20190314 一面
自我介绍
项目介绍 2019 春季实习生招聘之项目介绍
了解过哪些 CV 领域
一张图片多个类别怎么设计损失函数，多标签分类问题
SVM、决策树优缺点，非线性回归用什么方法，L1、L2 正则化区别
链表归并快排 LeetCode 148——排序链表
反转链表 LeetCode 206——反转链表
实习时间，想做什么项目，检测、分割、行人重识别
骰子掷出 1-7 的均匀分布
第一次掷骰子的点数为 \(X_1\)，第二次掷骰子的点数为 \(X_2\)，如果\(X_1=X_2=6\)，则重掷，令 \(X =((X_1-1)*6 + X_2) \% 7\)，则 \(X\) 即为取值范围为 1-7 的均匀分布。
紧接着二面
自我介绍
介绍项目
ResNet 的特点
引入跳跃连接，有效地解决了网络过深时候梯度消失的问题，使得设计更深层次的网络变得可行。
-
用 BN 没有，BN 有啥优点，这里问各种细节
详见论文阅读笔记 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
第一个项目看你用了 Dlib，什么原理，
我只调库。人脸融合效果怎么评价，答辩时候人为主观评价。 设计一个人脸识别模型，讲了讲 Siamese 网络来做人脸识别。怎么求一个三角形外接圆，三条边垂直平分线的交点即为圆心，圆心到顶点的距离为半径。-
第三个项目，什么是 one-shot、zero-shot，区别
zero-shot 就是说测试集中的类别都是训练集中没有见到的；one-shot 就是说测试集中的类别在训练集中很少或者只能见到一次
-
梯度下降法和牛顿法区别
梯度下降法：利用一阶导数
牛顿法：利用二阶导数，收敛速度快；但对目标函数有严格要求，必须有连续的一、二阶偏导数，计算量大 Adam 和 SGD 区别，RMSProp 优化算法
RNN 怎么反向传播
TensorFlow 怎么在网络结构实现一个 if 判断，
定义一个布尔值SVM 的损失函数，特点，对偶问题求解，
用朗格朗日乘子法将有约束优化转化为无约束优化， 直观解释一下拉格朗日乘子法给定一个 [0, 1] 的均匀分布，求圆周率
用这个分布产生一个坐标 \((x, y)\)，则这些点均匀分布在一个边长为 1 的正方形内，如下图所示。由几何概率可知，落在四分之一圆内的概率为 \(P = \frac{\pi}{4}\)，因此我们只需统计出所有点里面落在圆内的点数即可估计出圆周率。
- 编程求数组中的 Top K 大的数 LeetCode 215——数组中的第 K 个最大元素
总结
大概答出百分之七八十吧，写代码还是不够熟练，一周后收到感谢信，被加入人才库！
一起找实习的其他同学面试题
一面
1、目标检测项目
- 阀值是怎么选取的？取多少？答：０.75
- 阀值的实际意义是什么？答：IOU 值，然后仔细解释
- 如果预测出的框过多了怎么办？答：调整 IOU 阀值，然后解释
- FPN 在网络中是怎么加的
- ResNet-50 的选用，因为背景比较单一，没有必要选取更深的网络
２、常规深度学习问题
- BN 和 L2 正则化
- 哪些原因会导致梯度消失。答：网络深度、激活函数
３、编程题：
- 判断两个链表是否相交。
- 求一个数列中两个元素的最大和，找到这个两个元素。（Top K 问题）
二面
- 为什么项目中用 Faster R-CNN+FPN，Faster 和 YOLO 对比；为什么叫单步法，两步法？
- R-CNN系列：R-CNN，Fast R-CNN，Fast R-CNN。大概说了一下每代改进。又问了RPN网络。
C++，问了 map 等是用什么实现的。答：红黑树。（面试官：好了，我也不问你红黑树了），那你在想想还有其他实现的方法吗？平衡二叉树，差不多说了一下。
可能是跳表？数据结构和算法之——跳表STL 中 vector 是怎么实现的？我答了用数组实现，然后常数时间访问，内存分配。内存不够在原有基础上扩大一倍分配。又问内存减小的时候是怎么做的，我懵逼了。
问堆和栈。我不太会堆，忘记了。然后说了说栈的特点，怎么用的。又问了一下，在计算机系统中，栈有哪些用处，具体解释了一下。我说了线程和进程。堆和堆排序、堆的应用、数据结构之——栈
Linux的一些常用命令：我说了几个。他又问怎么按时间顺序打印出文件列表，按文件大小打印文件列表
编程：两个字符串序列的最长公共子序列。
动态规划经典题目开放问题：让我设计神经网络模型（由于硬件限制，Faster 这种网络不让用）
数据：许多图片，这些图片是由很多网络分割的，就像棋盘一样。每一个格子中可能存在一条小斜线（因为是直线，所以实际由两个端点就可以确定）。要求设计一个网络来检测出这张图片中的这些小短线。
要求：自己定义图片的尺寸，网络的模型，loss，评价指标。问的比较细，每一步的实现细节，整得我一愣一愣的。caffe 实现一种新的自定义网络
获取更多精彩，请关注「seniusen」!