金山办公春招CV算法工程师一面＆二面面试题（含答案）

最新推荐文章于 2024-04-27 11:13:02 发布

大模型与计算机视觉

最新推荐文章于 2024-04-27 11:13:02 发布

阅读量1k

点赞数 34

分类专栏：算法学习笔记文章标签：算法人工智能面试神经网络计算机视觉 CV

本文链接：https://blog.csdn.net/2401_84033492/article/details/137738708

版权

算法学习笔记专栏收录该内容

51 篇文章 1 订阅

订阅专栏

节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学，针对大模型技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何备战、面试常考点分享等热门话题进行了深入的讨论。

技术交流群

前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

我们建了算法岗技术与面试交流群，想要进交流群、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2040。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

方式①、微信搜索公众号：机器学习社区，后台回复：加群
方式②、添加微信号：mlc2040，备注：加群

一面

主要分成python基础、C++基础、机器学习、深度学习四个部分进行提问。

1.传统算子了解吗？

我了解不多，面试官没有继续针对提问

2.Python列表的extend和+有什么不同

extend方法是用来将一个列表的所有元素添加到另一个列表的末尾。

使用extend方法时，第一个列表（调用extend的列表）会被修改，因为它的末尾会添加第二个列表的所有元素。

extend方法不会创建一个新的列表，而是在原有列表的基础上进行扩展

使用+运算符连接列表时，会创建一个新的列表，其中包含两个原始列表的所有元素。

使用+运算符不会修改原始列表，原始列表会保持不变。+运算符可以用于连接任意数量的列表，不仅仅是两个。

3.Python的深浅拷贝

浅拷贝只复制对象的第一层，而深拷贝会复制对象的所有层级。浅拷贝仅复制复合对象本身，不复制它内部的嵌套对象。通过copy()方法或者copy模块的copy()函数实现。

深拷贝会复制对象以及对象引用的所有层级，确保新对象完全独立于原对象。深拷贝会递归地复制对象的所有子对象。通过copy模块的deepcopy()函数来实现。

4.python内存管理

(1)内存分配：

Python使用内存池（memory pools）来管理内存，用于减少内存碎片和分配/释放开销。

(2)引用计数：

Python使用引用计数机制来跟踪每个对象的引用次数。当对象被创建时，引用计数初始化为1，如果有新的引用指向该对象，则计数增加；当引用被删除时，计数减少。

当对象的引用计数降为0时，意味着没有任何引用指向该对象，对象将立即被释放。

(3)垃圾回收（Garbage Collection, GC）：

引用计数是一种有效的内存管理方式，但无法处理循环引用的情况。为了解决这个问题，Python实现了一个垃圾回收器，使用引用计数和分代回收策略来跟踪和回收垃圾对象。

(4)循环垃圾收集：

为了处理循环引用，Python的垃圾回收器会定期执行循环检测。这个过程不是实时的，而是周期性地执行，以寻找并回收循环引用中涉及的对象。

(5)手动内存管理：

虽然Python的内存管理是自动的，但有时开发者可能需要手动管理内存。Python提供了gc模块，允许开发者启用或禁用垃圾回收，强制执行垃圾回收，以及获取关于对象的引用信息。

5.c++构造函数和析构函数

构造函数是一个在创建类的新对象时被自动调用的特殊成员函数，主要目的是初始化对象，构造函数的名称与类名相同，构造函数没有返回类型，可以有参数，也可以没有参数。有参数的构造函数称为带参数构造函数，允许在创建对象时提供初始值。一个类可以有多个构造函数，这些构造函数通过参数的数量或类型来区分，称为构造函数重载。如果没有为类显式定义构造函数，编译器会提供一个默认构造函数，不接受任何参数。

析构函数是一个在对象生命周期结束时被自动调用的特殊成员函数，主要目的是执行对象的清理工作。析构函数的名称与类名相同，但在类名前加上波浪号（~）。

析构函数没有参数，也没有返回类型。一个类只能有一个析构函数。析构函数不能被重载，也不能被声明为virtual。如果没有为类显式定义析构函数，则编译器会为该类生成一个默认的析构函数。

