计算机视觉/图像算法/深度学习/AI算法岗位面试问题总结

这段时间一直在找工作，经过两个月的面试经验，感觉比我三年学到的东西都多，在这里做一下总结。这四个岗位其实都是相同的，问的问题也都大差不差，主要从传统的图像算法和深度学习进行提问。

1.传统图像算法问题

1. 图像预处理有哪些方法？
2. 图像增强有哪些方法？
3. 直方图均衡介绍。
4. 膨胀和腐蚀含义?开运算和闭运算先后顺序。
5. 传统的边缘检测算子有哪些？
6. Canny算法介绍。如何极大值抑制？（重点必问）
7. hog和haar介绍。
8. 高斯滤波器原理。
9. 如何对图像进行90度旋转？（笔试题）
10. 给你一个图如何提取想要的目标。
    （这是一个开放性的题目，需要对传统图像算法有一定的理解 ）

2.机器学习问题

1. 列举常用的机器学习算法。（说的越多问的越多）
2. 决策树原理介绍。预剪枝和后剪枝处理简介。
3. 决策树与Adaboost区别。
4. SVM介绍，如何理解最大支持向量，核函数作用。
5. 贝叶斯分类器简绍。
6. sigmoid和relu区别和优点，以及运用场合。
7. 逻辑回归介绍。（有一个小公司变态到让我手写逻辑回归推理）
8. k-means和knn介绍，并说明两者区别。
9. 无监督学习和有监督学习区别并列举各有哪些算法。（笔试题）
10. bp神经网络介绍。

3.深度学习问题

1. ResNet网络介绍，与其余网络区别，手写ResNet残差块。（重点必问）
2. 激活函数有哪些及作用。为什么使用relu不使用sigmoid？
3. 梯度消失和梯度爆炸阐述，并讲解如何解决。
4. 如何知道网络训练有没有过拟合，并如何解决。（重点必问）
5. 分割网络有哪些？各有什么特点。
6. 检测网络有哪些，各有什么特点。
7. 阐述Faster-Rcnn，YOLO和SSD网络，并介绍各有什么优缺点。
8. OpenCV和Halcon是加分项。（我对这块接触的不多，每次问道这个问题我都懵圈了，但是一定要表达一下自己自学过，只是没有在项目中用到过。面试官就不会为难你了）
9. 计算网络参数量以及特征图输出计算公式。
10. RNN和LSTM 介绍。
11. 除了CNN网络还了解哪些网络？
12. BN层如何对数据处理。作用是什么？

4.总结

以上都是我在面试的时候被问到的所有问题，当然除了那些BAT或者大公司问的会更细致之外，以上问题基本上可以应付 很多公司了。当然面试的时候能回答出这些基础问题不是最重要的，最重要的是你简历上写的项目，但凡写在简历上的东西一定 要弄懂，否则卡壳会很丢分。我在找工作最初只是想把简历做的漂亮一些，没想到被问得无地自容。还有一些笔试题基本上都是C语言基础，只要刷牛客网题目就行，编程题刷剑指offer就行。数据链表一定要会。冒泡，快排等排序算法一定要会。