AI面试总结_20190511
一、随感
第一次AI面试结束,结果GG。想了想,感觉总得记录下些什么,毕竟也尝试了、争取了、更清楚的审视了当下的自己。
第一次AI面试源于公司的内部转岗申请,感谢领导给了机会,这不是客套话,真的感谢( ̄▽ ̄)。这里废话一句:机会都是自己争取的;面试是一个检验自己和认识自己的好方式。由于是内部转岗,就拿到了面试老师的评价,很客观:
1 深度学习基本的概念是知道的,常用的网络层损失函数也清楚,但网络训练的原理和一些常用超参数都还不是很明白
2 自己做过一个字符识别的project,从采集数据,标图到训练,流程还比较清楚,用的keras来训练
3 检测算法没有仔细了解,常用的分类网络没有训练经验
4 caffe和tf几乎是没有使用过
5 有根据github做过一个简单的手机端模型部署,后端部署不了解
整体来说,基础知识还不够扎实,训练经验比较少,处于自己学习的阶段。按照社招的标准是远远不够的,按照应届生的标准属于中上游。不过感觉上他还比较好学
结果也显而易见,由于是内部转岗,岗位又那么火,没有两把刷子真的是不行啊,要不然大家都转岗了,不便于公司管理,所以我后面又争取了,依然GG。
综上所述,自己当下还是有点菜。AI之路路漫漫其修远兮啊,不扯了,对照着面试不足继续坚持吧,期待下一个阶段的自己。
二、问题总结
1、Conv:
(1)提取图像特征;缩小输出特征图尺寸;
(2)1*1卷积核用来模型的升维和降维操作(没有对图像做聚合,当前层和下一层为多层时起到一个跨通道的聚合作用)。
2、激活层:增强模型的非线性化。卷积层、全连接层后面
3、MaxPooling:
(1)全部使用卷积层模型较复杂,池化层简化模型,图像下采样
(2)一般跟在卷积层+激活层后面,一定程度上保证平移、旋转不变性
(3)放在模型的后端便于充分卷积操作提取图像特征,SqueeseNet中相比论文将MaxPooling提前了几层,提前进行降维操作较少模型计算量
4、全连接层:通过卷积层、激活函数、池化层提取特征,全连接层将特征整合在一起用于分类
(1)SqueezeNet采用1*1卷积层+AveragePooling替代全连接层
(2)卷积层实现全连接操作
14*14*512[(14*14*512)*2626]--->2626
14*14*512[14*14*512*2626]--->2626
5、BN
(1)使得输入层趋于正态分布,收敛过程大大加快,提升训练速度
(2)防止过拟合
(3)简化调参,初始化要求没那么高,而且可以使用大学习率
6、DO
7、NMS
预测框中选取置信度最大的矩形框M加入到输出矩形框中,同时遍历计算矩形框M与预测框IOU值,并删除预测框中小于IOU阈值的矩形框
8、交叉熵
熵是是所有信息量的期望,事件越不确定,熵越大(信息量和概率成反比)。交叉熵是衡量两个概率分布的差异,交叉熵损失一般用来求目标与预测值之间差距。
9、mAP
(1)准确率precision:预测正样本中真正正样本比例
召回率recall:GT正样本中被检测出来的真正正样本比例
(2)针对单个类别,根据不同的分类置信度阈值得到预测正样本(TP+FP)和预测负样本(TN+FN),再根据与GT标注框IOU阈值得到TP,FP,TN,FN,算出准确率和召回率;采用不同的分类置信度阈值得到不同准确率和召回率,绘制准确率、召回率曲线;置信度阈值越低,准确率越低,召回率越高
(3)根据横坐标recall等分:
设定[0,0.1,0.2...1]阈值,recall>阈值,取最大准确率,11个准确率取平均
根据正样本个数M设定阈值[1/M...],recall>阈值,取最大准确率,M个准确率取平均
性能指标(模型评估)之mAP_秋人别院-CSDN博客_map指标
10.1、过拟合原因
(1)数据不平衡
(2)训练集样本过于简单,不具备代表性
10.2、解决过拟合方法
(1)是否使用正则化:DO
(2)学习率是否过大
(3)模型是否过于复杂
(4)增加训练集数据样本
11、数据不平衡
数据层面:增加少的类别样本(数据增强),减少多的数据样本(随机删除)
算法层面:增加少的类别样本的损失权重
12、目标检测中one stage和two stage的区别
two stage是采用两个模型分别先进行目标的矩形框检测,再进行目标类别的识别
one stage是采用一个模型完成目标的矩形框检测和类别识别
13、学习率
(1)学习率过大:损失值震荡,无法收敛;学习率过小:训练过慢,无法找到全局最小值
(2)定值学习率;学习率连续衰减;学习率分段衰减
14、梯度动量:梯度变化越快,补偿值越小;梯度变化越平缓,补偿值越大
15、为什么用交叉熵损失做分类损失函数
交叉熵对参数的偏导数没有激活函数的导数
16、梯度为什么会消失,如何避免消失?
