2020春秋招聘图像处理 人工智能方向 各大厂面试常见题整理一（附答案）（阿里腾讯华为字节）

因为本人近期也要紧临毕业，面临招聘面试，所以整体别人公开的面经，做一个整理，并且加上自己认为的答案，欢迎各位读者对答案进行指正和交流。

深度残差的作用

• 直观上，深度加深，出现梯度消失和梯度爆炸的问题
• 在论文中，出现了一个奇怪的现象，就是56层网络效果没有20层的好。本质问题是因为网络深造成信息丢失从而产生过拟合问题，在较深的网络层上，明明是不同类别的图片，但是却产生了相近的对网络刺激的效果。
• 关键就是：用残差来保留数据的差异性

BatchNorm的作用

• 避免梯度爆炸梯度消失问题
• 正则化，避免过拟合；
• 本质是解决了ICS（internal Covariate Shift）的问题，保证每一层的数据分布是同分布的。

DenseNet的优势

• DenseNet是ResNet的改良版本，密集的复用通道特征。
• 所以每层的特征可以直达最后的误差信号，使得网络更容易训练，是一种deep supervision的实现，类似于GoogLeNet的三个输出的概念；
• 因为每一层只增加少量的通道数，从而参数更小，计算更快。因为大量的concat之前的特征；
• 最终分类使用了低级特征。

损失函数有哪些

1. 回归任务：均方误差
   $MSE = \frac{\sum^n_{i=1}{(y_i-\hat{y_i})^2}}{n}$
2. 回归任务：L2范数
   $MSE = \sqrt{\sum^n_{i=1}{(y_i-\hat{y_i})^2}}$
3. 分类任务：CrossEntropy交叉熵
4. 分类任务：focal loss
   这个是何凯明大佬的作品，是解决多分类任务中样本不平衡的现象的。公式中，预测结果为output，真实值为true，output是模型的直接输出打分情况，true是onehot编码：
   $L_{focal_loss}(output,true)=-\frac{1}{n}\sum_{i=1}^ntrue*\theta*(1-softmax(output))^{\gamma}*log(softmax(output))$
   论文中 $\theta=0.25,\gamma=2$

GBDT梯度提升树学习的是什么

学习的是负梯度，而不是残差

什么是端到端学习

就是把过程简化成只用一个神经网络来完成。比方说文字识别，可能需要先对图像进行二值化，然后进行锐化膨胀腐蚀等操作，但是端对端就是直接把图片放到网络中，然后直接识别出文字。在训练集较大的情况下，端到端学习会有惊人的效果。