炙石科技-图像算法实习生

小河认真学习

已于 2024-07-12 11:50:21 修改

阅读量977

点赞数 19

分类专栏：秋招面经文章标签：科技算法

于 2024-07-11 16:57:57 首次发布

本文链接：https://blog.csdn.net/weixin_46721993/article/details/140352895

版权

秋招面经专栏收录该内容

1 篇文章 0 订阅

订阅专栏

Base：350/天，暑期实习，坐标北京
考虑地域、加班原因，放弃二面

服装模特图AIGC系统：

在电商服装模特图行业，用【AIGC生成】取代【拍摄】。客户只需用手机简单拍摄衣服，系统即可生成指定模特/指定场景/指定姿势的模特图，对该行业是颠覆式创新。在将单套服装图的制作成本降低90%的同时，还提升了图片的效果。项目需要刚性，订单供不应求，目前已有数百家付费客户。

职位描述

1、负责计算机视觉和深度学习等相关算法的研发和实现；
2、负责服装领域相关AIGC、分类、超分、分割和图像生成工作；

你负责的工作包括：

AIGC：在服装领域应用AI生成内容（如设计、图像）。
分类：对服装图像进行类别识别和分类。
超分：提升服装图像的分辨率。
分割：将服装图像中的不同部分分割出来。
图像生成：生成新的服装图像。

3、负责图像/视频算法方向的创新探索和研发落地，不断优化用户体验。

职位要求

1、计算机或者相关专业，有python编程经验，熟悉Opencv、pytorch等框架；
2、在计算机视觉某个领域有较一定的了解，包括但不限于：传统CV算法、diffusion模型、图像分类和识别、图像超分、图像增强、图像分割、图像生成、手机端图像处理；
3、具备团队精神，善于沟通协作，能承受一定工作压力。

面试问题及回答

技术面一面

总的来说，问题都不算很难，三道python函数题，两道深度学习框架题

编程基础 - 数组操作：
用python写一个函数，接收一个整数数组作为输入，并返回该数组中的最大值和最小值。

def min_max(arr):
    # write your code here
    if not arr:
        return None
    min_value = min(arr)
    max_value = max(arr)
    return(min_value, max_value)

Python编程 - 函数与装饰器：
编写一个Python函数，计算给定整数列表中所有偶数的平均值。然后使用装饰器，确保函数只接收非空列表作为输入。

#请完成此函数，并按要求编写和使用装饰器
def list(func):
    def wrapper(lst):
        if not lst:
            raise ValueError("not be empty")
        return func(lst)
    return wrapper

def avg_even(lst):
   evens = [num for num in lst if num%2 == 0]
   if not evens:
       return 0
   return sum(evens) / len(evens)

# Test the function
print(avg_even([1, 2, 3, 4, 5, 6]))

NumPy数组操作：
请编写一个函数，接收一个一维NumPy数组作为输入，并执行以下操作：
1、将数组中的所有奇数替换为它们的平方根。
2、将数组中的所有偶数替换为它们的平方。
要求：请使用NumPy库来实现上述操作，并返回处理后的数组。

def process_array(arr):
    odd = (arr % 2 != 0)
    even = (arr%2 == 0)
    
    arr[odd] = np.sqrt(arr[odd])
    arr[even] = arr[even] * 2
    return arr

# Test the function
print(process_array(np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])))

使用NumPy处理图像：
请编写一个函数，接收一个表示图像的NumPy数组作为输入，并执行以下操作：
将图像从彩色转换为灰度图像，使用以下公式计算每个像素的灰度值：Gray = 0.299 * R + 0.587 * G + 0.114 * B
将图像进行水平翻转（左右翻转）。
要求：请使用NumPy库来实现上述操作，并返回处理后的灰度图像数组。

import numpy as np
def process_image(img):

    gray = 0.299 * img[:, :, 0] + 0.587 * img[:, :, 1] + 0.114 * img[:, :, 2]
    down_gray = np.fliplr(gray)

    return down_gray

# Test the function
print(process_image(np.array([[[255, 0, 0], [0, 255, 0], [0, 0, 255]], [[128, 128, 128], [255, 255, 255], [0, 0, 0]]])))

深度学习基础 - 激活函数：
解释ReLU（Rectified Linear Unit）激活函数及其优势，并提供用于实现ReLU的Python代码示例。

def relu(x):
    return np.maximum(0,x)
# Test the function
print(relu(np.array([-1, 0, 1, 2, 3])))

深度学习基础 - 神经网络构建：
构建一个简单的前馈神经网络（Feedforward Neural Network），包含输入层、至少一个隐藏层和输出层。描述该神经网络的架构和激活函数选择。

import torch
import torch.nn as nn
import torch.nn.functional as F

# 请在此完成代码编写。定义一个名为Net的网络。并在代码注释中说明你的网络结构。
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.f1 = nn.Linear(10, 5)
        self.f2 = nn.Linear(5, 1)

    def forward(self, x):
        x = F.relu(self.f1(x))  # 隐含层用Relu
        x = self.f2(x)  # 输出层无激活函数
        return x

# Create the network
net = Net()
# Print the network architecture
print(net)