一面 視訊面（50min）2019/7/17

• 自我介紹
• Kaggle的比賽大致介紹一下
• 用了哪些trick

答：迴圈學習率，快照融合

• 對分類，分割檢測，視訊理解哪方面比較熟悉？

答：對分類，分割比較熟悉

• 那我們問一下檢測方面的問題吧（我：？？？），你瞭解faster rcnn嗎，大致介紹一下
• 再問一個分割檢測方面的，瞭解nms嗎，大致介紹一下
• 模型訓練過擬合怎麼辦

答：資料增強，增大資料量；換更大更深的網路，更好的backbone；dropout，BN等

• BN為什麼防止過擬合呢？

正確答案應該是

大概意思是：在訓練中，BN的使用使得一個mini-batch中的所有樣本都被關聯在了一起，因此網路不會從某一個訓練樣本中生成確定的結果。

這句話什麼意思呢？意思就是同樣一個樣本的輸出不再僅僅取決於樣本本身，也取決於跟這個樣本屬於同一個mini-batch的其它樣本。同一個樣本跟不同的樣本組成一個mini-batch，它們的輸出是不同的（僅限於訓練階段，在inference階段是沒有這種情況的）。我把這個理解成一種資料增強：同樣一個樣本在超平面上被拉扯，每次拉扯的方向的大小均有不同。不同於資料增強的是，這種拉扯是貫穿資料流過神經網路的整個過程的，意味著神經網路每一層的輸入都被資料增強處理了。
--------------------- 
作者：qq_23150675 
來源：CSDN 
原文：https://blog.csdn.net/qq_23150675/article/details/79452685 
版權宣告：本文為博主原創文章，轉載請附上博文連結！

但是我回答的是BN為啥work的原因，包括BN原論文解釋的改善ICS現象，但是今年年初MIT的一篇論文《How Does Batch Normalizetion Help Optimization》推翻了這個結論，該論文認為

1. BN帶來的效能提升與ICS的減少無關。 並且在一定程度上認為BN並不能減少 ICS。
2. 發現了BN使得優化問題的曲面更加平滑，這使得梯度更容易預測以及允許更大範圍的學習率和更快的網路vonvergence。證明了BN提升了模型的LOSS的Lipschitzness和梯度的Lipschitzness（β-smoothness）。換個說法：

   引入了 BN 後，損失函式相對於啟用函式值的梯度幅值更小，也即損失函式更加利普希茲。損失函式相對於啟用函式值的二階項幅值更小，也即損失函式更加貝塔平滑。同理，損失函式相對於權重的梯度幅值也更小。 權重的最優解與初始解的距離也更小，也即神經網路更快就可以訓練到最佳表現。（參考：https://www.zhihu.com/collection/226366658?page=4）

3. 提出了除了BN外，還有其他方式同樣可以達到類似平滑效應，有些甚至效果更好。

• 演算法題：判斷一棵樹是不是完全二叉樹 

思路：

1>如果樹為空，則直接返回錯 
2>如果樹不為空：層序遍歷二叉樹 
2.1>如果一個結點左右孩子都不為空，則pop該節點，將其左右孩子入佇列； 
2.1>如果遇到一個結點，左孩子為空，右孩子不為空，則該樹一定不是完全二叉樹； 
2.2>如果遇到一個結點，左孩子不為空，右孩子為空；或者左右孩子都為空；則該節點之後的佇列中的結點都為葉子節點；該樹才是完全二叉樹，否則就不是完全二叉樹；
--------------------- 
作者：gogogo_sky 
來源：CSDN 
原文：https://blog.csdn.net/gogogo_sky/article/details/76223384 
版權宣告：本文為博主原創文章，轉載請附上博文連結！

