面试复盘：2020-06-13

平安科技

0 基本情况

• 岗位：机器学习算法工程师

• 面试时长：1.5h

• 问题：项目，机器学习，算法，python，tensorFlow，信号处理等六个方面

1 项目方面问题

（1）仔细讲一下你项目的意义，应用场景，具体过程？

（2）第一个项目数据同步是怎么实现？

（3）具体解释一下第二个项目中元学习的概念和实现过程？

2 机器学习方面问题

（1）GAN的思想？损失函数？
对抗

Px*logD(x) + Pg*log(1-D(x))

（2）LSTM三个门？对应的作用？公式？激活函数？为什么存在两类激活函数（tanh和sigmoid的区别）？Bi-LSTM？
双向LSTM：
一句话中间缺单词的预测
隐含层要保存两个值

（4）是否了解RNN在语音识别方面的应用？

（5）BN？在NN中作用？作用原理？如果去掉BN会出现什么问题？
批归一化
数据中心化，防止梯度弥散
消除量纲对数据特征的影响，加速收敛，提升泛化能力

（6）dropout？作用？如何提升训练速度？
正则化
防止过拟合
在训练过程以一定的概率随机丢弃一部分神经元，相当于每次迭代都是不同的网络结构，减弱了神经元之间的联合效应

（7）梯度弥散？原因？缓解？
输出层，梯度大，更新快，收敛快
输入层，梯度小，更新慢，几乎和初始状态一样
（第四层的梯度是第一层的100倍）
激活函数的饱和性
换激活函数；梯度裁剪；加BN层

（8）CNN感受野？计算？
网络每一层输出的特征图上每一个像素点对应输入图上映射区域的大小
图像nn, 两次卷积，卷积核ff=3*3, padding p=0, stride s = 1
公式 RF = (RF-1)*s+f
RF = f = 3（最后一层就是卷积核大小）
RF = (3-1)*1+3 = 5

（9）决策树节点划分的依据？
ID3（信息增益），C4.5（信息增益比），CART（GINI指数）

（10）迁移学习定义？方法？如何适应？
大标签样本源域，小标签样本目标域
基于模型，基于数据，基于关系
微调

（11）信息熵？相对熵？
不确定度的度量，不确定度越大，熵越大
KL散度

3 算法方面问题

（1）快排和归并？
算法复杂度都是nlogn
快排不稳定，归并稳定

（2）链表是否有环？环的入口？
快慢指针
环的入口就是相遇的点，证明如下：
起点——入口，直线长度为a
入口——相遇，环长度为b
剩余环长度为c
slow = a+b
fast = a+b+c+b = a+2b+c
2*slow = fast
2a+2b = a+2b+c
a = c
让其中一个指针移到head，两指针速度变成一样，再次相遇就是在入口

（3）找第k大元素？
快排nlogn 这边是n
选pivot，分治，比较pos和n-k选边递归

4 python方面问题

（1）深浅拷贝？赋值，浅拷贝，深拷贝对列表的区别？
b = a一起变
b = copy().copy(a)列表本身不变，列表中的可迭代对象可变
b = copy().deepcopy(a)不变

（2）装饰器？符号？
为已存在的对象添加额外的功能
@decorator

5 tensorflow方面问题

（1）神经网络输出中间层？
静态图，调试的时候需要输出中间结果看看
print()只能输出tensor的形状，不是数值
tf.print()

（2）静态图？动态图？
静：提前把所有操作、网络结构定义好，最后才执行
动：按照程序顺序执行

6 信号处理方面问题

（1）意义？
提取信号特征，信息压缩，去除干扰，噪声，便于分析识别

（2）信号特征？
时域（强度随时间）：有量纲——最大，最小，中值，中位数，众数，均值，标准差，k阶中心矩；无量纲——偏度，峰度，峰度因子，波形因子，脉冲因子，裕度因子
频域（由哪些单一频率的信号合成的）：频谱，功率谱，倒频谱。频率均值，频率方差，频率标准差，重心频率，均方频率，均方根频率
时频域：小波能量谱

（3）FFT？为什么要变换到频域？
FFT（傅里叶级数）将信号分解为不同正弦波信号的叠加
正弦波——》叠加——》让陡的更陡，平的更平——》矩形波
时域卷积=频域乘积

因为时域特征相同，不能说明信号相同，因为信号不仅随时间变化，还与频率和相位有关；高阶下时域难以分析
得到信号频谱图：描述信号频谱结构，以及频率和该频率信号幅度的关系
自变量是频率，因变量是信号幅度
时域上，一个波是5个正弦波的叠加，周期连续
频域上，横轴5种不同频率，纵轴5个不同高度，非周期离散

参考

https://www.cnblogs.com/h2zZhou/p/8405717.html