面试系列（持续更新中……）

字节——风控岗位

概率题

笔试题

岛屿问题（岛屿数量、岛屿的周长、岛屿的最大面积、最大人工岛）
详见热题100

深度学习: 卷积核 为什么都是 奇数size

卷积核一般都把size设为奇数，主要有以下两个原因

1. 保护位置信息：保护锚点刚好在中间，方便以模块中心为标准进行滑动卷积，避免了位置信息发生偏移。
2. padding时对称：保证了padding时，图像的两边依然相对称。

Epoch Batch Size Iteration区分

1. 当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个epoch（然而，当一个epoch对于计算机而言太庞大的时候，就需要把它分成多个小块。）
2. 在一个epoch中，batch数和迭代数是相等的。迭代数是将batch看成一个整体，运行完一个epoch（运行完所有数据集）所执行了多少个batch。比如对于一个有2000个训练样本的数据集。将2000个样本分成大小为500的batch，那么完成一个epoch需要4个iteration。

GMM（高斯混合模型）原理和应用

1. 从几何角度来看：加权平均（多个高斯分布叠加而成）
   每个高斯分布都对应一个

因此叠加后：

2. 从混合模型角度来看：
   https://www.bilibili.com/video/av35183585/
3. 求解GMM参数需要使用EM算法：
   类似于其他的模型求解，我们先使用最大似然估计来尝试求解GMM的参数，
4. GMM和K-means算法对比
   最后我们比较GMM和K-means两个算法的步骤。

GMM：

先计算所有数据对每个分模型的响应度
根据响应度计算每个分模型的参数
迭代
K-means：

先计算所有数据对于K个点的距离，取距离最近的点作为自己所属于的类
根据上一步的类别划分更新点的位置（点的位置就可以看做是模型参数）
迭代
可以看出GMM和K-means还是有很大的相同点的。GMM中数据对高斯分量的响应度就相当于K-means中的距离计算，GMM中的根据响应度计算高斯分量参数就相当于K-means中计算分类点的位置。然后它们都通过不断迭代达到最优。不同的是：GMM模型给出的是每一个观测点由哪个高斯分量生成的概率，而K-means直接给出一个观测点属于哪一类。
6. GMM的应用
由于GMM通常用来解决同一集合下的数据包含多种不同分布的情况，所以有如下几个应用：
在语音识别方面，早于1995年，Douglas A. Reynolds和R.C. Rose就提出论文，基于GMM实现了独立于文本的语音识别。 构成高斯混合的各个高斯分量用于对说话者的频谱从不同角度建模。
高斯混合模型在图像分割领域应用广泛,在一般图像上经典过程是将像素映射到特征空间,然后假设特征空间的点由待定参数的GMMs生成,使用EM等算法计算最优的参数值以确定像素的类别。
噪声在图像和视频中不可避免,消除噪声有利于图像与视频分割、特征提取、目标跟踪与识别等后期处理过程。GMMs在图像噪声消除领域多有应用,一个主要的方法是利用GMMs对图像的正交函数基分解系数建模,消除噪声

什么是EM算法

求解GMM的一种方法
通俗理解

RNN和LSTM区别

链接
正是因为LSTM中有了加法的操作，不再是全部连乘，解决了梯度问题。

深拷贝和浅拷贝

Focal loss公式以及详解

Focal loss的引入主要是为了解决难易样本数量不平衡（注意，有区别于正负样本不平衡）的问题。难易样本不平衡是从是否容易区分来说的，有的样本很容易被网络分对，有的样本网络总是会弄错，那这就是难易分类的差距。
单阶段的目标检测器通常会产生高达100k的候选目标，只有极少数是正样本，政府样本数量非常不平衡。计算分类的交叉熵公式如下：

为解决正负样本不平衡问题，通常会在交叉熵损失前面加上一个alpha，即

但对难易样本的不平衡没有帮助。
一个简单的思想，是把高置信度p样本的损失再降低一些。

举个例，γ取2时，如果 p = 0.968, (1-0.968)² =0.001，损失衰减了1000倍！
Focal Loss的最终形式结合了上面的公式（2）. 这很好理解，公式(3)解决了难易样本的不平衡，公式(2)解决了正负样本的不平衡，将公式（2）与（3）结合使用，同时解决正负难易2个问题！

GHM是一种改进
GHM的想法是，我们确实不应该过多关注易分样本，但是特别难分的样本（outliers，离群点）也不该关注啊！

这些离群点的梯度模长d要比一般的样本大很多，如果模型被迫去关注这些样本，反而有可能降低模型的准确度！况且，这些样本的数量也很多！

那怎么同时衰减易分样本和特别难分的样本呢?太简单了，谁的数量多衰减谁呗！那怎么衰减数量多的呢？简单啊，定义一个变量，让这个变量能衡量出一定梯度范围内的样本数量——这不就是物理上密度的概念吗？

于是，作者定义了梯度密度——本文最重要的公式：

理解Focal Loss与GHM——解决样本不平衡利器

理解自注意力（self-attention）

1. 预处理输入数据
2. 初始化权重
3. 计算key、query和value
4. 计算输入值的注意力得分
5. 计算softmax层
6. 注意力得分与value相乘
7. 对6中结果加权求和，并得到第一个输出值
8. 重复4-7，计算其余输入数据的输出值

