结构体在cuda核函数里面不能用吗_求职招聘 | 面试机器学习职位，这些知识点你都会了吗？...

最新推荐文章于 2024-04-19 22:23:13 发布
最新推荐文章于 2024-04-19 22:23:13 发布
阅读量281 收藏
点赞数
文章标签： 结构体在cuda核函数里面不能用吗

『运筹OR帷幄』转载

求职招聘栏目

来自于运筹帷幄的招聘板块。一方面，我们将为大家精心挑选和整理全球与运筹学、数据科学、机器学习、人工智能等领域相关的招聘职位。另一方面，我们也将翻译和转载国内外在该领域相关的求职干货。

如果您有职位正在招人，如果您想推荐相关领域的职位，请扫描文末二维码，让我们助您一臂之力。

/转载来源/

本文经牛客网网友“牛妹”授权转载。

/原文作者/

牛客网网友“牛妹”，毕业于哈尔滨理工大学，牛客网第一网红，微博：迪公主dorothy。

-01-

知识点框架

e0c22c2dcd11a1da43cd5c363ca33c02.png

-02-

数学基础

1)微积分

  • SGD,Momentum,Adagard,Adam原理；
  • L1不可导的时候该怎么办；
  • sigmoid函数特性。

2)统计学，概率论

  • a,b~U[0,1]，互相独立,求Max(a,b)期望；一个活动,n个女生手里拿着长短不一的玫瑰花,无序的排成一排,一个男生从头走到尾,试图拿更长的玫瑰花,一旦拿了一朵就不能再拿其他的,错过了就不能回头,问最好的策略?
  • 问题：某大公司有这么一个规定：只要有一个员工过生日，当天所有员工全部放假一天。但在其余时候，所有员工都没有假期，必须正常上班。这个公司需要雇用多少员工，才能让公司一年内所有员工的总工作时间期望值最大？
  • 切比雪夫不等式；
  • 一根绳子,随机截成3段,可以组成一个三角形的概率有多大？
  • 最大似然估计和最大后验概率的区别?
  • 什么是共轭先验分布？
  • 概率和似然的区别；
  • 频率学派和贝叶斯学派的区别；
  • 0~1均匀分布的随机器如何变化成均值为0，方差为1的随机器；
  • Lasso的损失函数；
  • Sfit特征提取和匹配的具体步骤。

3)线性代数

  • 求mk矩阵A和nk矩阵的欧几里得距离；
  • PCA中第一主成分是第一的原因；
  • 欧拉公式；
  • 矩阵正定性的判断,Hessian矩阵正定性在梯度下降中的应用；
  • 概率题：抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数；
  • 讲一下PCA；
  • 拟牛顿法的原理；
  • 编辑距离。
ec5e7a91479000b826bd6bafafbe2a77.png

图片来源：Gerd Altmann from Pixabay

-03-

机器学习算法

1)处理分类问题常用算法

  • 交叉熵公式；
  • LR公式；
  • LR的推导，损失函数；
  • 逻辑回归怎么实现多分类；
  • SVM中什么时候用线性核什么时候用高斯核；
  • 什么是支持向量机,SVM与LR的区别?
  • 监督学习和无监督学习的区别；
  • 机器学习中的距离计算方法?
  • 问题：朴素贝叶斯(naive Bayes)法的要求是；
  • 问题：训练集中类别不均衡，哪个参数最不准确？
  • 问题：你用的模型，最有挑战性的项目？
  • 问题：SVM的作用，基本实现原理？
  • 问题：SVM的硬间隔，软间隔表达式？
  • 问题：SVM使用对偶计算的目的是什么，如何推出来的，手写推导？
  • 问题：SVM的物理意义是什么？
  • 问题：如果给你一些数据集，你会如何分类(我是分情况答的，从数据的大小，特征，是否有缺失，分情况分别答的)
  • 问题：如果数据有问题，怎么处理？
  • 分层抽样的适用范围；
  • LR的损失函数；
  • LR和线性回归的区别；
  • 生成模型和判别模型基本形式，有哪些？
  • 核函数的种类和应用场景；
  • 分类算法列一下有多少种，分别应用场景有哪些？
  • 给你一个检测的项目，检测罐装的可口可乐，瓶装的可口可乐作为负样本，怎么弄？
  • SVM核函数的选择；
  • SVM的损失函数；
  • 核函数的作用；
  • SVM为什么使用对偶函数求解？
  • ID3,C4.5和CART三种决策树的区别；
  • SVM和全部数据有关还是和局部数据有关；
  • 为什么高斯核能够拟合无穷维度？
  • 第二面完整推导了svm一遍，还有强化学习问的很多，dqn的各种trick了解多少，怎么实现知不知道？
  • SVM所有核函数的了解应用，SVM的损失函数；
  • LR和SVM 区别；
  • 朴素贝叶斯基本原理和预测过程；
  • LR推导；
  • 交叉熵；
  • LR公式；
  • 交叉熵公式。

