Kmean和GMM原理、區別、應用場景
網絡初始化有哪些方式，他們的公式 初始化過程
優化方法 SGD、Adam算法過程 動量算法過程
Xception網絡參數減少量
代碼求一個數的平方根
仿射變換矩陣，透視變換矩陣，雙線性二插值
TF中卷積是如何計算的
膨脹卷積感受野如何計算
交叉熵公式，爲什麼交叉熵可以用在分類中
Softmax函數
Deeplab進化歷史
Deeplabv2和DeeplabV3有什麼區別
V3提出那些新理論
尺度變換劇烈如何解決
語義分割一幀圖片處理速度
Xception處理速度
ResNet處理速度
卷積神經網絡哪裏最耗時
迴歸決策樹的輸出是什麼
決策樹使用什麼指標進行劃分：信息增益
信息增益的定義是什麼，公式是什麼
熵的定義什麼，公式是什麼
Inception網絡多層卷積之後是concat還是逐像素相加：concat-維度增加
Xception網絡含義
神經網絡分類的softmax數學公式，如何計算
二分類效果是否好於多分類
L1爲什麼不用於卷積神經網絡
FCN結構介紹，上採樣的具體操作
空洞卷積原理，deeplab v1 v2的改進
focal loss介紹, lovasz loss數學原理
介紹下RPN的原理
unet的缺點，最新的改進版本有沒有看過
何凱明最新的文章讀過嗎，能不能講講
常用的目標檢測算法，one stage two stage的區別
如何解決樣本不平衡，以及用了什麼訓練技巧，爲什麼能起作用，其原理是什麼
現在有些什麼降低模型複雜的的方法：我說了兩點，使用一些降低計算量的結構比如mobile net shuffle net，然後模型剪枝
SE介紹
XGB lightgbm GBDT的關係和區別
.bagging boosting 的區別，誰是更關注方差 ，誰是更關注偏差
resnet VGG介紹 主要特色
max pooling 梯度傳導
如何防止梯度消失，爲什麼會有梯度消失
kmeans能迭代的數學原理
adam的特點
em算法
lstm參數量
lr爲什麼要使用sigmoid
mAP這個指標，在什麼場景下適用，什麼場景下會有問題
info gan和gan的細緻區別
mAP這個指標，在什麼場景下適用，什麼場景下會有問題
基礎問了欠擬合和過擬合，從方差和偏差角度比較bagging和boosting
哈希表的原理
線程和進程的區別
list和tuple的區別
Python裏面的字典的key可以用list嗎？可以用tuple嗎？可以用set嗎？爲什麼？從底層實現原理說一下
Python裏面的循環很慢，爲什麼
Python怎麼生成一個迭代器
講一下yield關鍵字？它的作用是啥
SVM優化的目標是啥？問了SVM推導以及拉格朗日對偶法，從數學角度來說明。
講一下合頁損失函數
SVM當線性不可分的時候怎麼辦
知道哪幾種核函數
介紹一下高斯核函數
核函數的作用，核函數爲什麼有用？從數學角度說明
樣本不平衡時解決的方法
怎麼優化LR？就是求解LR，樓主答梯度下降
LR的損失函數？它的導數是啥？加了正則化之後它的導數又是啥
RELU和Sigmoid相比，優點有哪些
無序數組，怎麼求它的中位數，要求時間複雜度越低越好
超參數選擇方法，參數類別多時，如何優化
爲什麼不用YOLO
YOLOv2到v3的改進
One-stage速度不夠的話怎麼辦：模型加速：蒸餾、剪枝、用小模型、量化、二/三值網絡
NMS：soft-NMS、Softer-NMS 非極大值抑制
響應速度：模型剪枝
隨機森林可以做迴歸和分類，GBDT只能迴歸
講講隨機森林和xgboost
爲什麼決策樹容易過擬合：對訓練集中的錯誤數據過分擬合，致使在測試集中出現偏差
爲什麼沒把缺陷檢測當做分類任務，而是要做成目標檢測的任務
模型上線時，如何保證該模型不受對抗樣本影響
傳統視覺方法瞭解多少
爲什麼決策樹之前用pca會好一點
神經網絡爲啥不用擬牛頓法而是用梯度下降
boost bragging區別
爲什麼隨機森林的樹比gbdt的要深一點
