同花顺-图像算法工程师-笔试题

1.提高深层神经网络特征表达能力的方法是
答：a.增加层深度；b.使用非线性激活函数；c.增加隐层单元的个数
池化作用：
(1) 对输入的特征图进行压缩，使特征图变小，简化网络计算复杂度;
(2) 进行特征压缩，提取主要特征;
2.房间里有8个人，分别佩戴着从1号到8号的徽章，任意选3人记录其纪念号码，最大号码为6的概率是
答：8个里选3个 C(3,8) = 56,1到5里选2个C（2,5）=10,结果是5/28 -=
3.假设一个聚类模型的标签是已知的，如何评价该模型的性能
答：如果有了类别标签，那么聚类结果也可以像分类那样计算准确率和召回率。但是不应该将分类标签作为聚类结果的评价指标，除非你有相关的先验知识或某种假设，知道这种分类类内差距更小
传送门：CSDN博主聚类模型评估
4.简要说明目标检测过程中NMS算法流程
答：用于目标检测中，就是提取置信度高的目标检测框，而抑制置信度低的误检框。一般来说，用在当解析模型输出到目标框时，目标框会非常多，具体数量由anchor数量决定，其中有很多重复的框定位到同一个目标，nms用来去除这些重复的框，获得真正的目标框。

NMS非极大值抑制
5.深度神经网络中什么是梯度爆炸和梯度消失？
答：在反向传播过程中需要对激活han函数进行求导，如果导数大于1，那么随着网络层数的增加梯度更新将会朝着指数爆炸的方式增加这就是梯度爆炸。同样如果导数小于1，那么随着网络层数的增加梯度更新信息会朝着指数衰减的方式减少这就是梯度消失。因此，梯度消失、爆炸，其根本原因在于反向传播训练法则，属于先天不足
梯度消失于梯度爆炸
6.解释batch-normalize的原理和实现过程
答：对于每个隐层神经元，把逐渐向非线性函数映射后向取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值落入对输入比较敏感的区域，以此避免梯度消失问题
添加链接描述
Batch Normalization原理与使用过程
7.请说明dropout的原理和实现方法
答：
8.在使用小样本训练集训练深度模型时，可以采用什么方法提高模型性能
答：
9.为什么引入非线性激活函数
答：
10.采用Hard Sample Mining 技术可以解决什么问题
答：
11.一般情况下，CNN模型的大小和计算量分别是由卷积层参数还是全连接层数决定的
答：
12.编程题：一个整数数组中的元素有负有正，在该数组中找出一个连续子数组，要求该子数组中各大元素的和最大
答：
13.请分别阐述训练集、验证集、测试集的区别，以及如何基于这些集合完成一次机器学习从训练到测试的全部过程以及使用这些数据集时注意的地方
答：
14.你有一个636316的输入，并使用大小为7*7个过滤器进行卷积，使用步幅为2和无填充，请问输出的是多少
答：
15.为了构建一个非常深的网络，我们经常在卷积层使用valid填充，只使用池化层来缩小激活值得宽和高度，否则的话会使德输入迅速变小。（判断对错）
答：
16.（编程题）输入一个链表，输出该链表中倒数第K（k>0）个结点
答：
17.关于算法时间复杂度与什么有关
答：
18.（编程题）编写超大正整数类，支持加法运算
答