2)处理回归问题常用算法

  • L1和L2正则化的区别；
  • 问题：Loss Function有哪些，怎么用？
  • 问题：线性回归的表达式，损失函数；
  • 线性回归的损失函数；
  • 机器学习：知道哪些传统机器学习模型？

3)处理聚类问题常用算法

  • 什么是DBSCAN？
  • k-means算法流程；
  • LDA的原理；
  • 介绍几种机器学习的算法，我就结合我的项目经理介绍了些RF, k-means等算法；
  • 讲讲，k-means有什么缺点，K怎么确定；
  • DBSCAN原理和算法伪代码，与k-means，OPTICS区别。

4)推荐系统的常用算法

  • 问推荐算法，fm，lr，embedding；
  • 协同过滤的itemCF，userCF区别适用场景；
  • 推荐系统的大概步骤，解决冷启动；
  • 传统的机器学习算法了解吗？
  • 用mapreduce实现10亿级以上数据的k-means；
  • A/B test如何进行流量分流；
  • 协同过滤中的算法怎么细分？
  • FM公式。

5)模型融合和提升的算法

  • bagging和boosting的区别；
  • boosting和 bagging区别；
  • XGBOOST和GDBT的区别；
  • GDBT的原理,以及常用的调参参数；
  • AdaBoost和GBDT的区别,AdaBoost和GBDT的区别；
  • gbdt推导；
  • boosting和bagging在不同情况下的选用；
  • gbdt推导和适用场景；
  • 说一下gbdt的全部算法过程；
  • rf和gbdt基分类器区别，里面的决策树分别长啥样，怎么剪枝？
  • 随机森林和 GBDT 的区别；
  • xgboost的特征重要性计算；
  • xgboost的正则项表达式；
  • xgboost原理，怎么防过拟合；
  • xgboost，rf，lr优缺点场景；
  • xgboost特征并行化怎么做的？
  • xgboost和lightgbm的区别和适用场景？

6)其他重要算法

  • 问题：HMM隐马尔可夫模型的参数估计方法是；
  • 问题：Bootstrap方法是什么？
  • 问题：如何防止过拟合？
  • EM算法推导，jensen不等式确定的下界。
19af9d2fd810aed405d2abea92454bfb.png

图片来源：Gerd Altmann from Pixabay

-04-

机器学习

1)Scikit-learn

  • Focal Loss 介绍一下；
  • 过拟合的解决方法；
  • 方差偏差的分解公式；
  • 问题：对应时间序列的数据集如何进行交叉验证；
  • 问题：正负样本不平衡的解决办法？评价指标的参考价值？
  • 迁移学习；
  • 数据不平衡怎么办？
  • AUC的理解；
  • AUC的计算公式；
  • 生成模型和判别模型的区别；
  • 过拟合的解决方法；
  • 特征选择怎么做？
  • 怎么防止过拟合？
  • L1和L2正则；
  • ID3树用什么指标选择特征？
  • 特征工程的问题；
  • 给了个链接线上写代码，要求写读文本、文本预处理、特征提取和建模的基本过程，不过写到特征就没写了；
  • softmax公式；

2)Libsvm

  • 检测20类物体，多少张训练集，怎么训练？
  • lightgbm优势。

3)Keras/tensorflow

  • MXNet和Tensorflow的区别；
  • Tensorflow的工作原理；
  • Tensorflow中interactivesession和session的区别；
  • 手写了tensorflow的图像分类代码，还有问之前线下笔试最后编程题的思路，算法复杂度，然后项目也问。
0aef06efb6794c1fa6cd448632f9c45e.png

