深度学习面试提问题

为什么选择这种算法，这种算法和其他相比有什么区别（或者有什么创新点）

CvT在ImageNet-1k这个数据集上训练，达到了SOTA的性能，比ViT，DeiT的参数量和计算量更小，且比CNN的性能更好。

样本数据集有什么特点，存在哪些问题和挑战怎么解决

200kv配电变压器和500kv配电变压器图片不一样
最终选择了一个30kv机器人拍摄的
对数据进行label——emigy进行yolo的标注

Mosaic数据增强
数据增强Copy-paste（分割）
数据增强- MixUp

数据增强- Albumentations
均值滤波：图像去噪的同时也破坏了图像的细节部分
中值滤波：可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好，对椒盐噪声表现较好，对高斯噪声表现较差。
直方图均衡化：可提高图像的对比度

数据增强Augment HSV (Hue, Saturation, Value)色度、饱和度、浓度
数据增强- Random horizontal flip
自适应锚框计算
自适应图片缩放

在这个方面最新的方法（算法）有哪些（大概说下思路）

说发展历程从resnet，resnet+transformer，纯transformer（CVT、VIT、Swintransformer、TATrack（位置举证进行编码））

实习期间都做了哪些事情，遇到了哪些困难，怎么解决的？

拟对TV游戏进程监控明细表、错误日志中间表进行优化调整
基于游戏启动场景的扩展及游戏进程监控指标的扩充，优化游戏进程中间表，增加和优化相关字段；
解决多游戏平台上报相同错误码但错误释义不同导致错误数据计算失真的情况，在游戏错误中间表中增加关联条件；

2. 从公式的角度说明一下L2损失为什么会平滑

3. 解决模型过拟合的方法
4. 为什么L1正则化可以缓解过拟合