c++svd算法_AI算法工程师面试6

60道AI算法高频面试题

https://mp.weixin.qq.com/s/1GavvCY7wUetMvC61gxkLgmp.weixin.qq.com

机器学习（15题）

参考：

为什么LR模型损失函数使用交叉熵不用均方差？_Lavi的专栏-CSDN博客_lr为什么用交叉熵损失函数blog.csdn.net

[Machine Learning] 浅谈LR算法的Cost Functionwww.cnblogs.com

2.参考：

https://cloud.tencent.com/developer/article/1489227cloud.tencent.com

3.参考：

svm常用核函数_wolfrevoda的专栏-CSDN博客_svm核函数blog.csdn.net

4.参考：

徐小贱民：GBDT与Adaboost的区别与联系zhuanlan.zhihu.com

5.参考：

关于adaboost、GBDT、xgboost之间的区别与联系 - 云+社区 - 腾讯云cloud.tencent.com

6.参考：

K-MEANS-算法-简述 - xiaodongrush - 博客园www.cnblogs.com

7.参考：

机器学习中Bagging和Boosting的区别_学习AI算法，请关注微信公众号：机器学习算法全栈工程师……-CSDN博客_机器学习baggingblog.csdn.net

8.答：因为需要假设所有特征都是相互独立的

参考：

Yifei Ren：什么是朴素贝叶斯 Naive Bayeszhuanlan.zhihu.com

9.参考:

阿泽：【机器学习】决策树（上）——ID3、C4.5、CART（非常详细）zhuanlan.zhihu.com

10.参考：

随机森林的方式如何处理特征缺失值_数据之美的博客-CSDN博客_随机森岭缺失数据插补正确性验证blog.csdn.net

11.参考：

回归、分类与聚类：三大方向剖解机器学习算法的优缺点www.jiqizhixin.com

12.参考：

CRF 详细推导、验证实例 - 下路派出所 - 博客园www.cnblogs.com

13.参考：

特征值和奇异值www.jianshu.com

特征值和奇异值分解：

琥珀瑭：（四）矩阵的特征分解与奇异值分解(SVD)zhuanlan.zhihu.com

14和15.参考：

深入理解L1、L2正则化 - ZingpLiu - 博客园www.cnblogs.com

深度学习（15题）

1 .参考：

神经网络参数初始化方法_无知人生，记录点滴-CSDN博客_神经网络参数初始化blog.csdn.net

2.参考：

南柯一梦宁沉沦：卷积神经网络(CNN)反向传播算法推导zhuanlan.zhihu.com

3.参考：

阿柴本柴：CNN 模型所需的计算力flops是什么？怎么计算？zhuanlan.zhihu.com

CNN网络各种层的FLOPs和参数量paras计算_YeeKo的博客-CSDN博客_全连接层flopsblog.csdn.net

4.参考：

pdbsettrace：如何计算感受野(Receptive Field)——原理zhuanlan.zhihu.com

5.参考：

编码小弟：常用正则化方法综述zhuanlan.zhihu.com

6.参考：

L1、L2、Batch Normalization、Dropout为什么能够防止过拟合呢？www.jeepxie.net

7和8.参考：

BN和Dropout在训练和测试时的差别_海晨威-CSDN博客_dropout在训练和测试时区别blog.csdn.net

9.参考：

Amusi：一文读懂卷积神经网络中的1x1卷积核zhuanlan.zhihu.com

10.参考：

深度解析Droupout与Batch Normalizationwww.cnblogs.com

BN和Dropout共同使用时会出现的问题

BN和Dropout单独使用都能减少过拟合并加速训练速度，但如果一起使用的话并不会产生1+1>2的效果，相反可能会得到比单独使用更差的效果。
理解 Dropout 与 BN 之间冲突的关键是网络状态切换过程中存在神经方差的（neural variance）不一致行为。试想若有图一中的神经响应 X，当网络从训练转为测试时，Dropout 可以通过其随机失活保留率（即 p）来缩放响应，并在学习中改变神经元的方差，而 BN 仍然维持 X 的统计滑动方差。这种方差不匹配可能导致数值不稳定（见下图中的红色曲线）。而随着网络越来越深，最终预测的数值偏差可能会累计，从而降低系统的性能。简单起见，作者们将这一现象命名为「方差偏移」。事实上，如果没有 Dropout，那么实际前馈中的神经元方差将与 BN 所累计的滑动方差非常接近（见下图中的蓝色曲线），这也保证了其较高的测试准确率。

