首页 / 面试 / 算法工程师面试题整理2(待续)
算法工程师面试题整理2(待续)
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了算法工程师面试题整理2(待续),小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含3629字,纯文字阅读大概需要6分钟。
内容图文
![算法工程师面试题整理2(待续)](/upload/InfoBanner/zyjiaocheng/814/698217a500b14037b8f9d1fc5b14ff00.jpg)
sobel算子知道吗
two stage RCNN—cascadeRcnn, one stage yolo—RFBnet,介绍一下去雾算法
分水岭算法
Densenet的缺点
手推LR
决策树
条件随机场
讲LR,面试官要求LR讲得特别仔细,就那种LR是什么假设,损失函数是怎么回事,怎样更新参数什么的
从方差和偏差角度比较bagging和boosting
离散化LR的好处
在特征工程中,如何判断特征的重要性。
深度学习为什么会差生梯度爆炸
损失函数有几个 原理是什么 有什么特点
提升树原理 学习到的是什么
SVM损失函数
逻辑回归不能解决什么问题,其损失函数
L1范数会产生什么问题
L2范数会产生什么问题
Kmean原理
手推交叉熵公式
手推Softmax公式
图片分类的损失函数,从网络输出到交叉熵如何计算的
数据不平衡问题如何解决
输入数据为什么需要归一化(数据分布原理)
什么是端到端的学习
Canny边缘检测流程,边缘检测算法有哪些
死锁如何产生,如何解决
线程和进程的原理关系
目标检测里面R-CNN和SSD的区别
手写快速排序
手写堆排序
Kmean和GMM原理、区别、应用场景
网络初始化有哪些方式,他们的公式 初始化过程
优化方法 SGD、Adam算法过程 动量算法过程
Xception网络参数减少量
代码求一个数的平方根
仿射变换矩阵,透视变换矩阵,双线性二插值
TF中卷积是如何计算的
膨胀卷积感受野如何计算
交叉熵公式,为什么交叉熵可以用在分类中
Softmax函数
Deeplab进化历史
Deeplabv2和DeeplabV3有什么区别
V3提出那些新理论
尺度变换剧烈如何解决
语义分割一帧图片处理速度
Xception处理速度
ResNet处理速度
卷积神经网络哪里最耗时
回归决策树的输出是什么
决策树使用什么指标进行划分:信息增益
信息增益的定义是什么,公式是什么
熵的定义什么,公式是什么
Inception网络多层卷积之后是concat还是逐像素相加:concat-维度增加
Xception网络含义
神经网络分类的softmax数学公式,如何计算
二分类效果是否好于多分类
L1为什么不用于卷积神经网络
FCN结构介绍,上采样的具体操作
空洞卷积原理,deeplab v1 v2的改进
focal loss介绍, lovasz loss数学原理
介绍下RPN的原理
unet的缺点,最新的改进版本有没有看过
何凯明最新的文章读过吗,能不能讲讲
常用的目标检测算法,one stage two stage的区别
如何解决样本不平衡,以及用了什么训练技巧,为什么能起作用,其原理是什么
现在有些什么降低模型复杂的的方法:我说了两点,使用一些降低计算量的结构比如mobile net shuffle net,然后模型剪枝
SE介绍
XGB lightgbm GBDT的关系和区别
.bagging boosting 的区别,谁是更关注方差 ,谁是更关注偏差
resnet VGG介绍 主要特色
max pooling 梯度传导
如何防止梯度消失,为什么会有梯度消失
kmeans能迭代的数学原理
adam的特点
em算法
lstm参数量
lr为什么要使用sigmoid
mAP这个指标,在什么场景下适用,什么场景下会有问题
info gan和gan的细致区别
mAP这个指标,在什么场景下适用,什么场景下会有问题
基础问了欠拟合和过拟合,从方差和偏差角度比较bagging和boosting
哈希表的原理
线程和进程的区别
list和tuple的区别
Python里面的字典的key可以用list吗?可以用tuple吗?可以用set吗?为什么?从底层实现原理说一下
Python里面的循环很慢,为什么
Python怎么生成一个迭代器
讲一下yield关键字?它的作用是啥
SVM优化的目标是啥?问了SVM推导以及拉格朗日对偶法,从数学角度来说明。
讲一下合页损失函数
SVM当线性不可分的时候怎么办
知道哪几种核函数
介绍一下高斯核函数
核函数的作用,核函数为什么有用?从数学角度说明
样本不平衡时解决的方法
怎么优化LR?就是求解LR,楼主答梯度下降
LR的损失函数?它的导数是啥?加了正则化之后它的导数又是啥
RELU和Sigmoid相比,优点有哪些
无序数组,怎么求它的中位数,要求时间复杂度越低越好
超参数选择方法,参数类别多时,如何优化
为什么不用YOLO
YOLOv2到v3的改进
One-stage速度不够的话怎么办:模型加速:蒸馏、剪枝、用小模型、量化、二/三值网络
NMS:soft-NMS、Softer-NMS 非极大值抑制
响应速度:模型剪枝
随机森林可以做回归和分类,GBDT只能回归
讲讲随机森林和xgboost
为什么决策树容易过拟合:对训练集中的错误数据过分拟合,致使在测试集中出现偏差
为什么没把缺陷检测当做分类任务,而是要做成目标检测的任务
模型上线时,如何保证该模型不受对抗样本影响
传统视觉方法了解多少
为什么决策树之前用pca会好一点
神经网络为啥不用拟牛顿法而是用梯度下降
boost bragging区别
为什么随机森林的树比gbdt的要深一点
内容总结
以上是互联网集市为您收集整理的算法工程师面试题整理2(待续)全部内容,希望文章能够帮你解决算法工程师面试题整理2(待续)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。