hello,大家好,我是灿视。国庆节已经快要结束了,各位该继续科研继续科研了,该秋招的小伙伴们也要继续校招啦。
昨晚也在看视频的时候,看到了一个外国的面试题视频,里面分享了五道题,这里看完之后,也一起分享给大家。
题目出自油管,我截图出来了,他也给了部分的答案,我也一起整理了下。
目前主要用预训练模型主要有三种方式: (1). 重新训练fc层,保留前面的权重。 (2). 复制预训练网络的架构,当我们有大量的数据要训练时,我们会采用这种方法,但它与训练前的模型所训练的数据并不十分相似。 (3). 冻结一些层并训练其他层。我们可以选择冻结一个预训练模型的初始k层,只训练最顶层的n-k层。
那么如何选择预训练模型来进行模型训练,主要也需要参考任务本身以及数据量的大小。主要关系如图所示:
3. 水平边缘与垂直边缘的检测算子 这里主要是指的图像梯度的问题。对于学过高数的我们来说,其微分就是求函数的变化率,即导数(梯度),那么对于图像来说,也可以用微分来表示图像灰度的变化率。
图像是一个二维函数
,其微分当然就是偏微分。因此有:
因为图像是一个离散的二维函数,
不能无限小,我们的图像是按照像素来离散的,最小的
就是1像素。因此,上面的图像微分又变成了如下的形式(
=1):
这分别是图像在
点处
方向和
方向上的梯度,从上面的表达式可以看出来,图像的梯度相当于
个相邻像素之间的差值。
因此,垂直跟水平的算子设计,就如下图所示了:
直观来看下,经过算子计算后的结果如图:
4. Yolov3与SSD的区别
关于Yolo系列的面试题,可以参考我们之前整理的文章:
关于SSD,这里可以参考 https://zhuanlan.zhihu.com/p/43459011 这篇文章~
5. 1*1卷积是什么?
1*1卷积过滤器 和正常的过滤器一样,唯一不同的是它的大小是1*1,没有考虑在前一层局部信息之间的关系。最早出现在 Network In Network的论文中 ,使用1*1卷积是想加深加宽网络结构 ,在Inception网络( Going Deeper with Convolutions )中用来降维,如下图:
1*1卷积的主要作用有以下几点:
(1). 降维(当然,也可以升维) (2). 跨通道信息交互(channal 的变换)(3). 增加非线性特性
- END -
复旦全日制在读博士,94年已婚有娃的前bt算法工程师。双非材料本科出身,零基础跨专业考研到985cs专业。欢迎各位关注我~