图片来源：Gerd Altmann from Pixabay

-05-

深度学习

  • BatchNormalization的作用；
  • 梯度消失；
  • 循环神经网络，为什么好？
  • 什么是GroupConvolution？
  • 什么是RNN？
  • 训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?
  • 图像处理中锐化和平滑的操作；
  • VGG使用3*3卷积核的优势是什么？
  • Relu比Sigmoid的效果好在哪里?
  • 问题：神经网络中权重共享的是什么?
  • 问题：神经网络激活函数?
  • 问题：在深度学习中，通常会finetuning已有的成熟模型，再基于新数据，修改最后几层神经网络权值，为什么?
  • 问题：画GRU结构图;
  • Attention机制的作用;
  • Lstm和Gru的原理;
  • 什么是dropout?
  • LSTM每个门的计算公式;
  • HOG算法原理;
  • DropConnect的原理;
  • 深度学习了解多少，有看过底层代码吗？caffe,tf
  • 除了GMM-HMM，你了解深度学习在语音识别中的应用吗;
  • 用过哪些移动端深度学习框架;
  • Caffe：整体架构说一下，新加一个层需要哪些步骤，卷积是怎么实现的，多卡机制，数据并行还是模型并行;
  • HOG算子是怎么求梯度的?
  • BN层的作用，为什么要在后面加伽马和贝塔，不加可以吗?
  • 梯度消失，梯度爆炸的问题;
  • Adam;
  • attention机制;
  • RNN梯度消失问题,为什么LSTM和GRU可以解决此问题?
  • GAN网络的思想;
  • 1*1的卷积作用;
  • 怎么提升网络的泛化能力;
  • 什么是seq2seq model?
  • 激活函数的作用;
  • 为什么用relu就不用sigmoid了?
  • 讲一下基于WFST的静态解码网络的语音识别流程?
  • 目标检测了解吗，Faster RCNN跟RCNN有什么区别?
  • SPP，YOLO了解吗？
  • 梯度消失梯度爆炸怎么解决？
  • RNN容易梯度消失，怎么解决？
  • LSTM跟RNN有啥区别？
  • 卷积层和池化层有什么区别?
  • 防止过拟合有哪些方法?
  • 介绍下dropout?
  • relu？
  • 神经网络为什么用交叉熵？
  • 注意力公式；
  • 论文flow情况；
  • Flappy.Bird开发者,怎么利用DNQ方法强化学习你的游戏AI？
  • LeNet-5结构；
  • 推导LSTM正向传播和单向传播过程；
  • LSTM原理，与GRU区别；
  • DNN的梯度更新方式；
  • CNN为什么比DNN在图像识别上更好；
  • 现场用collabedit写代码，一个怪异的归并算法，之前没遇到过，直接把归并写出来，但是说复杂度太高，优化了三遍还不行，最后说出用小顶堆解决了；
  • LSTM和Naive RNN的区别；
  • 神经网络为啥用交叉熵？
  • 注意力公式；
  • Inception Score 评价指标介绍；
  • 使用的 CNN 模型权重之间有关联吗？
  • CycleGAN 原理介绍一下；
  • 训练 GAN 的时候有没有遇到什么问题；
  • 百度实习：CPM 模型压缩怎么做的？有压过 OpenPose 吗？
  • 用过哪些 Optimizer，效果如何；
  • 图像基础：传统图像处理方法知道哪些，图像对比度增强说一下；
  • 介绍一下图像的高频、低频部分，知道哪些图像补全的方法；百度实习：模型压缩的大方向。CPM 模型怎么压缩的，做了哪些工作；
  • Depthwise 卷积实际速度与理论速度差距较大，解释原因；
  • RetinaNet 的大致结构画一下；
  • RetinaNet为什么比SSD效果好；
eb6616794eb5374d15efc7c01606d661.png

