位元組跳動2020屆提前批 AI Lab 三面視訊面 計算機視覺演算法崗
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
- 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。
- 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)
- 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
- 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)
相關文章
- 計算機視覺崗實習面經計算機視覺
- 從北航計算機到位元組演算法崗計算機演算法
- 【計算機視覺】視訊格式介紹計算機視覺
- 位元組跳動-後端開發崗實習面經後端
- 位元組提前批後端開發一、二、三面面經,已意向書!後端
- 位元組跳動ios面經iOS
- 位元組跳動湖平臺在批計算和特徵場景的實踐特徵
- 計算機組成原理-全套視訊教程計算機
- 計算機視覺論文集計算機視覺
- iOS計算機視覺—ARKitiOS計算機視覺
- 計算機視覺隨談計算機視覺
- 計算機視覺 | Matlab實現單目視覺里程計基於SURF特徵(程式碼類)計算機視覺Matlab特徵
- 計算機視覺(AI)的演算法有哪些,具體都有哪些特點?計算機視覺AI演算法
- AI/機器學習(計算機視覺/NLP)方向面試複習1AI機器學習計算機視覺面試
- 位元組跳動前端研發面經-2020春招技術面前端
- 計算機視覺環境配置計算機視覺
- OpenVINO計算機視覺模型加速計算機視覺模型
- 計算機視覺—影象特效(3)計算機視覺特效
- 三面位元組跳動,拿到Offer的我,分享閉關秘籍(複習要領+學習合集)
- StartDT AI Lab | 視覺智慧引擎之演算法模型加速AI視覺演算法模型
- 對線面試官 | 位元組跳動一面面試
- 【演算法】位元組跳動程式設計題-雙生詞演算法程式設計
- 位元組跳動,跳動的“遊戲夢”遊戲
- 人工智慧 (14) 計算機視覺人工智慧計算機視覺
- 計算機視覺方向乾貨文章計算機視覺
- 機器學習工作坊 - 計算機視覺機器學習計算機視覺
- 計算機視覺頂會引用格式計算機視覺
- 【機器視覺與影象處理】基於MATLAB的角度計算視覺Matlab
- 反轉!以視訊搜視訊,這批 AI 程式設計師要逆天了!AI程式設計師
- 看完位元組跳動開發崗薪酬體系,不淡定了
- 2020上半年收集到的優質AI文章 – 計算機視覺AI計算機視覺
- 【智慧駕駛】基於計算機視覺的自動駕駛演算法研究綜述計算機視覺自動駕駛演算法
- 計算機視覺與深度學習公司計算機視覺深度學習
- 計算機視覺技術專利分析計算機視覺
- 計算機視覺中的深度學習計算機視覺深度學習
- iOS計算機視覺—人臉識別iOS計算機視覺
- 計算機視覺基本原理——RANSAC計算機視覺
- Python計算機視覺-第2章Python計算機視覺