理論部分
深度學習
(通甲優博實習面試)視覺計算任務有哪些,你怎麼分類
我把任務分爲像素級別、目標級別、理解級別。
- 像素級別的任務一般是傳統的圖像處理任務,他們不需要用到圖像的語義信息,或者最多用到底層特徵(比如圖像的邊緣、紋理),這些任務有圖像增強、傳統的圖像復原(如去噪、去模糊)、傳統的圖像分割(比如基於種子生長的方法)、圖像加密等。
- 目標級別的任務需要用到語義信息,所以提取的特徵是高層特徵,CNN作爲優良的特徵提取器在這個級別的任務上能夠大展拳腳,比如目標定位、識別、檢測,以及用到語義特徵的分割和大量的圖像生成。
- 理解級別的任務不僅描述圖象中的目標,還要解釋他們之間的聯繫,比如一些“看圖說話“的圖像翻譯任務。
CNN的特點以及優勢
CNN使用範圍是具有局部空間相關性的數據,比如圖像,自然語言,語音
- 局部連接:可以提取局部特徵。
- 權值共享:減少參數數量,因此降低訓練難度(空間、時間消耗都少了)。
可以完全共享,也可以局部共享(比如對人臉,眼睛鼻子嘴由於位置和樣式相對固定,可以用和臉部不一樣的卷積核) - 降維:通過池化或卷積stride實現。
- 多層次結構:將低層次的局部特徵組合成爲較高層次的特徵。不同層級的特徵可以對應不同任務。
- conv:
- pooling:
- deconv:
- 瓶頸結構
- 殘差
- 學習率、步長、動量
- 優化方法
- 預訓練
- data agumentation
- early stop
- 參數規則化
- 用更簡單模型
- dropout
- 加噪聲
- 預訓練網絡freeze某幾層
- 會寫公式
- 知道變體
- 優缺點
機器學習
- (騰訊面試)有什麼降維方法:
- 有什麼分類算法:
- 偏差和方差:
- 判別模型和生成模型:
- (騰訊面試)設計一個企鵝音樂的推薦系統:
- (滴滴筆試)增強學習的相關內容:
- (2017騰訊實習筆試)
- 概率論(幾個重點分佈、切比雪夫不等式、t檢驗)
- 線性代數(特徵值計算、行列式計算)
實踐部分
- 你使用什麼編程框架,有什麼特點:
- 使用該框架搭建一個網絡並訓練的具體流程有什麼:
- 如何解決梯度消失:
- 如何解決梯度爆炸:
- 如何判斷是否收斂:
- 如何選擇優化方法:
- 實現卷積層的backward編程:
- (17yy面試)用c++/python實現讀取文本文件(txt)行數的功能
- (17yy面試)python中有什麼數據結構,有什麼不同
list,tuple,dict,set - (17yy面試)python中range和xrange有什麼不同
- (17yy面試)python中如何重寫一個len函數,解釋__call() 12.
課題部分
度量
- 重建任務的度量有哪些,給出解釋/公式:
- 識別任務的度量有哪些:
傳統圖像處理
- 有什麼圖像的銳化方法:
- 全局和局部特徵提取算法分別有:
- 全局和局部特徵提取算法有啥不同:
- 解釋HOG:
- 解釋sift:
- 解釋
風格轉換
介紹該領域
圖像生成
介紹該領域
解釋重建任務中的常用技巧:
圖像復原
介紹該領域
圖像分割
介紹該領域
目標檢測
介紹該領域
REFERENCE:
知乎專欄——深度學習崗位面試問題整理筆記