图片来源：Gerd Altmann from Pixabay

-06-

数据结构与算法

1)查找

  • 手写二分查找；
  • 算法题，单调函数求零点 (简单的二分法)；
  • 特别大的数据量，实现查找，排序。

2)哈希

  • Hash表处理冲突的方法；
  • 一致性哈希；
  • Hash表处理冲突的方法；
  • apriori；
  • KM算法。

3)表达式、字符串

  • 中缀表达式转后缀表达式；
  • 算法题：翻转中间由各种符号隔开的字符串；
  • 问题：A+B∗(C−D)/E的后缀表达式。

4)栈与堆

  • 大顶堆怎么插入删除；
  • 堆栈区别；
  • 栈溢出有哪些情况。

5)树

  • 问题：手撕代码，根据前序，中序创建二叉树；
  • 算法题：从右边看被遮挡的二叉树，求露出的node；
  • 算法题，给前序和中序，求出二叉树；
  • 算法题，trim二叉搜索树；
  • 红黑树。

6)排序

  • 对一千万个整数排序,整数范围在[-1000,1000]间,用什么排序最快；
  • 堆排序的思想；
  • 冒泡排序；
  • 快速排序的最优情况；
  • 抽了两道面试题目两道：8个球，1个比较重，天平，几步找到重的；
  • 算法题：topK给出3种解法 ；
  • 快排；
  • 说一下小顶堆的调整过程；
  • 算法题：2sum，3sum。

7)高级算法

  • 手撕代码：以概率p生成1、概率1-p生成0的rand函数，得到0-1等概率的rand函数，计算新的rand函数中：调用一次，while循环的期望次数；
  • Kruskal算法的基本过程；
  • BFS和DFS的实现思想；
  • 关联规则具体有哪两种算法,它们之间的区别；
  • 贪婪算法；
  • 模拟退火，蚁群对比；
  • 算法题：名人问题，给出最优解法；
  • 代码题：股票最大值；
  • 编辑距离。

8)链表

  • 如何判断单链表是否是循环链表；
  • 反转链表；
  • 算法题，反转链表；
  • 算法题，单链表判断是否有环 (leetcode easy)，以及判断环入口。

9)数组

  • 找出数组中只出现1次的数，其余数均出现2次，扩展，其余数出现2次以上。

10)动态规划

  • 最短描述数，10的最短描述数是3^2+1^2所以是2，求一个数的最短描述数；
  • 跳台阶问题，每次只能跳1个台阶或者2个台阶，n个台阶共有多少种方式；
  • 动态规划和带记忆递归的区别；
  • 手撕代码：0-1矩阵的最大正方形。

11)遍历

  • 代码题：股票最大值。
2d22678f761899e402456b380d02089f.png

图片来源：Elchinator from Pixabay

-07-

编程语言，工具和环境

1)编程语言

  • 什么是python的生成器；
  • Java抽象类和接口的区别；
  • python中is和==的区别；
  • python方法解析顺序；
  • strcpy函数；
  • Ctrl+C程序挂掉还是抛出异常,如何判断两个dict是否一样,list头上删除元素,字符串拼接；
  • pytorch中cuda()作用,两个Tensor,一个加了cuda(),一个没加,相加后怎样；
  • python中dict和list的区别,dict的内部实现；
  • C++析构函数；
  • C++的delete, delete[]的区别；
  • C++相关的问题虚函数；
  • 如何写多线程的代码；
  • 是否关注过caffe和pytorch是怎么写的吗？pytorch调用多GPU函数内核；
  • Java虚拟机内存的划分；
  • python dict按照value进行排序；
  • C++中static关键字的作用；
  • 虚函数和纯虚函数的区别；
  • Python多进程；
  • 深拷贝，浅拷贝，写一个出来(写了个自己认为对的版本)；
  • 在程序里面智能指针的名字是啥？
  • new，malloc区别；
  • 纯虚函数怎么定义，写一个出来；
  • 函数后面接const是什么意思？
  • 写一个函数指针；
  • 抽象类和接口的区别；
  • 有看过c＋＋的一些库吗？
  • c＋＋你看的最久的一章是哪一章，c＋＋primer最熟哪一章？
  • 开发环境、语言的掌握；
  • Python 多进程；
  • Python 锁。

