1、无监督学习的方法有哪些？

Answer：

强化学习、K-means聚类、自编码、受限波尔兹曼机；

2、描述对空洞卷积（dilated convolution）的理解。

Answer：

基于FCN的语义分割问题，需要保持输入图像与输出特征图的尺寸相同。

若使用池化层，则降低了特征图size，需要在高层阶段使用上采样，由于池化会损失信息，所以，此方法导致精度降低；

若使用较小的卷积核尺寸，虽然可以实现输入输出特征图的尺寸相同，但输出特征图的各个节点感受野小；

若使用较大的卷积核尺寸，由于需要增加特征图通道数，此方法会导致计算量较大；

所以，引入空洞卷积，在卷积后的特征图上进行0填充扩大特征图尺寸，这样既因为有卷积核而增大感受野，也因为0填充而保持了计算点不变。

3、增大感受野的方法？

Answer：

空洞卷积、池化操作、较大卷积核尺寸的卷积操作。

4、梯度下降法和牛顿法的优缺点？

Answer：

（1）优点：

梯度下降法：可用于数量较大的情况；

牛顿法：收敛速度更快；

（2）缺点：

梯度下降法：每一步可能不是向着最优解的方向；

牛顿法：每次迭代时间长，需要计算一阶和二阶导数；

5、如何解决训练样本类别不平衡的问题？

Answer：

现象：训练样本中，正负样本数量的比例较大。

解决方法：

（1）过采样。增加正例样本数量，使得正负样本数量接近，然后再进行学习；

（2）欠采样。去除反例样本数量，使得正负样本数量接近，然后再进行学习；

（3）设置阈值。基于原始数据集学习，当使用已训练好的分类器进行预测时，将正负样本数量的比例作为阈值嵌入到决策过程中。

6、目标检测领域的常见算法有哪些？

Answer：

（1）单阶段检测器：YOLO、YOLO9000、SSD、DSSD、RetinaNet

（2）双阶段检测器：R-CNN、Fast R_CNN、Faster R-CNN

7、Momentum优化算法的原理和作用？

Answer：

（1）原理：在梯度下降算法中引入指数加权平均数，在更新梯度方向的过程中，在一定程度上保留了之前梯度更新的方向，同时利用当前mini_batch的梯度方向微调最终的更新方向。

（2）作用：在一定程度上增加梯度更新方向的稳定性，从而使得收敛速度更快。

8、什么是群卷积？

Answer：

假设上一层的特征图通道数为N，群卷积数目为M，则每个群卷积层上的特征图通道数为N/M，然后将其分配在不同的GPU上，待卷积完成后将输出叠加在一起。

9、什么是反卷积？

Answer：

卷积的逆过程，GANs基于反卷积操作生成图片。

10、什么是梯度消失和梯度爆炸？

Answer：

引发以上现象的原因是：激活函数的选择。

（1）梯度消失：令bias=0，则神经网络的输出结果等于各层权重参数的积再与输入数据集相乘，参数值较小时，则权重参数呈指数级减小。

（2）梯度爆炸：令bias=0，则神经网络的输出结果等于各层权重参数的积再与输入数据集相乘，参数值较大时，则权重参数呈指数级增长。

11、从变化矩阵和变换效果等方面阐述相似变换、仿射变换、投影变换的区别。

Answer：

等距变换：图像旋转+平移

相似变换：图像旋转+平移+缩放（放大或缩小原图）

仿射变换：图像旋转+平移+缩放+切变（虽改变图像的形状，但未改变图像中的平行线）

投影变换：图像旋转+平移+缩放+切变+射影（不仅改变可图像的形状，而且改变了图像中的平行线）

12、简要描述SVM。

Answer：

SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。

扩展描述：

支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为软间隔支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。

13、简要介绍TensorFlow的计算图。

Answer：

Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

14、为什么XGBoost要用泰勒展开，优势是什么？

Answer：

XGBoost使用了一阶和二阶偏导, 二阶导数有利于梯度下降的更快更准. 使用泰勒展开取得二阶倒数形式, 可以在不选定损失函数具体形式的情况下用于算法优化分析.本质上也就把损失函数的选取和模型算法优化/参数选择分开了. 这种去耦合增加了XGBoost的适用性。

15、经常在网上搜索东西的朋友都知道，当你不小心输入一个不存在的单词时，搜索引擎会提示你是不是要输入某一个正确的单词，比如当你在Google中输入“Julw”时，系统会猜测你的意图：是不是要搜索“July”，如下图所示，请针对这一现象解释其实现原理。

Answer：

这叫做拼写检查。根据谷歌一员工写的文章How to Write a Spelling Corrector显示，Google的拼写检查基于贝叶斯方法。请说说的你的理解，具体Google是怎么利用贝叶斯方法，实现”拼写检查”的功能。

用户输入一个单词时，可能拼写正确，也可能拼写错误。如果把拼写正确的情况记做c（代表correct），拼写错误的情况记做w（代表wrong），那么”拼写检查”要做的事情就是：在发生w的情况下，试图推断出c。换言之：已知w，然后在若干个备选方案中，找出可能性最大的那个c，也就是求的最大值。而根据贝叶斯定理，有：由于对于所有备选的c来说，对应的都是同一个w，所以它们的P(w)是相同的，因此我们只要最大化即可。其中：

P(c)表示某个正确的词的出现”概率”，它可以用”频率”代替。如果我们有一个足够大的文本库，那么这个文本库中每个单词的出现频率，就相当于它的发生概率。某个词的出现频率越高，P(c)就越大。比如在你输入一个错误的词“Julw”时，系统更倾向于去猜测你可能想输入的词是“July”，而不是“Jult”，因为“July”更常见。

P(w|c)表示在试图拼写c的情况下，出现拼写错误w的概率。为了简化问题，假定两个单词在字形上越接近，就有越可能拼错，P(w|c)就越大。举例来说，相差一个字母的拼法，就比相差两个字母的拼法，发生概率更高。你想拼写单词July，那么错误拼成Julw（相差一个字母）的可能性，就比拼成Jullw高（相差两个字母）。值得一提的是，一般把这种问题称为“编辑距离”。

所以，我们比较所有拼写相近的词在文本库中的出现频率，再从中挑出出现频率最高的一个，即是用户最想输入的那个词。

长按订阅更多精彩▼