给定一个二维数组A（维度为M x N），每一行为固定维度N的向量（共M行），假设自注意力Q、K、V的W初始权重均为0.5（维度均为N x D），请计算A的self-Attention自注意力得分输出矩阵Z。
注意：Z维度为（M x N）
提示：这里的softmax对象是self-attention按行的真实得分，应该按照行计算softmax
softmax

https://blog.csdn.net/weixin_42060232/article/details/107475662

拓蜂——算法岗

SaaS：Success as a Service
其实就是方便的、可靠的服务，随手可得缴费即用的服务，能为企业带来好处和助力的服务，也是一直在更新的服务

从商品文本、图片、评价等数据中提取商品类目，属性元素，主题风格，预测商品趋势，挖掘爆品与潜力品。
挖掘各平台关键词，分析关键词趋势。
构建商品同款、相似款识别系统。
依据商品营销数据完成商品销量预测算法与营销人群推荐算法
采用图像、文本生成技术帮助商家自动生成优质创意与文案

数据挖掘、机器学习 、自然语言处理、图像算法等相关领域
对算法相关的离线、在线系统有实现经验

梯度消失和梯度爆炸的区别

解决梯度消失的方法

1. 残差网络
2. BN层

Kmeans算法简述

1. 选择初始化的k个样本作为初始聚类中心，如何确定k（手肘法），如何初始化质心（K-means++）

手肘法：
思想：随着聚类数K的增大，样本划分更加精细，那么所有样本的聚类误差（SSE）会逐渐变小。

• 当k值小于真实聚类数时，k的增加会对聚类效果产生很大影响，故SSE下降幅度很大。
• 当k值大于真实聚类数时，k的增加不会对聚类效果产生很大影响，故SSE下降幅度会趋于平缓。整个SSE-K图为一个手肘型。

随机初始化质心可能导致算法迭代很慢，K-means++是对k-means随机初始化质心的一个优化，具体步骤如下：

1. 随机选取一个点作为第一个聚类中心
2. 计算所有样本与第一个聚类中心的距离。
3. 选择出上一步中距离最大的点作为第二个聚类中心
4. 迭代：计算所有点到与之最近的聚类中心的距离，选取最大距离的点作为新的聚类中心。
5. 终止条件：直到选出了这k个中心。

https://zhuanlan.zhihu.com/p/149441104
https://zhuanlan.zhihu.com/p/78798251

yolo系列网络详细介绍

先把loss贴上镇楼！！

yolo算法几乎是输入原图就直接预测出每个grid cell“附近”是否有某个对象和具体的box位置，那最终这个想法数学化后便体现在loss函数上。loss中有三个概念：anchor box、置信度（confidence）和对象条件类别概率（conditional class probabilities）。作者提出，在网络最后的输出中，对于每个grid cell对应的bounding box的输出有三类参数：一个是对象的box参数（box中心点坐标，box的宽高），一个是置信度，一个是一组条件类别概率。

• anchor box(论文中也称为bounding box prior，后面均使用anchor box)其实就是从训练集的所有ground truth box中统计(使用k-means)出来的在训练集中最经常出现的几个box形状和尺寸。比如，在某个训练集中最常出现的box形状有扁长的、瘦高的和宽高比例差不多的正方形这三种形状。我们可以预先将这些统计上的先验（或来自人类的）经验加入到模型中，这样模型在学习的时候，瞎找的可能性就更小了些，当然就有助于模型快速收敛了。
• 置信度是每个bounding box输出的其中一个重要参数，作者对他的作用定义有两重：一重是代表当前box是否有对象的概率，注意，是对象，不是某个类别的对象，也就是说它用来说明当前box内只是个背景（backgroud）还是有某个物体（对象）；另一重表示当前的box有对象时，它自己预测的box与物体真实的box可能的
  的值，注意，这里所说的物体真实的box实际是不存在的，这只是模型表达自己框出了物体的自信程度。以上所述，也就不难理解作者为什么将其称之为置信度了，因为不管哪重含义，都表示一种自信程度：框出的box内确实有物体的自信程度和框出的box将整个物体的所有特征都包括进来的自信程度。经过以上的解释，其实我们也就可以用数学形式表示置信度的定义了：
  
• 对象条件类别概率是一组概率的数组，数组的长度为当前模型检测的类别种类数量，它的意义是当bounding box认为当前box中有对象时，要检测的所有类别中每种类别的概率，其实这个和分类模型最后使用softmax函数输出的一组类别概率是类似的，只是二者存在两点不同：1.YOLO的对象类别概率中没有background一项，也不需要，因为对background的预测已经交给置信度了，所以它的输出是有条件的，那就是在置信度表示当前box有对象的前提下，所以条件概率的数学形式为;2.分类模型中最后输出之前使用softmax求出每个类别的概率，也就是说各个类别之间是互斥的，而YOLOv3算法的每个类别概率是单独用逻辑回归函数(sigmoid函数)计算得出了，所以每个类别不必是互斥的，也就是说一个对象可以被预测出多个类别。这个想法其实是有一些YOLO9000的意思的，因为YOLOv3已经有9000类似的功能，不同只是不能像9000一样，同时使用分类数据集和对象检测数据集，且类别之间的词性是有从属关系的。

https://www.jianshu.com/p/86b8208f634f

语义分割与实例分割的区别
同一物体的不同实例不需要单独分割出来。对下图左，标注为人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5等。