2)大数据相关

  • Spark性能如何调优；
  • map reduce实现笛卡尔乘积；
  • 是否写过udf，问udaf，udtf区别和一些细节。

-08-

自然语言处理

1)Word2vec

  • Word2Vec中skip-gram是什么,Negative Sampling怎么做；
  • FastText和Glovec原理；
  • word2vec实施过程；
  • softmax的原理了解；
  • Wod2vec公式；
  • 使用gensim的word similar方法预测句子。
3581be8439a2bdedddc3e4d3aa554cd0.png

图片来源：Gerd Altmann from Pixabay

-09-

计算机基础

1)linux

  • ELF的bss段；

2)计算机网络

  • IP报文经过一个路由器改变哪些字段?
  • TCP/IP算法,IP寻址。

3)操作系统

  • 如何将小端存储模式转为大端存储模式；
  • Python 锁。

4)数据库

  • count(*),count(1)和count(列名)的区别。

-10-

场景题

  • 如何对10亿个词语进行排序,找出频率最高的100个？
  • 算法题，10亿个32位正整数，求不同值，只给1GB内存 ？
  • AI能用在游戏的哪些方面？
  • 如果让我用AI技术怎么加入AI元素？
  • 你觉得你的构想能实际实现吗？
  • 那这个技术加进去有什么实际上的意义？

-11-

项目

  • 自我介绍；
  • 项目介绍；
  • 项目中涉及的算法有了解情况；
  • 模型的搭建，后处理，数据中发现的特征，发现的亮点；
  • 数据量和涉及的算法，效果；
  • 你是怎么处理数据中经常存在的数据不平衡的问题；
  • 考察项目中的roi-pooling；
  • 描述一个算法项目从kickoff-落地的全过程；
  • 扣项目，问简历，其中涉及的算法和上面差不多；
  • 对项目中一些技术选型产生质疑，并友好的一起讨论了这个问题；
  • 扣简历，问得太细了，每个项目都要回答如果再做一次，有什么改进的地方，both算法上和模型选择上；
  • 聊简历项目，对搜索推荐算法的了解；
  • 简历上聚类项目用到的ISODATA算法比kmeans有哪些改进；
  • 然后让我说一下自己最印象深刻的项目。问我项目的最终成果，分析失败的原因；
  • 看过的论文，讨论论文；
  • 针对岗位需求和我简历里的内容进行提问；
  • 项目中遇到的最大困难；
  • 你的C/C++怎么样；
  • 谈谈实习项目；
  • 项目难点；
  • 说一下你简历里的图像识别的项目；
  • 项目经历详细介绍：两种预测方式区别，pair的预测方式，整体项目有哪些可以提升的，遇到的困难之类的，整个项目用了哪些库；
  • 看过的论文，讨论论文；
  • 论文flow情况；
  • 英特尔实习：项目介绍：台球识别和分类使用的方法，Hough 变换原理、后处理；
  • Kaggle 比赛：背景介绍，数据清洗、数据增强、类别平衡，最终成绩，与前几名差距在哪，有没有尝试集成的方法；
  • GAN 小论文，做了哪些工作，详细公式推一下，对 GAN 的具体应用有了解吗；
  • 简历上项目为何适用xgboost和lr，对比其他分类算法的场景优势 ；
  • GAN小论文，你做了什么，有哪些改进，在哪些数据集上做过实验，分辨率是多少；
  • 英特尔实习：1)项目背景。台球检测和分类方法，球杆检测方法，球杆遮挡问题怎么处理，不用分类器，直接分割或计算图像差值会怎样；
  • 有什么问题想了解一下。
8005401a873cf926724cf0ff52852276.png