11.参考：

深度学习之Bottleneck Layer or Bottleneck Featuresblog.csdn.net

12.参考：

【面试基础--分类网络】inception系列（v1,v2,v3,v4）_Biyoner的博客-CSDN博客_inception vblog.csdn.net

13.参考：

张磊：解读Squeeze-and-Excitation Networks（SENet）zhuanlan.zhihu.com

14.参考：

Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolutionwww.cnblogs.com

15.参考：

为何 MobileNet 及其变种（如 ShuffleNet）速度很快blog.csdn.net

计算机视觉（15题）

1.参考：

【语义分割】语义分割评估指标mIOU_筱-CSDN博客_语义分割miou一般多少blog.csdn.net

2.参考：

最完整的检测模型评估指标mAP计算指南(附代码)在这里！www.jianshu.com

3.参考：

一文打尽目标检测NMS | 精度提升篇cloud.tencent.com

4.参考：

YaqiLYU：目标检测中的Anchorzhuanlan.zhihu.com

5.参考：

目标检测中的样本不平衡处理方法--OHEM, Focal Loss, GHM, PISAblog.csdn.net

6.参考：

ROI pooling 和 ROI Align详解blog.csdn.net

7.参考：

Amusi：大神接棒，YOLOv4来了！zhuanlan.zhihu.com

8.参考：

Unet神经网络为什么会在医学图像分割表现好？www.zhihu.com

9.参考：

为什么深度学习中的图像分割要先编码再解码？www.zhihu.com

10.参考：

目标检测中的多尺度训练/测试？？www.zhihu.com

11.参考：

龟龟：小目标检测学习zhuanlan.zhihu.com

12.参考：

孙杨威：浅谈Anchor-Free based目标检测（一）zhuanlan.zhihu.com

孙杨威：浅谈Anchor-Free目标检测（二）zhuanlan.zhihu.com

13.参考：

杨阳：Anchor-free应用一览：目标检测、实例分割、多目标跟踪zhuanlan.zhihu.com

14.参考：

多尺度问题解法小结_yujianmin1990的专栏-CSDN博客blog.csdn.net

15.参考：

逍遥王可爱：Focal loss论文详解zhuanlan.zhihu.com

C++（15题）

1.参考：

我理解的C++虚函数实现机制www.jianshu.com

2.参考：

c++虚函数的作用是什么？www.zhihu.com

3.参考：

STL中vector和list的区别www.jianshu.com

4.参考：

Python 面向对象的基本概念与c++ 面向对象的基本概念有点区别blog.csdn.net

比较分析C++、Java、Python、R语言的面向对象特征，这些特征如何实现的？有什么相同点？ - xuyaowen - 博客园www.cnblogs.com

5.参考：

忽晴忽雨：【C】堆区和栈区的区别zhuanlan.zhihu.com

6.参考：

什么是内存泄漏？怎么产生的？如何检测？_找个特立不独行的名的博客-CSDN博客_如何判断内存泄漏blog.csdn.net

7.参考：

C/C++ 中 static 的用法全局变量与局部变量www.runoob.com

8.参考：

为什么c++要“在头文件中声明，在源文件中定义”？www.zhihu.com

9.参考：

C++ STL之 vector的capacity和size属性区别blog.csdn.net

10.和11.参考：

STL 容器区别：vector、list、deque、set、map的底层实现blog.csdn.net

12.参考：

c++ 四种强制类型转换介绍_ydar95的博客-CSDN博客blog.csdn.net

13.答：

https://www.nowcoder.com/questionTerminal/8490c16e1b424e00968d1ed5b7153185www.nowcoder.com

智能指针是C++11 引入的，用于管理在堆上分配的内存，它将普通的指针封装为一个栈对象。当栈对象的生存周期结束后，会在析构函数中释放掉申请的内存，从而防止内存泄漏。包含在头文件<memory>中，其中包括：

（1）shared_ptr：它采用引用计数的方法，记录当前内存资源被多少个智能指针引用，该引用计数的内存在堆上分配。每新增一个引用计数加1，当过期时引用计数减1。只有引用计数为0时，智能指针才会自动释放引用的内存资源。shared_ptr的一个最大的陷阱是循环引用，会导致堆内存无法正确释放，从而导致内存泄漏。

（2）weak_ptr：为了解决循环引用导致的内存泄漏，引入了weak_ptr弱指针，weak_ptr的构造函数不会修改引用计数的值，从而不会对对象的内存进行管理，其类似一个普通指针，虽然不指向引用计数的共享内存，但是可以检测所管理的对象是否已经被释放，从而避免非法访问。

（3）unique_ptr：一种对资源具有独占性的智能指针，即一个对象资源只能同时被一个unique_ptr指向。

野指针就是指针指向的位置是不可知的（随机的、不正确的、没有明确限制的）指针变量在定义时如果未初始化，其值是随机的，指针变量的值是别的变量的地址，意味着指针指向了一个地址是不确定的变量，此时去解引用就是去访问了一个不确定的地址，所以结果是不可知的。

14.参考：

C++多态实现和virtual原理www.jianshu.com

15.参考：

new、delete、malloc、free关系_小凡的专栏-CSDN博客_new、delete、malloc、free关系blog.csdn.net