相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割需要标注出图上同一物体的不同个体（羊1，羊2，羊3…）

语义分割的迁移学习
https://blog.csdn.net/deephub/article/details/111352267

Image Matting和语义分割是两码事！！
https://blog.csdn.net/qq_36165459/article/details/78549686
语义分割重在对每个像素的语义理解，将相同语义的像素分割为同一个部分，得到的结果就是若干个块状，至于块与块之间是否衔接自然则不考虑。抠图只将图片分成前景和背景两块，目的是拿到前景，好的抠图算法会对于头发等细节的处理效果比较精确。分割和抠图的另一个重要区别是分割是返回像素分类结果，分类结果是整型；而抠图返回的是属于前景或背景的概率p，在前景与背景交互区域会产生渐变的效果，使得抠图更加自然。
抠图技术的核心问题是解以下公式：Ii = αFi + (1-α)Bi，其中Ii是图像当前可观察的像素，为已知量；α是透明度，F是前景像素，B是背景像素，这三个变量为未知量。对于这个公式的理解，可以把原始图像看做是前景和背景按照一定权重（α透明度）叠加组成的。对于完全确定是前景的像素，α = 1；对于完全确定是背景的像素，α = 0；对于不确定是前景还是背景的像素，α是介于0到1之间的浮点数。

抠图方法简介：https://blog.csdn.net/qq_36165459/article/details/78549686

LRU缓存机制

大型互联网搜索引擎的缓存机制
深入理解浏览器的缓存机制
https://www.jianshu.com/p/54cc04190252

百度——推荐算法岗

推荐系统中不得不说的 DSSM 双塔模型

DSSM论文阅读与总结

协同过滤通俗理解

商汤——机器视觉算法岗

yolo系列的发展
有无anchor的优缺点
anchor free的一些算法，如center net之类的
ssd跟yolo区别
复现算法的能力要有

手撕代码题目：

给定一个数组，输出数组中所有元素与其右边元素差的最大值。
解释：输入一个数组，输出也是一个数组

#include <bits/stdc++.h>
using namespace std;
int main()
{
    vector<int> data = {1,2,3,4,5,6,7,8,9,0};
    // solution
    int len = data.size();
    vector<int> result(len);
    int maxV = data[len -1], minV = data[len -1];
    for(int i = len - 1; i >= 0; i --)
    {
        result[i] = max(abs(data[i] - maxV), abs(data[i] - minV));
        maxV = max(maxV, data[i]);
        minV = min(minV, data[i]);
    }

    for(int i = 0; i < len; i ++)
        cout << result[i] << " ";
}

阿里——测试开发岗

地图搜索：给你一个N*M的地图，#是墙壁，.是空地，S是起点，E是终点，问最短走多少步可以走到，如果走不到，输出一个无限大

class Solution {
public:
    int shortestDistance(vector<vector<string>>& maze, vector<int>& start, vector<int>& destination) {
        int m = maze.size(), n = maze[0].size(), i, j, k, x, y, delta;
    	vector<vector<int>> dir = {{1,0},{0,1},{0,-1},{-1,0}};
    	queue<vector<int>> q;
    	vector<vector<int>> dis(m, vector<int>(n,INT_MAX));
        dis[start[0]][start[1]] = 0;
    	q.push(start);
    	while(!q.empty())
    	{
    		i = q.front()[0];
    		j = q.front()[1];
    		q.pop();
    		for(k = 0; k < 4; ++k)
    		{
    			x = i;
	    		y = j;
                delta = 0;
    			while(x+dir[k][0]>=0 && x+dir[k][0]<m && y+dir[k][1]>=0 && y+dir[k][1]<n
                        && maze[x+dir[k][0]][y+dir[k][1]]=='#')
	    		{
	    			x += dir[k][0];
	    			y += dir[k][1];
                    delta++;//走的步数增量
	    		}
                if(dis[i][j]+delta < dis[x][y])//该方向下一个位置为墙壁，停在xy
	    		{
                    dis[x][y] = dis[i][j]+delta;
                    q.push({x,y});
                }
    		}
    	}
    	return dis[destination[0]][destination[1]]==INT_MAX ? -1 : dis[destination[0]][destination[1]];
    }
};

再地图搜索：给你一个N*M的地图，#是墙壁，.是空地，@是沼泽，S是起点，E是终点，走空地花1步，走沼泽花d步，问最短走多少步可以送S走到E，如果走不到，输出一个无限大。

不会做，说可能用邻接表来做

字节——视觉算法岗

概率题：一本书，共300页，总共有200个印刷错误，均匀分布。请问，这本书第100页不止有一个错误的概率：