6.C++的虚函数和纯虚函数

虚函数是一种在基类中声明并在派生类中可以被重写（Override）的成员函数。它允许派生类根据需要提供特定的实现。虚函数的声明通常包括关键字virtual，而其定义则不是必须的。如果基类中的虚函数没有提供定义，它将成为一个虚函数声明，派生类中必须提供相应的定义。

虚函数的主要特点包括：

（1）虚函数允许派生类重写基类的行为。
（2）通过使用指针或引用，可以动态地调用派生类中的虚函数实现，这是多态的一种体现。
（3）即使基类中的虚函数没有被派生类重写，基类中的实现仍然可以被调用。

纯虚函数是一种在基类中声明的虚函数，它没有实现（即没有函数体），并且用= 0指定。纯虚函数使得基类成为一个抽象类（Abstract Class），这意味着你不能实例化一个抽象类，但你可以创建指向抽象类对象的指针或引用。

纯虚函数的主要特点包括：

（1）强制派生类提供纯虚函数的具体实现。
（2）包含纯虚函数的类称为抽象类，不能直接实例化。
（3）抽象类通常用作接口，定义了一组操作和行为的规范，而具体的实现由派生类完成。
（4）纯虚函数允许在基类中声明函数，但不提供实现，这使得基类更加灵活，可以作为不同派生类的共同基类。

7.C++的多态

C++ 的多态（Polymorphism）是指在面向对象编程中，使用同一个接口来处理不同类型的对象，从而实现不同类型的对象对同一方法的响应。

C++实现多态主要有两种方式：静态多态和动态多态。

静态多态性是通过函数重载和运算符重载实现的。 在这种情况下，编译器在编译时就确定了调用哪个函数，基于函数名和参数列表。

函数重载是指在同一个作用域内可以有多个同名函数，但它们的参数列表必须不同（参数的数量或类型不同）。

运算符重载允许为自定义类型定义运算符的行为。这样，我们可以像使用内置类型一样使用自定义类型的运算符。

动态多态性是通过虚函数实现的。 虚函数是在基类中声明的函数，可以在派生类中被重写。使用基类的指针或引用可以调用派生类中的函数实现。

8.c++哪些运算符不能重载

总结：带点的，sizeof和#不可重载，其余可以重载。

9.maskrcnn.和fasterrcnn的区别

Mask R-CNN 主要用于实例分割，Faster R-CNN 主要用于目标检测。

Mask R-CNN 使用 ROI Align 代替 Faster R-CNN 中的 ROI Pooling。ROI Align 通过双线性插值来解决 ROI 与特征图之间的不对齐问题，从而提高分割精度和速度。而 Faster R-CNN 中的 ROI Pooling 可能会导致特征图与 ROI 不对齐，从而影响分割效果。

10.transformer以及它的一些改进

vit、swin-transformer

ViT是一种基于Transformer的视觉模型，旨在解决传统CNN(卷积神经网络)在处理大尺寸图像时出现的分辨率限制和计算瓶颈问题。ViT采用了一个全新的架构，将图像划分成一组图像块，并将其转换为序列，序列的每个元素都是一个图像块，然后将其输入具有自注意力机制的Transformer模型。

Swin Transformer是一种基于滑动窗口的自注意力机制的Transformer模型，它可以在保持CNN局部感知的同时，利用全局上下文信息。Swin Transformer采用了一种称为“Swin”的层次结构，通过将图像划分为不同的窗口，并在这些窗口上执行局部自注意力，逐渐将局部信息整合到全局上下文中。

11.transformer的批标准化和bn有什么区别

BN通过对每个小批量数据进行归一化处理，使得网络中的每个层的输入都拥有接近均值为0、方差为1的分布。

transformer的批标准化是LN层标准化，是在NLP中广泛使用的归一化技术，特别是在处理序列数据时。与批标准化不同，层标准化是对单个样本的所有特征进行归一化，而不是对整个批次的数据进行归一化。