图片来源：Wolfgang Claussen from Pixabay

-12-

hr面

  • 自我介绍；
  • 几点过来的；
  • 你有什么跟别人不一样的；
  • 你的缺点是什么；
  • 家里几口人；
  • 搞技术的你怎么很能说啊；
  • 为什么喜欢杭州；
  • 为什么喜欢菜鸟；
  • 如果你面试失败，你会怎么办？
  • 菜鸟跟你相关的部门；
  • 有女朋友吗？
  • 在哪里工作?
  • 从事什么行业?
  • 如果你的岗位有冲突，你会怎么处理?
  • 实习时间，具体什么时候可以开始?
  • 你有什么想问的吗?
  • 有没有男朋友呀，意向地点是哪?
  • 对公司有哪些了解?
  • 兴趣爱好、意向地点?
  • hr面就是常见的问题，城市啊，薪资待遇啊，对部门的评价，对总监的评价;
  • 自我评价优缺点，怎么改进 ;
  • hr抠了简历细节，问了笔试试卷相关的问题，还有自己的职业规划等;
  • 想去的工作城市;
  • 考研还是保研，为什么考到这个学校;
  • 研究生期间最大的改变是什么?
  • 四六级成绩;
  • 讨论下工作地点和期望薪资;
  • 你三年的职业规划是什么?
  • 你和周围的人比你的优势在哪？举个例子;
  • 考研的还是保研的？为什么没有保研?
  • 家庭成员？家里人对你的工作地点有要求吗?
  • 平时喜欢运动吗?
  • 设计模式会吗?
  • 转岗吗?
  • 平时刷题吗？你刷过最有意思的题是哪个，介绍一下?
  • 我看你之前还做过销售，聊一下 ?

-13-

学习与发展

  • 如果有同学要学机器学习，你会建议他们从哪里做起?
  • 个人发展，以及对自己项目的深入思考，还有深度学习的发展之类的。
  • 讲很多关于深度学习以及机器学习的具体应用与实现，也谈到了自己在实际工作中遇到的困难。
  • 之后面试官问了些我对人工智能的看法，以及相关竞赛的情况;
  • 为什么选择实习，而不是在学校做研究？