激活函数趋于饱和时梯度趋于0;采用梯度趋于饱和时梯度不趋于0的激活函数,如ReLu
17、反向传播链式法则
一文弄懂神经网络中的反向传播法——BackPropagation - Charlotte77 - 博客园
18、YOLO
从YOLOv1到YOLOv3,目标检测的进化之路_CSDN人工智能头条-CSDN博客
AI面试总结_20190511相关推荐
- AI 面试“泛滥”的时代,HR该如何甄别真假“AI”?
作者 | 无缺 编辑 | 王晓曼 出品 | AI科技大本营(ID:rgznai100) 在互联网.物联网蓬勃发展的中国,AI在商业化领域的运用,大家并不陌生.但AI在人力资源领域的发展前景如何?这是一 ...
- AI面试官也太好骗了吧!
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 萧箫 发自 凹非寺 量子位 报道 | 公众号 QbitAI 当坐在你 ...
- 应有尽有!这可能是最全的 AI 面试笔记了
点击上方"视学算法",选择"星标"公众号 重磅干货,第一时间送达 今天给大家推荐一个非常全面的 AI 面试笔记集锦,包含 2018.2019 年的校招.春招.秋 ...
- 大厂AI面试官一语中的:一场面试暴露了你的机器学习水平
https://www.toutiao.com/a6621033976142234115/ 2018-11-07 16:33:22 从事机器学习就业方向有很多,比如有些公司侧重数据挖掘,而有些则更倾向 ...
- AI面试官也太好骗了!用书架图片做视频背景,能提高15%好感度
萧箫 发自 凹非寺 量子位 报道 | 公众号 QbitAI 当坐在你面前的是一位AI面试官,如何提升它的好感度? 给自己加个(虚拟的)书架背景就行.像这样: 没错,不需要其他任何改变,单纯改改背景. ...
- ai面试的优缺点_面试也能开“外挂”?领英AI做了什么
随着肺炎疫情在全球范围内流行尚未有缓解之势,失业问题也随之而来. 文 | 杨丽 雷锋网按:随着肺炎疫情在全球范围内流行尚未有缓解之势,失业问题也随之而来,近日领英新上线了一款AI面试工具,旨在帮助求职 ...
- 疫情下的春招季:AI面试官已就位,请接招!
全文共2966字,预计学习时长10分钟 图源:tech.sina.com.cn 疫情笼罩之下,春招倒春寒眼看就要到来.本该在双选会上大展风采的求职者,只能穿着睡衣在家里刷手机.2020春招要凉凉了吗? ...
- AI面试锦囊|网易互娱AI Lab人工智能研究工程师两面分享
©原创作者 | 三金 写在前面 网易经过近20年的飞速发展,现已经跻身全球七大游戏公司之一,旗下拥有游戏行业领先的人工智能实验室--网易互娱AI Lab.该实验室致力于将AI技术应用在游戏中,现网易游 ...
- 【AI面试】L1 loss、L2 loss和Smooth L1 Loss,L1正则化和L2正则化
损失函数是深度学习模型优化的一个灵魂基础,所以无论是很新的transform模型,还是比较早期的AlexNet,都不可避免的要涉及到损失函数的设计和应用. 所以,各种形形色色的损失函数(Loss)也就 ...
最新文章
- mysql 5.6 innodb_MYSQL 5.6中禁用INNODB引擎
- 计蒜客 挑战难题 爬楼梯
- ruby环境sass编译中文出现Syntax error: Invalid GBK character错误解决方法
- Python 错误和异常小结
- Spark Streaming(一)概述
- videowriter最小的编码格式_cv2.VideoWriter() 指定写入视频帧编码格式
- Linux系统下MySQL数据库的超级管理员root的密码忘记/忘记密码怎么办?
- SkyEye仿真平台下的操作系统实验- 准备篇(一)
- as5.4安装gcc和g++
- Unity Animation 的使用
- 计算机专业外语的特点,计算机专业英语在邮政信息技术领域的应用特点|计算机专业哪个好...
- RabbitMQ消息队列,看这篇文章就够了
- php5配置与IIS中isapi筛选器不能加载PHP的解决办法
- Ubuntu server树莓派版本默认用户名密码及密码修改
- linux 查看当前打开的文件数,linux停查看文件打开数
- java生成xlsx文件
- RN实现仿余额宝余额数字翻滚动画特效
- python斐波那契数列第四十项_传统文化的数学基础(四)--论八卦、五行、天干地支、二十四节气、洛书与黄金分...
- 【数据结构——图和图的存储结构】
- 电力、工业、林业、安防都在用的国产测距仪---TFN D4KI 激光测距仪 双目