图和一个小图，大图就是待计数的图，小图是从大图中随机切割出的一个小样本，比如大图中有4个飞机，那么小图就是随机切割出的一个小飞机。然后大图经过处理后得到一个特征图（32*32*512），小图（1*1*512）经过处理后，得到一个特征向量，然后将小图变到和大图一样的尺寸上，再沿通道合并进行拼接，最后得到的是热力图，每个小飞机的概率呈高斯分布，给定一个半径，半径外的背景部分概率设为0，对热力图进行积分，便可以得到数量，取概率最高处的位置，便是飞机的位置。

    这就是我的基本情况，谢谢您。

面试官：

好的，我就是说做一个简单的自我介绍啊， 没想到你把项目介绍了一遍。

我：

哦哦。好的，不好意思。

面试官：

没事没事。我看你做的项目里，提到了VGG还有ResNet，那你能简单说一下这两种网络的特点吗？

我：

好的，那我先说一下ResNet吧，ResNet50之前，是building block结构，后来是bottleneck的结构，building block结构包含一个残差支路和一个short-cut支路，为了避免随深度加深导致的梯度弥散问题。building block是两层卷积，bottleneck是三层卷积，添加了1*1的卷积，减少了通道数，参数个数和计算量。

面试官：

那，ResNet激活函数用的什么呢？

我：

sigmoid吧。

面试官：

嗯？后来用的什么呢？

我：

哦哦。说错了，用的是ReLu。

面试官：

好，那你说一下，VGG有什么特点呢？

我：

VGG的特点的话，……，不好意思，我不太知道。

（后来问我狮虎，才知道，VGG没什么特点，就是网络深）

面试官：

你能说一下SVM吗？

我：

SVM就是支持向量机，在说SVM之前，先说一下支持向量机，支持向量机其实就是，找到能够分开正类和负类的决策面，但是这样的决策面有很多，由此引入了支持向量的概念，来找到最优决策面，所谓支持向量，就是到决策面距离最近的向量，通过最大化支持向量与决策面之间的距离，来找到最优决策面。在求解的过程中，有一个拉格朗日对偶问题，会出现映射函数的内积，我们只需要知道内积，并不需要知道具体映射，所以我们令这个内积为一个函数k，称为核函数。

面试官：

那请问svm找到的最优决策面，和数据在一个空间吗？

我：

在吧。

面试官：

那核函数有什么作用？

我：

哦哦，不在，不一定在，因为有时候原空间线性不可分，那么需要转换到更高维度的空间上。

面试官：

你知道不知道BN呀，这个有什么作用。

我：

知道，BN就是batch normalization,批标准化，其实是数据预处理的时候，通过归一化来实现数值稳定性，但是经过ReLu等激活函数后，不再具有数值稳定性，所以就想进行一下标准化，一组数据，先减去它们的均值，再除以它们的方差，但是这样做就可能使得费尽心思学到的特征被归一化了，所以再进行一个反标准化的过程，也就是，先乘以一个缩放系数，再加一个偏移系数。

面试官：

好，那你觉得BN能不能解决梯度弥散的问题呢？

我：

我想一下，能吧，能缓解吧，数值稳定性嘛。

面试官：

你刚才说的这些项目，是你自己做的吗？还是和团队一起做的呢？

我：

都是我独立完成的。

面试官：

那你有没有跟团队一起做过项目呢？

我：

有的，之前跟我们实验室的师兄师姐一起参加过一个“花草识别的比赛”，还和师兄一起参加过，AIChallenger的眼底水肿病变识别比赛，最近还参加了一个阿里天池的人工智能对抗算法竞赛。

面试官：

（这时候，面试官露出了笑容）

那你AIChallenger的成绩怎么样啊？

我：

40名左右吧，30+。

面试官：

那挺不错的啊。

面试官：

如果来的话，你暑假的时间，能保证吗？

我：

能保证。

面试官：

你是通过什么渠道了解到我们DeeCamp的呀？

我：

我朋友去年参加过这个夏令营，感觉非常棒，就推荐我今年也参加一下。

面试官：

你平时有一些什么爱好啊？

我：

我平时喜欢画画，喜欢文学，喜欢养植物。也会思考这些和AI的联系，比如之前的花草识别比赛，再比如，我看今年的DC实践课题里面有一个“神笔马良”，这些我都特别感兴趣，去年的题目中，有这个AI写歌词的，我觉得也非常有意思。

面试官：

好的，我明白了，还有什么问题要问的吗？

我：

我思考一下,……,应该没有了。

面试官：

好的，那就这样，谢谢你的配合。

      面试结束的N天后，突然有一天，收到了一封DC发来的感谢邮件，上来就是感谢您参加第一次笔试和面试，天啊吓得我小心脏都跳出来了，可怕啊，这仿佛就是说，你是个好人的意思。还好我继续往后面读了一下，才放心，原来只是单纯地感谢啊。吓了一大跳啊。另外这里的这个二次面试，是指如果第一次面试中，因为时间太短，或者网络的原因，导致面试官还有一些基本问题没有了解清楚的情况下，会有二面。

于是我就在知乎回答了一下。

https://www.zhihu.com/question/325686128/answer/692722905