拼多多一面

1 介绍项目

2 EfficientNet的特色

这个EfficientNet的核心思想是寻找标准化的模型缩放方法，一般来说，模型深度、宽度、分辨率越大，那么模型的效果就会有提高。以前的网络一般在某一个维度上进行尝试，而EfficientNet因为团队有钱（google的），愣是在三个维度上找到了一个平衡。EfficientNet在图像竞赛中也是直接拿来用，用的也多，所以之后有空把之前写的《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》论文笔记整理整理发出来。 总之这里回答的关键在于这个公式：

首先让深度宽度和分辨率满足一定的条件，当Φ=1的时候，d∗w2∗r2≈2,然后不断扩大Φ,就可以得到更复杂的模型了。

3 python撕BN层前向算法

之前的文章详细讲解了BN的算法，所以这个不算太难哈哈。核心思想就是把数据沿着batch的维度，标准化成β均值，γ标准差的分布。减均值处以方差那种。

突然一身冷汗，如果要让我写反向传播算法的代码。。。手推能算，代码的话。。。啧啧啧

4 线程和进程的区别

进程：进程是系统进行资源分配和调度的一个独立单位。每个进程都有自己的独立内存空间。比较稳定。线程：线程是CPU调度和分派的基本单位,它是比进程更小的能独立运行的基本单位.它可与同属一个进程的其他的线程共享进程所拥有的全部资源。但是不够稳定容易丢失数据。

【进程多与线程比较】

• 地址空间:线程是进程内的一个执行单元，进程内至少有一个线程，它们共享进程的地址空间，而进程有自己独立的地址空间
• 资源拥有:进程是资源分配和拥有的单位,同一个进程内的线程共享进程的资源
• 线程是处理器调度的基本单位,但进程不是
• 每个独立的线程有一个程序运行的入口、顺序执行序列和程序的出口，但是线程不能够独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制

5 SVM和逻辑回归在分类上的区别

这个问题我也被问了两次了，这里好好整理一下回答的核心：SVM和逻辑回归其实是只有损失函数有不同。这个问题其实就是让你分析损失函数不同对分类的影响。

我们先来看一下SVM和逻辑回归的损失函数（这里带上了正则项）：

这损失函数看起来可能有些别扭，但是其实是和你内心想的那个是等价的（把这两个公式在纸上抄三遍，你就发现其实很好理解的）。在公式（1）中，SVM的损失函数那个+号，表示负数取0整数不变的一个成处理符号。公式（2）中的g()是Sigmoid激活函数。

这两个公式其实可以统一起来：

也就是说，它们的区别就在于逻辑回归采用的是 log loss（对数损失函数），svm采用的是hinge loss = max(0,1-z)。

z是yi∗y^i，z越大，说明分类越准确，z越小，分类越错误。这里类别标签是+1和-1.

• SVM损失函数：loss=(1−z)+
• logistic损失函数： loss=−log(sigmoid(z))=log(1+e−z)

两者损失函数的图像就是：

其实，这两个损失函数的目的都是给分类错误的样本大的损失，给分类正确的样本小的损失。SVM的处理方法是只考虑分类效果不够好的样本，对于已经分类正确的样本，就不再更新他们了，给他们0损失；逻辑回归希望正样本尽可能的大，副样本尽可能的小，所以就算已经分类正确了，也还是会给分类正确的样本一个损失。

辅导员（SVM）关心的是挂科边缘的人，常常找他们谈话，告诫他们一定得好好学习，不要浪费大好青春，挂科了会拿不到毕业证、学位证等等，相反，对于那些相对优秀或者良好的学生，他们却很少去问，因为辅导员相信他们一定会按部就班的做好分内的事；有的教师（逻辑回归）却不是这样的，他们关心的是班里的整体情况，不管你是60分还是90分，都要给我继续提升。

6. 有什么人脸检测的数据集

回答了IMDB-WIKI数据库。

IMDB-WIKI人脸数据库是有IMDB数据库和Wikipedia数据库组成，其中IMDB人脸数据库包含了460,723张人脸图片，而Wikipedia人脸数据库包含了62,328张人脸数据库，总共523,051张人脸数据库，IMDB-WIKI人脸数据库中的每张图片都被标注了人的年龄和性别，对于年龄识别和性别识别的研究有着重要的意义。

7. YOLO训练的数据集是什么

ImageNet和VOC2007.YOLO v1 好像只用了VOC2007，后面YOLOv2使用了ImageNet作为预训练。

8. CNN参数初始化的方法

我说了Xavier，然后均匀分布，0初始化，高斯分布初始化，预训练初始化。

Xavier这个我之前也在文章中详细讲解了,就是在这个范围内均匀分布[−nk+nk+16,nk+nk+16],其中nk表示第k层卷积层的参数。

其实还有一个HE初始化，这个的思想和Xavier其实相同，都是为了让正向传播和反向传播的过程中，输入数据和输出数据的方差保持不变。最终Xavier是一个均匀分布，而He初始化是一个以0为均值，以nk2为标准差的高斯分布。