AI算法岗面试问题记录1

记录一下面试算法岗过程中问到的问题，部分想不起了。

1.交叉熵是怎么回事？公式是什么？

在机器学习中，我们需要评估label和predicts之间的差距，使用KL散度刚刚好，即

由于KL散度中的前一部分−H(y)不变，故在优化过程中，只需要关注交叉熵就可以了。所以一般在机器学习中直接用用交叉熵做loss，评估模型。

                     

等式的前一部分恰巧就是p的熵，等式的后一部分，就是交叉熵：

• 详细见：https://blog.csdn.net/lison_zhu/article/details/97234817

 

2.介绍非最大值抑制。

 定义：

        在模型预测阶段，我们先为图像生成多个锚框，并为这些锚框一一预测类别和偏移量。随后，我们根据锚框及其预测偏移量得到预测边界框。当锚框数量较多时，同一个目标上可能会输出较多相似的预测边界框。了使结果更加简洁，我们可以移除相似的预测边界框。常用的方法叫作非极大值抑制（non-maximum suppression，NMS）。

计算流程：

• 根据置信度得分进行排序
• 选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除
• 计算所有边界框的面积
• 计算置信度最高的边界框与其它候选框的IoU。
• 删除IoU大于阈值的边界框
• 重复上述过程，直至边界框列表为空。

计算公式：

                

可参考：目标检测---IoU计算公式_A big bliss的博客-CSDN博客_iou计算公式

3.正则化的方法有哪些？

L1，L2；Dropout；data augmentation（数据增强）；early stopping

参考：总结-深度学习中的正则化方法（regularization）_沐埜专栏-CSDN博客_正则化方法

4.调参经验。

不同情况因人而异

5.极大似然概率和后验概率的区别是什么？

参考：最大似然概率和后验概率的区别_mousever的专栏-CSDN博客

        朴素贝叶斯基本原理和预测过程

6.精确度和准确度的区别是什么？

参考：https://blog.csdn.net/anliu1/article/details/112789315

7.介绍一下python中匿名函数lambda函数。

在Python中有两种函数，一种是def定义的函数，另一种是lambda函数，也就是大家常说的匿名函数。今天我就和大家聊聊lambda函数，在Python编程中，大家习惯将其称为表达式。

先举一个例子：将一个列表里的每个元素都平方。

先用def来定义函数，代码如下

def sq(x):
    return x*x

map(sq,[y for y in range(10)])

再用lambda函数来编写代码

map(lambda x: x*x,[y for y in range(10)])

从这个简单的例子，我们可以看出，用lambda函数首先减少了代码的冗余，其次，用lambda函数，不用费神地去命名一个函数的名字，可以快速的实现某项功能，最后，lambda函数使代码的可读性更强，程序看起来更加简洁。

从上面这个简单的例子，也可以看出来lambda函数的语法是唯一的，其形式如下：

lambda argument_list:expersion

 参考：细说Python的lambda函数用法，建议收藏 - 知乎

8.说一下1x1卷积的作用。

1x1卷积实际上是对每个像素点,在不同的channels上进行线性组合(信息整合) ,且保留了图片的原有平面结构,调控depth,从而完成升维或降维的功能。