1. 介紹目標檢測網絡yolo系列以及ssd系列的原理。yolo對小目標檢測不好的原因，除了縮小anchor外還可以如何改善？yolov3有何創新？
大概介紹了一下，yolo及ssd是one-stage目標檢測網絡的代表，以及他們各自的backbone、anchor box生成方式，最近整理了一下yolo系列的各種創新點，blog地址：https://blog.csdn.net/weixin_42486139/article/details/106695693，持續加更中。。
小目標檢測不好，我答可能是因爲anchor太大，縮小anchor，面試官繼續問，除了縮小anchor，還能如何改善？ 語塞。。。。（望有識之士補充）
yolov3加入了anchor機制（應該沒說全）
2. 如何防止過擬合？
在數據層面，做數據增廣，篩選高質量的特徵
在網絡層面，選擇較簡單的模型，網絡剪枝，加入正則項，加drop out層，加BN層
在訓練操作層面，使用Early Stopping
3. 樣本中正負樣本不平衡，如何解決?
1.使用類平衡交叉熵損失函數
2.對負樣本做數據增廣
4. 使用什麼手段儘量保證精度不損失壓縮模型？
1.模型參數8bit量化
2.模型剪枝
3.模型蒸餾
模型剪枝常用策略？
層剪枝，根據bn層的gamma係數剪枝，bn層的gamma係數代表該層特徵的方差，方差越大說明該層特徵越明顯，保留該層， gamma係數小的網絡層可以剪掉。
通道剪枝，根據經驗縮小通道係數，多次訓練對比實驗(------感覺這塊回答得有點弱智，可我就是這麼弱智地調參。。。。）
5. RetinaNet瞭解嗎？
不瞭解（話題終結，抽空補課）
6. mobilenet速度快的原因
深度可分離卷積
7. 面試官隨便構造一個網絡，現場計算感受野
不要慌，一層層卷積、pooling計算就好了。我的思路是網絡末端用1*1的特徵點往上反推。
8. 簡述GAN網絡原理
生成器判決器協調工作，balabala。。。內容太多，有需求自行百度，或者參考我的 blog https://blog.csdn.net/weixin_42486139/article/details/106076876
介紹一下wgan
gan的變體太多，實際工作中沒有太多接觸GAN網絡，故沒有一一瞭解（話題終結，抽空補課）
9. python中的生成器是做什麼的？
不同於其他函數的return，生成器使用yield返回，訓練數據可以邊迭代邊訓練。不用一次性地加載所有數據，節省內存空間。
10. 進程和線程的區別，數組和鏈表的區別
hhh，這問題面試太常見了！