这个面试是四个月之前面试的了，投简历的时候比较晚，CVTE当时已经招过一批实习生，这算是招过之后再进行补招。投的是CVTE中央研究院——视觉计算方向。
CVTE视觉计算职位介绍如下：
技术应用：
我们致力于图像处理、图像检测与跟踪、图像识别和理解、三维视觉等计算机视觉问题的算法研究，并借助公司在多个行业的深厚积累，将研究成果应用于各种垂直领域场景。该岗位的应用领域包括但不限于：
- 自动化工业制造领域：通过摄像头自动检测电路板缺陷
- 泛安防领域：通过人脸识别技术实现珠宝店、银行、园区、会议室等场所的访客系统和监控系统
- 教育领域：通过图像去模糊技术处理失焦后的手写文本图片；通过人脸检测和识别技术实现课堂教学视屏录播智能化；通过人脸表情识别和行为识别等技术评估课堂和学生状态
- 企业服务领域：通过图像编辑技术对视频会议中的人脸图像进行视线矫正；通过人脸检测和跟踪等技术切换远程会议视频输出视角和区域；通过图像超分辨率重建技术对视频会议中出现的低分辨率视频码流进行上采样重建；通过三维成像技术实现视频会议中任意角度的观赏切换
方向要求：
- 在图像处理/计算机视觉/机器学习方面有较强的研究背景或丰富的算法实战（包括项目与比赛）经验
- 熟悉Python/Lua/C++
- 在相关顶级国际期刊/会议上发表过论文者优先考虑
在以下任一方面有研究经历者优先考虑：
- 人脸检测、跟踪或识别研究
- 图像去模糊、图像超分辨率重建研究
- 生成式对抗网络研究
- 三维视觉研究
当时我主要研究的是立体视觉、结构光三维重建方向，图像的超分辨重建略有涉及，深度学习略懂皮毛。于是就投了这个岗位。几天之后接到电话面试，谁知道全是问机器学习的问题。。。难受。。。不管怎样，在这里记录一下面试问题，方便以后如果还要投类似岗位有复习方向。
接到电话之后面试官问的第一个问题是：
1、用过的函数优化方法有哪些？
这个问题比较简单，但是当时没答好。神经网络里用的比较多的就是随机梯度下降法。
2、随机梯度下降法与牛顿法的区别？
随机梯度下降是求一阶导数，牛顿法是求二阶导数。牛顿法包含的信息更多，但是收敛速度比较慢。
3、过拟合怎么办？
（1）在神经网络的模型中，可以使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权重。
（2）选取合适的停止训练标准，使对机器的训练在合适的程度；
（3）保留验证数据集，对训练成果进行验证；
（4）选取额外数据进行交叉验证；
（5）正则化；
（6）drop out；
（7）data augmentation
。。。
4、怎么跳出局部最小值？
（1）以多组不同的参数值初始化多个神经网络，按标准化方法训练后，取其中误差最小的解作为最终的参数。这相当于从多个不同的初始点开始搜索，这样就可能陷入不同的局部极小值，从而有可能获得全局最小值。
（2）使用“模拟退火”技术。“模拟退火”在每一步都会以一定的概率接受比当前更差的结果，从而有助于跳出局部最小。
（3）使用随机梯度下降。
5、随机梯度下降一定能找到全局最小值吗？
不一定，随机梯度下降只是能缓解批量梯度下降陷入局部最小的缺点。（答案我也不确定= =）