E

weixin_39676979
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【面经笔记】cuda、gpu概念
xiaxzhou的博客
07-13 1712
与CUDA相关的几个概念：thread，block，grid，warp，sp，sm。 sp: 小核（流处理器）最基本的处理单元，streaming processor 最后具体的指令和任务都是在sp上处理的。GPU进行并行计算，也就是很多个sp同时做处理 sm: 大核（流多处理器）多个sp加上其他的一些资源组成一个sm, streaming multiprocessor. 其他资源也就是存储
GPU-CUDA-图形渲染分析
吴建明wujianming_110117
08-05 2158
GPU-CUDA-图形渲染分析
机器学习算法工程师面试考点汇总
喜欢打酱油的老鸟
07-01 8414
https://www.toutiao.com/a6707777153603207691/ 2019-06-29 10:41:12 来源 | 牛客网 编辑 | 小军 前言 本篇根据各个公司的机器学习相关岗位面试中问的问题进行总结，后面还会更新面试中考察所占比例。 知识点思维导图 数学基础： 1、微积分 1、SGD,Momentum,Adagard,Adam原...
结构体在cuda核函数里面不能用吗_深度学习知识点总结二（深度网络结构与池化）...
weixin_39668479的博客
11-21 319
关于深度学习网络结构的一些问题1、卷积原理，工程实现？参考：https://blog.csdn.net/wweiainn/article/details/802317922、CNN为什么对图像work的特别好？强大的非线性拟合能力，结构化数据操作。3、卷积在图像中有什么直观作用？4、卷积核是否越大越好？卷积核不是越大越好，大多数情况下，通过堆叠较小的卷积核比直接采用单个更大的卷积核会更加有效。一般...
机器学习算法工程师面试知识点汇总
Hanhahahahah的博客
11-26 259
机器学习算法工程师面试知识点汇总机器学习梯度下降k-means1 × 1卷积核模型SVMLRBagging & Boosting随机森林激活函数SigmodtanhReLUELUSoftmax 机器学习 梯度下降 https://blog.csdn.net/qq_41800366/article/details/86583789 J是关于Θ的一个函数，我们当前所处的位置为Θ0点，要从这个点走到J的最小值点，也就是山底。首先我们先确定前进的方向，也就是梯度的反向，然后走一段距离的步长，也就是α，走完
一文总结推荐算法岗基础——机器学习部分
给我也整一个
08-17 874
目录大纲数据部分模型部分训练部分评估部分引用 大纲 数据部分 模型部分 4、什么是生成模型和判别模型，差别是什么？ 5、LR的数学原理，LR是线性模型吗？为什么？ 熵越大，不确定的程度越多，我们需要分布在满足条件的要求下越均匀越好。我们建模Y|X，并且前提预测了Y|X满足伯努利分布，所以我们只需要知道P（Y|X）,其次我们需要一个线性模型，那么只需要用最大熵模型确定f即可，伯努利的指数分布簇就是sigmoid形式。 LR为什么是线性模型，判断一个模型是不是线性的，自变量是否只被一个参数影响以及决策边界是否
机器学习数据获取与处理
weixin_73136678的博客
12-15 600
1.5.1 图像处理完整流程图片数据获取图片数据清洗----初步了解数据，筛选掉不合适的图片图片数据标注图片数据预处理data preprocessing。----标准化 standardlization一 中心化 = 去均值 mean normallization一 将各个维度中心化到0一 目的是加快收敛速度,在某些激活函数上表现更好一 归一化 = 除以标准差一 将各个维度的方差标准化处于[-1,1]之间。
深度学习_21天实战Caffe.pdf
chenxuanhanhao的专栏
08-14 2854
深度学习_21天实战Caffe.pdf 原 深度学习21天实战caffe学习笔记《1:深度学习的过往》 1. 深度学习DL： 1.1、有监督学习、无监督学习、过拟合、训练样本、泛化、训练集、验证集、测试集这些和深度学习有关的知识需要实现明白，这里有一个深度学习的资料你们可以去下载； http://download.csdn.net/detail/julialove102123...
计算机视觉知识点之COCO数据集和pytorch
com_fang_bean的博客
09-17 1551
COCO数据集方面： COCO数据集现在有3种标注类型： 1, object instances（目标实例）, 2, object keypoints（目标上的关键点）, 3, image captions（看图说话） 使用JSON文件存储。每种类型又包含了训练和验证，所以共6个JSON文件。 Object Instance 类型的标注格式 1，整体JSON文件格式 数据集中的instances_train2017.json、instances_val2017.json这两个文件就.
cudf-branch-22.02.zip
12-19
在 CUDF 分支 22.02 中，我们能看到以下几个关键知识点： 1. **增强的数据类型支持**：CUDF 支持广泛的数值、字符串、日期和时间戳等数据类型，分支 22.02 可能进一步扩展了对复杂数据结构如数组和结构体的支持，...
结构体在cuda核函数里面不能用吗_【AutoML】连续可微分架构如何用于网络结构搜索...
weixin_39731456的博客
11-23 65
大家好，欢迎来到专栏《AutoML》，在这个专栏中我们会讲述AutoML技术在深度学习中的应用，这一期讲述可微分架构用于模型搜索的基本概念和流程。作者&编辑 | 言有三前面两期我们给大家介绍了基于强化学习和进化算法的模型结构搜索，它们的共同特点就是搜索空间是连续的，并且计算量很大，本期我们介绍可微分架构的网络搜索，其搜索空间是连续的，并且相比强化学习和进化算法具有计算优势。1 简介所谓的可...
Python机器学习面试：Scikit-learn基础与实践
最新发布
zevjay的博客
04-19 482
