计算机视觉方向面试宝典总结

学习目标：

马上快答辩了，实在是无心学习，闲来无事，就整理一下，去年找工作以来总结的一些我认为面试常考的东西吧，希望能对今年找工作的你，有所帮助。首先说一下我的研究方向是计算机视觉，我的目标是算法工程师，这里面就很多了，大家根据自己的意愿来吧。

学习内容：

我直接放这里哈

if __name__ == "__main__":
    """
    机器学习类别不平衡问题处理方法： 行欺诈问题，客户流失问题，电力盗窃以及罕见疾病识别，预测结果往往倾向于类别较多的观测数据
    1.采样 
        a.过采样：增加少数样本的数量（复制）
        b.降采样：随机删除多数样本（集成学习）
            -->反例划分为若干个集合供不同学习器使用，这样对每个学习器来看都进行了欠采样，但在全局来看却不会丢失重要信息。
            
    2.阈值移动:  许多模型的输出类别是基于阈值的，例如逻辑回归中小于0.5的为反例，大于则为正例。
                在数据不平衡时，默认的阈值会导致模型输出倾向于类别数据多的类别。
                
    3.调整代价函数或者权重: focal loss 带权重的交叉熵   
    
    优化器：SGD/Momentum/Adagrad/Adam
        SGD: nn.SGD(net.parameters(), lr=0.001, momentum=0.95),SGD为随机梯度下降，每次迭代计算mini_batch数据的梯度，然后对参数经行更新。
        Mimentum: 参考物理学中的动量，前几次的梯度也会参与当前的计算中，但是前几轮的梯度叠加在当前计算中会有一定的衰减
        Adagrad: 在训练过程中自动变更学习的速率， 设置一个全局的学习速率，而实际的学习率与以往的参数模和的开方成反比
        Adam: 利用梯度的一阶矩和二阶矩动态调整每个参数的学习率，经过偏置校正后，学习率都有个确定的范围，是的参数较为平稳。
    
    L1损失函数不可导怎么办：
    当损失函数不可导,梯度下降不再有效,可以使用坐标轴下降法,梯度下降是沿着当前点的负梯度方向进行参数更新,而坐标轴下降法是沿着坐标轴的方向。
    假设有m个特征个数,坐标轴下降法进参数更新的时候,先固定m-1个值,然后再求另外一个的局部最优解,从而避免损失函数不可导问题。
    
    Sift特征提取和匹配的具体步骤：
        A.生成高斯差分金字塔, 
        B.尺度空间构建, 
        C.空间极值点检测, 
        D.稳定关键点的精确定位, 
        E.稳定关键点方向信息分配,
        F.关键点描述,特征点匹配
    
    PCA原理：高维空间投影到低维空间，通