科大讯飞提前批算法工程师面经（计算机视觉方向）

1、Pytorch和Tensorflow的区别？

    图创建

    创建和运行计算图可能是两个框架最不同的地方。

    在pyTorch中，图结构是动态的，这意味着图在运行时构建。

    而在TensorFlow中，图结构是静态的，这意味着图先被“编译”然后再运行。

    pyTorch中简单的图结构更容易理解，更重要的是，还更容易调试。调试pyTorch代码就像调试Python代码一样。你可以使用pdb并在任何地方设置断点。调试tensorFlow代码可不容易。要么得从会话请求要检查的变量，要么学会使用tensorFlow的调试器。

    灵活性

    pytorch：动态计算图，数据参数在CPU与GPU之间迁移十分灵活，调试简便；

    tensorflow：静态计算图，数据参数在CPU与GPU之间迁移麻烦，调试麻烦。

    设备管理

    pytorch：需要明确启用的设备

    tensorflow：不需要手动调整，简单

2、leetcode爬楼梯（dp,递归等方法）

    递归解法：

class Solution:
    def climbStairs(self, n: int) -> int:
        if n == 1:
            return 1
        elif n == 2:
            return 2
        else:
            s1 = self.climbStairs(n-1)
            s2 = self.climbStairs(n-2)
            return s1+s2

    动态规划解法：

class Solution:
    def climbStairs(self, n: int) -> int:
        nums = [0,1,2]
        if n == 1:
            return nums[1]
        elif n == 2:
            return nums[2]
        else:
            for i in range(3,n+1):
                nums.append(nums[i-1] + nums[i-2])
        return nums[n]

3、torch.eval()的作用

    对BN的影响：

    对于BN，训练时通常采用mini-batch，所以每一批中的mean和std大致是相同的；而测试阶段往往是单个图像的输入，不存在mini-batch的概念。所以将model改为eval模式后，BN的参数固定，并采用之前训练好的全局的mean和std；总结就是使用全局固定的BN。

    对dropout的影响：

    训练阶段，隐含层神经元先乘概率P，再进行激活；而测试阶段，神经元先激活，每个隐含层神经元的输出再乘概率P，总结来说就是顺序不同！

4、PCA是什么？实现过程是什么，意义是什么？

    主成分分析 (PCA, principal component analysis)是一种数学降维方法, 利用正交变换 (orthogonal transformation)把一系列可能线性相关的变量转换为一组线性不相关的新变量，也称为主成分，从而利用新变量在更小的维度下展示数据的特征。

    实现过程：

    一种是基于特征值分解协方差矩阵实现PCA算法，一种是基于SVD分解协方差矩阵实现PCA算法。

    意义：

    使得数据集更易使用；降低算法的计算开销；去除噪声；使得结果容易理解。

5、简述K-means.

    K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

    假设要把样本集分为k个类别，算法描述如下：

    （1）适当选择k个类的初始中心，最初一般为随机选取；

    （2）在每次迭代中，对任意一个样本，分别求其到k个中心的欧式距离，将该样本归到距离最短的中心所在的类；

    （3）利用均值方法更新该k个类的中心的值；

    （4）对于所有的k个聚类中心，重复（2）（3），类的中心值的移动距离满足一定条件时，则迭代结束，完成分类。

    Kmeans聚类算法原理简单，效果也依赖于k值和类中初始点的选择。