2021.03.19面试

AI：
1、PCA的原理
PCA（principal component analysis）主成分分析方法：数据降维算法。
将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
主要步骤：
①输入样本矩阵
②计算样本每一维的均值，计算观察值与均值之间的偏差，计算协方差矩阵
③计算协方差矩阵其中的特征值和特征向量矩阵
④计算总能量，选取贡献量最大的特征值
⑤计算前p个特征值所对应的特征向量组成的矩阵，计算降维后的样本矩阵。

2、图像处理常见的插值方法：
①最邻近元法：在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素（造成图像灰度上的不连续）
②双线性插值法：利用待求象素四个邻象素的灰度在两个方向上作线性内插（计算量大，有低通滤波性质，图像边缘轮廓有较轻模糊）
③三次内插法：待求像素(x, y)的灰度值由其周围16个灰度值加权内插得到（计算量大）

3、BN能不能解决过拟合？为什么
Batch Normalization（以下称BN）的主要作用是加快网络的训练速度。
使用BN，就是要保证曲线分布尽量均匀平滑均匀（数据的各个维度上尺度一致从而避免出现某些维度数据过于集中），这可以带来缓解梯度消失和过拟合。

4、如何解决数据集的正负样本不平衡？
①扩大数据集
②重新选择评价指标
③重采样数据集
④尝试不同的分类算法
⑤对模型进行惩罚
⑥通过抽样采样数据集

5、YOLO系列的损失函数

6、Faster R-CNN 训练和测试的流程有什么不一样？
这些物体检测模型，在训练时会计算分类loss和位置loss，然后计算梯度并反向传播。
在推理和训练不同的操作：比如训练过程中需要选取负样本，但推理过程中不需要。训练和推理的NMS设置不同？