图像处理CV/ML/DL 面试题整理 （二）_cv dl ml

继续上一篇文章，这篇主要记录原博主的关于深度学习部分的试题

二、深度学习部分

（1）MLP的BP过程？delta的意义？每一层节点的残差？

MLP的BP过程：

分别是第j层和第k层输出，是第j层和第k层间的传递矩阵，是k层的输出真值，是第k层误差。

那么E对W的导数，即W的优化梯度方向：

显然导数并不易求，因此做一下变换：

这里又考虑到sigmoid函数的导数为：

带入可得最终结果：

得到了梯度，再将梯度应用至转换矩阵即可完成一次权重更新：

delta的意义：

在公式中并没有出现delta，大胆猜测应该指的就是这里的学习率alpha，这个因子可以调节这些变化的强度，确保不会超调。

每一层节点的残差：

假设上一层的残差为，传递矩阵为，那么该层的残差为：

（2）max pool层怎么做的？

整个图片被不重叠的分割成若干个同样大小的小块（pooling size）。每个小块内只取最大的数字，再舍弃其他节点后，保持原有的平面结构得出 output。

（3）反卷积过程（转置卷积）？

先对原图用0进行扩充，扩充完成后再使用某尺寸的卷积核在扩充图上进行卷积，输出卷积结果。

（4）单个神经元是否线性可分

是否线性可分是对于样本集的;线性可分是数据集合的性质，和分类器没啥关系。

可以通过线性函数分类的即为线性可分。

（5）深度学习模型的发展？深度学习的评价标准？

AlexNet-->GoogleNet,VggNet-->ResNet-->GAN-->DQN

准确率 （Accuracy），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU）。

（6）强化学习应用场景和方法？

应用与方法：

1、控制类：机械臂控制、视频游戏（CNN获取图像信息，提取特征信息等处理），无人驾驶等

2、文本序列预测，机器翻译等

3、推荐系统

（7）adaboost和cascade adaboost？损失函数有哪些？

adaboost：将多个弱分类器合并成为一个强分类器。

cascade adaboost：将多个adaboost分类器串联起来，第一个分类器分类为true则再用第二个分类器进行分类，为false则直接丢掉，这样就可以把错误率成指数倍降低，而且加快了运算速度，如果前一个分类器没有通过，则直接省掉了后续的分类器计算，直接pass掉了。

损失函数这里不知道是指什么，难道是弱分类器训练过程中的loss？

（8）目标检测的三种方法？

RCNN：two-stage类型，分提取目标框与模式识别两块

YOLO：one-stage类型，将回归边框与模式识别全部交由最后一层特征图利用两个不同的3x3的卷积核卷积给出

SSD：one-stage类型，在不同特征层中完成回归与识别，同时引入anchor机制

（9）目标检测常用的网络,RCNN, SPP, Fast RCNN, Faster RCNN的区别？

RCNN：先选取很多的候选框，再对每个候选框送入卷积网络得到特征图进行识别，将属于同一类别的候选框进行回归合并。

fast RCNN：也是提取很多的候选框，不过之后对整个图送入卷积网络提取得到特征图，然后再将候选框投影在特征图上得到候选框选中部分的特征图，之后进行识别回归，这样就只需要对一副整图使用卷积网络提取一次特征，速度快了许多。

SPP：与fast RCNN的区别就是支持不同尺寸的图片输入，通过池化来自适应图片尺寸。

faster RCNN：在fast RCNN基础上，将提取候选框的任务交给了RPN神经网络，不再应用图像像素分割的方式。

（10）softmax公式？信息熵公式？

softmax：令为输入，则输出为：

信息熵公式：

（11）训练时，mini-batch与GPU的内存匹配

训练网络时的mini batch是由GPU的内存决定的。

（12）batch normalization

gamma和beta初始化为1和0，然后在训练中优化他们

BN可以减少dropout

（13）当训练到最后，loss值很大，但精度在上升

说明loss变化很小，需要增大学习率

（14）梯度爆炸（loss发散，出现nan）

解决方法，减小学习率或者增大batch，当然也需要注意loss定义中的log函数要有避免出现log0的措施、

（15）如果loss开始一直不变，但是从某点开始下降的原因

因为初始值选定的不好，错误的初始值会让梯度一开始接近0。

（16）优化策略比较

SGD：随机选择一定的样本进行权重更新，运算速度快

Momentum updata：

保持一定的动量，即本次的权重更新值也与上一次的更新值有关，也就是保持上一次更新的惯性，利于打破局部最优

AdaGrad：

为本次的梯度，可以看到在更新权重时，对更新量附加了一个与更新量成反比的系数，这样在梯度较平坦的地方，权重更新幅度得到加大，避免在平坦地方loss徘徊不前，但是在梯度较大的地方则相应减缓。

AdaDelta：

从上面的公式可以看出，这个优化方法的学习率不需要人为的设定，是通过计算delta来自己获得的，也就是学习率正比于梯度，同时又引用了AdaGrad的方法，在更新量前加了反比于梯度的系数。

RMSProp：

这就是人为确定学习率的AdaDelta，在非凸效果下更好。

Adam：

可以看到，Adam就是将momentum和RMSProp结合起来的一个优化方法。

（17）Cross entropy loss 和sigmod Cross entropy loss的区别

后者在计算交叉熵之前将预测值先过了一下sigmoid函数

（18）没有隐藏层的神经网络是线性的，只能处理线性可分的问题（线性可分问题从二维角度看，即分界线是一条直线，多维就是存在线性超平面将其分类）

考虑到没有隐藏层的神经网络就相当于一个回归模型，回归模型只能处理线性可分的问题。

（19）卷积神经网络中，在没有zero-padding的情况下,当输入为7*7,filter为3*3，stride为3时，会怎么样？

应该是变成2*2的输出

（20）定位和检测的区别

区别在于要找的目标的数量；

对于定位，图像中只有一个或一种对象，用框标出对象的位置

对于检测，图像中有多个目标或多种对象。

（21）数据不足时怎么办

通过翻转、旋转、添加高斯噪声等方式进行样本扩充，或者可以用对抗神经网络生成样本？

（22）goolenet和resnet中用到的结构

GooleNet：

采用1X1的卷积层来跨通道组织信息，提高表达能力，同时完成通道的升降维。

采用1X3卷积和3X1卷积核来代替3X3卷积核，减少参数量

ResNet：

通过一些旁路的支线直接将输入传到后面的层，使得后面的层可以直接学习残差，保护信息的完整性。

（23）CNN中 卷积的实现

傅里叶变换可以用于大卷积核的卷积运算，将卷积化为乘法。

（24）语义分割和实例分割

语义分割：操作像素，标记每个像素所属的标签，不关心具体的类，同一类目标标记为相同的像素

实例分割：输出类别同时标记像素（同时检测并分割），关心目标的类