#File Name : 是否為完全二叉樹.py
class Node(object):
    def __init__(self,val=None):
        self.val = val
        self.left = None
        self.right = None
def isCBT(head):
    if not head:
        return True
    isLeaf = False
    queue = []
    queue.append(head)
    while queue:
        head = queue.pop(0)
        left = head.left
        right = head.right
        if (not left and right) or (isLeaf and (left or right)):
            # （not left） and  right 右邊存在 左邊不存在
            #  或者是進入到全是葉節點狀態後 有左或者右
            # 這兩種情況都會返回F
            return False
        if left:
            queue.append(left)
        if right:
            queue.append(right)
        if not left or not right:
            isLeaf = True
    return True
#--------------------- 
#作者：桔梗的眼淚 
#來源：CSDN 
#原文：https://blog.csdn.net/weixin_40274123/article/details/93648891 
#版權宣告：本文為博主原創文章，轉載請附上博文連結！

•  while 迴圈裡第一個判斷語句解釋一下
• 有什麼問題

問：AI lab業務偏多還是research偏多 面試官說：都會做，比較好的一點就是公司大中臺戰略，本身公司的業務場景就很多，所以有很多落地的工作可以做

問：AI lab的擴招情況，發展態勢？AI lab的規模？

• 你投的哪個城市，我是目前在上海工作，如果你有興趣的話可以到上海來 

二面 視訊面（60min） 2019/7/17

• 自我介紹
• 實習的工作是如何改進的
• 為什麼不用L1而用L2loss監督
• sobel運算元介紹一下
• sobel核的引數為什麼裡面-1 -2，改變了引數後會發生什麼事情？

面試官本身是想讓我回答不同的引數就能實現不同的功能效果，例如高斯模糊，腐蝕，銳化，膨脹等等

• 講一下Focal loss，它解決了一個什麼東西？

答：難易樣本不平衡

•  如何解決的
• 和難例挖掘OHEM有什麼區別

答：1、OHEM的策略需要人工設計，而Focal loss是自適應調整樣本的權重，是更優雅的解決方案， 能夠達到更好的區域性最優解

2、Focal loss還有阿爾法這個超參可以控制類別不平衡，而OHEM不行

具體參考https://blog.csdn.net/m_buddy/article/details/89042338

• 講一下你熟悉的優化器，說一下區別或發展史 

答：只簡單講了adam和SGD，沒複習到

具體參考https://www.cnblogs.com/ljygoodgoodstudydaydayup/p/7294671.html

• 演算法題：一個整數陣列A，求Ai-Aj的最大值Max，i<j，

c++的解法及思路：  https://blog.csdn.net/fkyyly/article/details/83930343  

def f(arr):
    if len(arr)==0 or len(arr)==1:
        return 0
    if len(arr)==2:
        return arr[0]-arr[1]
    p1 = 0
    p2 = 1
    max = arr[p1]-arr[p2]
    n = len(arr)
    while p2<n:
        while p2<n and arr[p2]<arr[p1]:
            if arr[p1]-arr[p2]>max:
                max = arr[p1]-arr[p2]
            p2 += 1

        p1 = p2
        p2 += 1
    return max

• 時間複雜度空間複雜度是多少

答：O(n)，O(1)

• 一個圖片中心逆時針旋轉30度後，求最小外接矩形長和寬，說一下有哪些解決方法

答：第一種初中數學，幾何知識；第二種，求解仿射變換矩陣（2x3），然後和原圖相乘，就得到變換後的圖片，也就知道了最小外接矩形的長和寬

具體參考https://blog.csdn.net/flyyufenfei/article/details/80208361

• 有什麼想問的

問：這個提前批的面試流程，有幾面

答：至少三面，沒面過的不影響正式秋招

問：老師您在公司做的什麼方面呢

答：廣告方面的影像，cv-ad

 

三面 主管面 視訊面 （30min）2019/7/23

• 自我介紹
• 介紹一下簡歷上比賽經歷
• 介紹一下簡歷上最有含金量的工作
• 1x1卷積的作用
• 經典分類網路backbone
• 講一下inception系列
• 經典分割網路
• 沒有提問環節（感覺涼了呀）