【创新奇智暑假实习】-计算机视觉工程师-暑假实习-面经

参考了两篇面经（牛客网和CSDN博客）以及牛客上此岗位的描述，这让我有了准备的方向（特别是在模型的部署，也就是TensorRT，ONNX部分以及模型运行帧率这些部分）

自我介绍  

常规的一分钟左右的自我介绍环节

根据自我介绍和简历的提问环节

1.简历中提到了使用模糊、拼接手段的图像篡改检测比赛，简要介绍下这个比赛的背景

1.1 我进行了简单介绍
      其中关于RRU-Net的陈述我觉得我说的比较好，就是加入一个两层的（循环的）残差后，通俗的理解就是对某一个图像块仔细地反复地观察，
1.2 图像的尺寸是多少
1.3 然后被提问：刚刚你提到了分离检测，那么融合部分是怎么做的
      输出是一个一通道的二值图像，因为是两个网络做的，所以最后的结果是直接加和     

2. 基于车道线检测的导航项目简要叙述一下

2.1 这里涉及到的轻型网络请叙述一下
2.2 ghostnet与mobilenet的性能和速度对比
      并没有论文中描述的那么好，准确率上在缩放系数α为1的时候只比m高出0.1%左右，速度上实际建模时，那部分线性运算为保证效果，还需要一定数量的1x1卷积，所以速度提升没有理想中的程度那么高
2.3 那么你建立的模型度运行速度是究竟是多少
      60帧，面试官算了算：“那就相当于0.016s这个样子，其实也不算是很快”

3. 激光散斑中项目介绍一下

      自己描述了一下共生矩阵的提出，描述过程中面试官“了解、没错、对，是模糊”这样随声附和了几句，感觉我应该是讲明白了，就按照之前准备的那样讲就行

4.因为算法最后都是要部署的吗，在模型部署或者量化方面有什么了解吗

    “模型部署方面，因为是要在嵌入式上运行，我觉得最重要的应该是模型的压缩问题了吧”，这么回答我转就将问题到了模型压缩（很棒，你太棒了，这个之前准备了）
     还引向了之前准备的onnx和TensorRT问题上（棒极了，这个之前也特意准备了）于是被问TensorRT你踩过的坑中印象最深的一个，我的回答是前一天看到的Pooling层的转换最为困难（绝了，这都预料到了，看来刷面经真的是很重要的）
     还提了一句GPU P100系列之后是可以打开半精度推理功能的，配合TensorRT可以大幅度加速
     模型的量化
    使用的是python还是C++，我说python，接着问是PyTorch还是Tensorflow，我说前者

5. 三道代码题     

5.1 写出下楼梯的方法
      我写出来一个Leetcode版本，于是面试官询问我优化的方法，我当然不会
      面试官真的是很温柔，帮我讲解了优化思路：1. 存在大量重复计算，所以以空间换时间，记忆一部分结果，也就是确立一些区间端点值 。2.因为是斐波那契数列，肯定能找到通项公式
5.2 求解m的n次方
      我写出来一个Leetcode版本，于是面试官询问我1.如果很重复调用很多次怎么做2.如果n很大的时候怎么做
      面试官真的是很温柔，帮我讲解了优化思路：1. 存在大量重复计算，所以以空间换时间，记忆一部分结果，也就是确立一些区间端点值。2. 当n很大的时候int取模
5.3 输出一个字符串中所有的回文子串
      先写一个判断i-j是否是回文串的辅助函数，然后巴拉巴拉，之后再看看吧