视觉计算/深度学习/人工智能 笔试面试 汇总（腾讯、网易、yy、美图等）

对应岗位为：基础研究或图像相关岗位，题目来源自同学们的汇总。。

一部分是我自行总结的，所以也不一定正确，欢迎捉虫。

每个问题都不停止的追问自己为什么，因为在面试中面试官肯定会不停的追问的。

–2017.9.7

之所以现在才发，是因为之前曾经有面试官照着我这篇东西问我（因为写了博客地址），而现在，完全没在怕的~

提供的回答仅供参考，不一定对。存在一些没有提供参考回答的，纯粹因为我懒了 。。

以及没有概括到的阿里、滴滴、华为啥的我没面试的岗位就写的不细，不过根据打听的情况，都是差不多的。

当然了，这个领域日新月异的，加上我比较关注生成式任务，肯定会有其他概括不到的地方，见谅见谅。

找工作运气也很重要，不要因为一时打击就灰心哦。

–2018.1.30

理论部分

深度学习

（通甲优博实习面试）视觉计算任务有哪些，你怎么分类

我把任务分为像素级别、目标级别、理解级别。

像素级别的任务一般是传统的图像处理任务，他们不需要用到图像的语义信息，或者最多用到底层特征（比如图像的边缘、纹理），这些任务有图像增强、传统的图像复原（如去噪、去模糊）、传统的图像分割（比如基于种子生长的方法）、图像加密等。

目标级别的任务需要用到语义信息，所以提取的特征是高层特征，CNN作为优良的特征提取器在这个级别的任务上能够大展拳脚，比如目标定位、识别、检测，以及用到语义特征的分割和大量的图像生成。

理解级别的任务不仅描述图象中的目标，还要解释他们之间的联系，比如一些“看图说话“的图像翻译任务。

CNN的特点以及优势

CNN使用范围是具有局部空间相关性的数据，比如图像，自然语言，语音

局部连接：可以提取局部特征。

权值共享：减少参数数量，因此降低训练难度（空间、时间消耗都少了）。

可以完全共享，也可以局部共享（比如对人脸，眼睛鼻子嘴由于位置和样式相对固定，可以用和脸部不一样的卷积核）

降维：通过池化或卷积stride实现。

多层次结构：将低层次的局部特征组合成为较高层次的特征。不同层级的特征可以对应不同任务。

（17网易校招笔试）推导backward

这些层如何backword计算：

conv：

pooling：

deconv：

（17yy校招面试）解释deconv的作用：

（美图面试）解释BN（写出公式）以及实现机制：



（美图面试）解释dropout以及实现机制：

（美图面试）深度学习中有什么加快收敛/降低训练难度的方法：

瓶颈结构

残差

学习率、步长、动量

优化方法

预训练

（美图面试，yy面试）什么造成过拟合，如何防止过拟合：

data agumentation

early stop

参数规则化

用更简单模型

dropout

加噪声

预训练网络freeze某几层

（yy面试）规则化项有什么，各有什么样的效果，为什么起作用

（腾讯笔试）为什么梯度会消失和爆炸：

深度网络激活元的作用、分类和各自使用范围/优劣

（腾讯笔试）正则化方法以及特点：

损失度量：

（腾讯面试，yy面试）解释softmax、logit regression、交叉熵（要回推导）：

有什么优化方法：

（阿里面试）解释alpha狗：

解释resnet、优缺点以及适用范围：

解释inception net、优缺点以及适用范围：

解释RNN：

GAN的公式以及发展历程：

会写公式

知道变体

优缺点

（2017网易校招笔试 ）densenet结构优缺点以及应用场景

（2017网易校招笔试 ）dilated conv优缺点以及应用场景

（2017网易校招笔试 ）moblenet、shufflenet的结构

机器学习

（腾讯面试）有什么降维方法：

有什么分类算法：

偏差和方差：

判别模型和生成模型：

（腾讯面试）设计一个企鹅音乐的推荐系统：

（滴滴笔试）增强学习的相关内容：

（2017腾讯实习笔试）

概率论（几个重点分布、切比雪夫不等式、t检验）

线性代数（特征值计算、行列式计算）

实践部分

你使用什么编程框架，有什么特点：

使用该框架搭建一个网络并训练的具体流程有什么：

如何解决梯度消失：

如何解决梯度爆炸：

如何判断是否收敛：

如何选择优化方法：

实现卷积层的backward编程：

（17yy面试）用c++/python实现读取文本文件（txt）行数的功能

（17yy面试）python中有什么数据结构，有什么不同

list，tuple，dict，set

（17yy面试）python中range和xrange有什么不同

（17yy面试）python中如何重写一个len函数，解释__call（）

12.

课题部分

度量

重建任务的度量有哪些，给出解释/公式：

识别任务的度量有哪些：

传统图像处理

有什么图像的锐化方法：

全局和局部特征提取算法分别有：

全局和局部特征提取算法有啥不同：

解释HOG：

解释sift：

解释

风格转换

介绍该领域

图像生成

介绍该领域

解释重建任务中的常用技巧：

图像复原

介绍该领域

图像分割

介绍该领域

目标检测

介绍该领域

REFERENCE:

知乎专栏——深度学习岗位面试问题整理笔记