顺丰科技视觉算法工程师面试题

1、在原地即不使用任何额外的空间复杂度交换两个数。

    1.相加寄存：a=a+b b=a-b a=a-b 

    2.位运算：b=a^b; a=a^b; b=a^b

2、模型的方差和偏差是什么，怎么减少bias和var。

    偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据.

    方差：描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散。

    Baging减少方差，boosting减少偏差。

3、BN，GN，IN，LN的关系。

    上边这张图显示了四种标准化的方向，其中C轴表示通道，N轴表示Batch中的样本序号，H、W轴可以认为是图像样本中的宽和高。

    Batch Normalization会将一个batch中所有样本的所有feature map按feature map的序号划分为N（N=feature map）组，然后对这N组内的所有像素点进行N次标准化；

    Layer Normalization 是对一个样本中的所有数据进行标准化；

    Instance Normalization是对一个样本中的每一个通道进行单独的标准化操作；

    Group Normalization将一个样本的的通道划分为多个group，然后在对每一个group进行标准化。

4、解决梯度消失的方法有哪些？

    梯度修剪：grad_clip

    用ReLU、Leaky-ReLU、P-ReLU、R-ReLU、Maxout等替代sigmoid函数。

    用Batch Normalization。

    LSTM的结构设计也可以改善RNN中的梯度消失问题。

    残差网络：Resnet

5、TensorRT的推理加速的原理是什么？

    TensorRT支持INT8和FP16的计算，通过在减少计算量和保持精度之间达到一个理想的trade-off，达到加速推断的目的。

    TensorRT对于网络结构进行了重构和优化。主要体现在以下四个方面：

    第一是tensorRT通过解析网络模型将网络中无用的输出层消除以减小计算。

    第二是对于网络结构的垂直整合，即将目前主流神经网络的conv、BN、Relu三个层融合为了一个层。

    第三是对于网络的水平组合，水平组合是指将输入为相同张量和执行相同操作的层融合一起。

    第四是对于concat层，将contact层的输入直接送入下面的操作中，不用单独进行concat后在输入计算，相当于减少了一次传输吞吐。

6、介绍下Focal loss。

    Focal loss是目标检测中解决正负样本严重不平衡的方法，在标准交叉熵损失基础上修改得到的。这个函数可以通过减少易分类样本的权重，使得模型在训练时更专注于稀疏的难分类的样本；防止大量易分类负样本在loss中占主导地位。

7、解释一下归并排序吧。

    归并排序的核心思想是分治法，将已有序的子序列合并，得到完全有序的序列。

    基本过程：假设初始序列含有n个记录，则可以看成是n个有序的子序列，每个子序列的长度为1，然后两两归并，得到n/2个长度为2或1的有序子序列，再两两归并，最终得到一个长度为n的有序序列为止，这称为2路归并排序。

    代码示例如下：

def merge_sort(arr):
    if len(arr)==1:
        return arr
    mid = len(arr)//2
    left = arr[:mid]
    right = arr[mid:]
    return marge_sort(merge_sort(left),merge_sort(right))
def marge_sort(left,right):
    result = []
    while len(left)>0 and len(right)>0:
        if left[0] < right[0]:
            result.append(left.pop(0))
        else:
            result.append(right.pop(0))
    result+=left
    result+=right
    return result
arr = [2,36,32,54,89,98,65,12,74]
print(merge_sort(arr))