精通Scikit-learn是成为一名优秀Python机器学习工程师的关键。深入理解上述常见问题、易错点及应对策略，结合实际代码示例，您将在面试中展现出扎实的Scikit-learn基础和出色的机器学习能力。持续实践与学习，不断提升您的Scikit-learn技能水平，必将在机器学习职业道路上大放异彩。
CUDA 高性能计算面试问题总结
m0_38086244的博客
10-12 2413
线程块内的线程可以通过共享内存进行数据交换和协同计算，通常在一个线程块内的线程之间的通信效率更高。全局内存（Global Memory）：全局内存是GPU内存中速度较低的一种，用于存储全局数据，可以被所有线程块和线程访问。共享内存（Shared Memory）：共享内存是位于每个线程块内部的内存，用于线程块内的线程之间共享数据。寄存器（Registers）：寄存器是GPU内存中速度最快的一种，用于存储每个线程的局部变量和临时数据。所有线程束中的线程执行相同的指令，但可以在不同的数据上操作。
Scikit-Learn习题
m0_38134889的博客
06-20 702
Scikit_LearnAssignment这次的作业主要是使用三种算法对数据集进行训练，并在通过Accuracy、F1-score、AUC ROC三项指标对算法进行评估。Step1Create a classification dataset(n_samples >= 1000,n_features >= 10):from sklearn import datasets from s...
CUDA与GPU面试题
热衷开源的Boy
12-10 2587
CUDA概念 sp：小核（流处理器）最基本的处理单元 sm：大核（流多处理器） wrap：GPU执行程序的调度单位 grid：有多个block block：有多个thread thread 利用图形API和CUDA进行GPU通用计算的性能差别 需要将问题转化成图形学，而CUDA使用C语言编写，适合做通用计算 GPU指令和CPU指令 最大区别：CPU需要运行OS，不但要处理中断，还要负责存储器空间分配回收，GPU不需要做这些，所以GPU很空闲 GPU架构缺点：精度问题，编程模式不太灵活 CP
吴恩达机器学习课后习题——kmeans
一舟的博客
07-29 726
实现K-means聚类，并使用它来压缩图像。我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。...
机器学习（二）KNN与Kmeans的面试题整理
hua111hua的博客
01-23 7354
K-means，KNN面试题整理 1.简述一下K-means算法的原理和工作流程 K-means是划分方法中较经典的聚类算法之一。由于算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。 K-means算法以K为参数，把n个对象分成K个簇，使簇内具有较高的相似度，而簇间的相似度较低。 K-means算法的处理过程如下：首先，随机地选择K个对象，...
scikit-learn常用的用法及问题
Jacketinsysu的专栏
03-13 3510
对平时用机器学习算法常遇到的问题做个总结～A. 交叉验证交叉验证是为了评估当前的模型对于整个dataset的generalization error怎么样（如果太大，表示overfit或者underfit），根据[3]的介绍，一般有三种，根据对数据集划分成training set和validation set的比例不同来分的—— 划分一小部分作为validation set； 划分成k等分（k >
面经
Yasin的博客
06-24 6590
算法面经+春秋招总结（含BAT TM W等） 作者：泡了个泡 链接：https://www.nowcoder.com/discuss/127357 来源：牛客网 本人真·末流985软件工程本硕，研究方向推荐系统（但是整个实验室也只有我自己在研究），JCR1区水刊论文一篇，对于机器学习也算是半路出家，从今年一月份才开始系统的学习。 经历了惨痛的春招与秋招之后，也积攒了一些面经，希望能对大家...
cuda核函数结构体
01-04
CUDA核函数结构体是指在CUDA编程中，用于定义和调用GPU核函数的结构体。核函数是在GPU上执行的函数，用于并行计算。下面是一个示例： ```cpp __global__ void test_print_kernel(int* pdata, int* ndata) { // 核函数的代码逻辑 // ... } int main() { // 定义输入数据和输出数据 int* pdata; int* ndata; // 分配内存并初始化数据 cudaMalloc((void**)&pdata, sizeof(int)); cudaMalloc((void**)&ndata, sizeof(int)); cudaMemcpy(pdata, &input_data, sizeof(int), cudaMemcpyHostToDevice); // 调用核函数 dim3 gridDim(2); dim3 blockDim(10); test_print_kernel<<<gridDim, blockDim>>>(pdata, ndata); // 处理输出数据 int output_data; cudaMemcpy(&output_data, ndata, sizeof(int), cudaMemcpyDeviceToHost); // 打印输出结果 printf("Output data: %d\n", output_data); // 释放内存 cudaFree(pdata); cudaFree(ndata); return 0; } ``` 在上面的示例中，`test_print_kernel`是一个CUDA核函数，使用`__global__`修饰符标识。在`main`函数中，我们首先分配内存并初始化输入数据，然后定义了`gridDim`和`blockDim`来指定核函数的执行配置。最后，我们调用核函数`test_print_kernel<<<gridDim, blockDim>>>(pdata, ndata)`来在GPU上执行计算。执行完核函数后，我们将输出数据从设备内存复制到主机内存，并打印输出结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值