上海合合信息科技有限公司--深度学习算法实习生--面试题整理

最新推荐文章于 2024-07-13 06:56:06 发布

xungeer29

最新推荐文章于 2024-07-13 06:56:06 发布

阅读量1.3k

点赞数 1

分类专栏：面试问题总结文章标签：面试

本文链接：https://blog.csdn.net/qq_40859461/article/details/89813498

版权

面试问题总结专栏收录该内容

2 篇文章 0 订阅

订阅专栏

机器学习

一个机器学习模型包含哪几个部件，谈谈您对每个部件的理解
特征提取部件：提取特征
损失函数部件：引导模型的优化方向
优化器部件：模型的优化，参数更新方法
评价指标：对模型性能的评估
softmax、交叉熵、正则函数
3.1 $x)=\frac{1}{1+e^{-wx}}$
$\quad p(y=1 | x)=\frac{e^{-wx}}{1+e^{-wx}}$
3.2 $L(\hat y, y)=-\frac{1}{N} \sum_{i=1}^N (y_i log\hat y_i + (1-y_i)log(1-\hat y_i))$
3.3 交叉熵损失函数求导 CSDN：https://blog.csdn.net/qq_40859461/article/details/89788880
3.4 加入正则项，例如 $L+\frac{1}{2} \lambda w^2$
BP算法推导

知乎: https://zhuanlan.zhihu.com/p/23270674
k-means 算法

K-means 算法流程：

随机选取 K 个聚类中心
计算每个样本到聚类中心之间的距离
将样本按照最小距离原则分配给聚类中心
重新计算新的样本聚类中心
当新聚类中心与之前聚类中心距离小于阈值或达到最大迭代步数，迭代结束；否则跳到步骤2
K-means 聚类算法的弊端:
弊端1：初始聚类中心的位置和数目是随机选择的，可能会导致算法的收敛过慢
改进：K-Means++:
a) 从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1
b) 对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离
$\sum_{r=1}^{k_{selected}} ||x_i-u_r||^2$
c) 选择一个新的数据点作为新的聚类中心，选择的原则是： $D (x)$ 较大的点，被选取作为聚类中心的概率较大
d) 重复b和c直到选择出k个聚类质心
e) 利用这k个质心来作为初始化质心去运行标准的K-Means算法
弊端2：每次迭代时需要计算全部样本点到聚类中心之间的距离，耗费时间较长
改进：距离计算优化 elkan K-Means
利用了两边之和大于等于第三边,以及两边之差小于第三边的三角形性质，来减少距离的计算；
第一种规律是对于一个样本点 $x$ 和两个质心 $μ_{j_1},μ_{j_2}$ 。如果我们预先计算出了这两个质心之间的距离 $D(j_1,j_2)$ ，则如果计算发现 $2D(x,j_1)≤D(j_1,j_2)$ , 我们立即就可以知道 $D(x, j_1)≤D(x, j_2)$ 。此时我们不需要再计算 $D(x,j_2)$ , 也就是说省了一步距离计算;
第二种规律是对于一个样本点 $x$ 和两个质心 $μ_{j_1}, μ_{j_2}$ 。我们可以得到 $D(x,j_2)≥max{0,D(x,j_1)−D(j_1,j_2)}$ 。这个从三角形的性质也很容易得到;
大样本优化 Mini Batch K-Means
用样本集中的一部分的样本来做传统的K-Means，可以避免样本量太大时的计算难题，算法收敛速度大大加快，代价就是聚类的精确度也会有一些降低

编程题

NMS 在这里插入图片描述
伪代码
假设有有一个候选的 boxes 的集合 B 和其对应的 scores 集合 S：
STEP1: 在集合 S 中找出置信度最高的样本 M；
STEP2: 将 M 对应的 box 从 B 中删除；
STEP3: 将删除的 box 添加到集合 D 中;
STEP4: 从 B 中删除与 M 对应的 box 重叠区域大于阈值的框;
STEP5: 判断 B 中是否为空，为空则结束，否则跳到STEP1；
python实现

import numpy as np

def NMS(dets, thresh):
    """Pure Python NMS baseline."""
    #x1、y1、x2、y2、以及score赋值
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    #每一个候选框的面积
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    #order是按照score降序排序的
    order = scores.argsort()[::-1]

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        #计算当前概率最大矩形框与其他矩形框的相交框的坐标，得到的是向量
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])

        #计算相交框的面积,注意矩形框不相交时w或h算出来会是负数，用0代替
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        #计算重叠度IOU：重叠面积/（面积1+面积2-重叠面积）
        ovr = inter / (areas[i] + areas[order[1:]] - inter)

        #找到重叠度不高于阈值的矩形框索引
        inds = np.where(ovr <= thresh)[0]
        #将order序列更新，由于前面得到的矩形框索引要比矩形框在原order序列中的索引小1，所以要把这个1加回来
        order = order[inds + 1]
    return keep
    
if __name__ == "__main__":
    dets = np.array([[30, 20, 230, 200, 1], 
                     [50, 50, 260, 220, 0.9],
                     [210, 30, 420, 5, 0.8],
                     [430, 280, 460, 360, 0.7]])
    thresh = 0.35
    keep_dets = NMS(dets, thresh)
    print(keep_dets)
    print(dets[keep_dets])

中位数
http://www.voidcn.com/article/p-peoomiwy-ra.html
走迷宫
图像插值

知乎 https://zhuanlan.zhihu.com/p/45863015

发红包
在这里插入图片描述
最小金额0.01元；
所有人的总钱数为红包总金额；
最大金额为红包总额-人数*0.01；

import random
import numpy as np

def redpackage(money, people):
    sum_m = 0
    num = 0
    result = []
    while True:
        try:
            m = random.randint(1, money*100-people*1-sum_m)
            result.append(m/100.)
            sum_m += m
            num += 1
            if num == people-1:
                break
        except:
            sum_m = 0
            num = 0
            result = []
            continue
    result.append((money*100.-sum_m)/100.)
    return result

if __name__ == '__main__':
    num = 100
    while num > 0:
        res = redpackage(100, 10)
        print res, len(res), sum(res)
        num -= 1