算法面经

1. 自我介绍

2. 项目（介绍项目，针对项目中的问题提问）

3. 准确率 精准率 召回率

4. 过拟合

5. 权值共享
   每个像素都有一个权系数 ，系数被整个图片共享， 减少卷积核中的参数量，卷积操作利用了图片空间上的局部相关性 特征自动提取。权值共享意味着每一个卷积核只能提取到一种特征，为了增强CNN的表达能力，就需要多个核。

6. 集合的划分（测试集的划分)
   https://zhuanlan.zhihu.com/p/50221679
   补充说明

   • 按一定比例划分为训练集和测试集
     -留出法：随机选择 测试集保证覆盖各种类型特征
   • 交叉验证法：用于数据不充足的时候
     先将数据集D划分为k个大小相似的互斥子集，每个子集D尽可能保持数据分布的一 致性(即分层采样)，然后每次用k-1个子集的并集，作为训练集。剩下的一份用作测试集，这样可以得到k个组合，然后训练k个模型，最终返回k组测试结果的均值和方差。就是10折交叉验证。

7. loss（交叉熵）
   https://zhuanlan.zhihu.com/p/35709485

8. vgg与u-net的区别

9. 介绍知道的分类网络

10. 对CV领域有哪些研究(目标检测算法、reid)

11. c++ 动态数据库 静态数据库
    C++静态库和动态库
    

12. A+B 位运算

13. shuffle的重要性
    目的：打乱数据顺序，避免过拟合
    给定权重取值，迭代布step的情况下，固定的数据集意味着固定的训练样本——>权重更新方向确定。无序的数据集意味着更新方向是随机的，随机的方向更有可能收敛到最低点。
    解释：固定的数据集顺序，严格限制了梯度优化方向的可选择性，导致收敛点空间选择严重变少，易过拟合。

14. 激活函数的作用