区别：

（1）归一化的范围：批标准化是在批次的维度上进行归一化，而层标准化是在单个样本的维度上进行归一化。
（2）适用场景：批标准化适用于CNN，特别是在处理图像等具有固定大小和形状的数据时；层标准化适用于处理序列数据，如文本，因为序列长度可能不同，且每个序列的特征数量固定。
（3）训练动态：批标准化可能会受到批次大小的影响，而层标准化不受批次大小的影响，因为它只关注单个样本。
（4）参数数量：批标准化为每个特征维度学习两个参数，而层标准化为每个样本学习两个参数。

12.dert

基于Transformer的端到端目标检测网络，anchor free。https://zhuanlan.zhihu.com/p/650051196

13.yolov3的head的输出维度

anchor_num * (类别数+1+4)

anchor_num是anchor数量，1是置信度，4是中心点和位置

14.bn在训练和测试的区别

训练阶段：

(1)动态统计：在训练阶段，BN层会对每个批次的数据计算均值和方差，并使用这些动态统计量来归一化当前批次的数据。
(2)可学习参数：BN层包含两个可学习的参数，即缩放因子和偏移量，在训练过程中，这些参数会根据当前批次数据的统计特性进行调整。
(3)梯度更新：BN层的参数会随着网络的反向传播过程进行更新，以最小化损失函数。

测试阶段：

(1)固定统计：在测试阶段，BN层使用的是训练过程中累积的均值和方差，而不是动态计算的。这意味着测试时的BN层行为是固定的，不会根据输入数据的变化而变化。
(2)批量大小的影响：在测试时，如果批量大小与训练时不同，BN层的统计特性可能会受到影响。为了解决这个问题，通常会使用训练过程中的移动平均均值和方差，或者在测试时使用较小的批量大小来接近训练时的统计特性。
(3)不需要梯度更新：在测试阶段，BN层的参数不再更新，因为测试是评估模型性能的过程，而不是训练过程。

15.resnet用来解决什么问题？

因模型深度过深而导致的梯度消失问题

16.bn是用来解决什么问题？

主要解决模型训练过程中难以收敛，存在异常值，过拟合等问题，还可以加快训练速度、提高模型精度、防止梯度消失、梯度爆炸、简化学习过程。

17.L1，L2正则

L1正则能够使得模型选择一部分特征作为关键特征，而其他特征的权重接近于0，从而实现特征选择和稀疏化。

L2正则化对模型的影响更加平滑，可以避免特征选择和稀疏化。

18.逻辑回归，线性回归，岭回归

L1正则+线性回归是Lasso回归，L2正则+线性回归是岭(Ridge)回归。

19.pca的过程

(1)数据标准化：

(2)协方差矩阵计算：

计算数据的协方差矩阵。协方差矩阵描述了数据特征之间的线性关系，其元素是不同特征之间的协方差。

(3)特征值和特征向量计算：

对协方差矩阵进行特征分解。这一步骤将产生一系列的特征值和对应的特征向量。特征值表示了每个特征向量方向上的数据方差，而特征向量则定义了主成分的方向。

(4)选择主成分：

根据特征值的大小对特征向量进行排序。通常，较大的特征值对应的特征向量方向上的数据变化更大，因此更具有信息量。选择前k个最大的特征值对应的特征向量作为主成分，这些特征向量将构成一个新的特征空间。

(5)数据转换：

将原始数据投影到选定的主成分上。具体来说，就是将每个数据点与选定的特征向量进行点积，得到新的坐标值。这些新的坐标值构成了降维后的数据表示。

20.协方差和方差有什么区别

方差是衡量一组数据离散程度的统计量，它表示各个数据与其算术平均数之差的平方和的平均数。

协方差是衡量两个随机变量之间相关程度的统计量，它描述了两个变量的变化趋势是否一致。如果两个变量的变化趋势一致（即一个变量增大时另一个也增大，或者一个减小时另一个也减小），那么它们的协方差为正值；如果变化趋势相反（即一个变量增大时另一个减小时，或者一个减小时另一个增大），那么协方差为负值；如果两个变量之间没有线性关系，则协方差接近于零。