安科第一面
面试的是图像处理方面的实习生，安科主要做的是医学图像后期处理
面试我的应该是个技术部门的主管，随便聊了聊关于神经网络方面的知识。
印象最深的是CNN，卷积神经网络中的卷积是怎么样卷的。当时一脸蒙蔽，印象中记得是矩阵发生运算，具体怎么运算，上课的时候有人讲过，自己当时没认真听讲忘记了。现在回过头来补下关于卷积的操作。
1、卷积操作
卷积就是矩阵直接的点积（对应元素乘积的和），详细吴恩达CNN讲解见博客
通过以下的水平过滤器和垂直过滤器，可以实现图像水平和垂直边缘检测。
以下列出了一些常用的过滤器，对于不同的过滤器也有着不同的争论，在卷积神经网络中把这些过滤器当成我们要学习的参数，卷积神经网络训练的目标就是去理解过滤器的参数。
padding
- 做完卷积运算，图像不断缩小
- 边缘元素只能使用一次，在图像边缘检测中会导致边缘特征信息丢失
于是引入了padding，边缘填充。tensorflow中提供SAME或者是VALID两种选择，SAME表示全零填充（输出图像和输入图像一样大），VALID表示不添加。
关于padding部分：简书上写得很详细https://www.jianshu.com/p/05c4f1621c7e
根据tensorflow中的conv2d函数，我们先定义几个基本符号
1、输入矩阵 W×W，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。
2、filter矩阵 F×F，卷积核
3、stride值 S，步长
4、输出宽高为 new_height、new_width
当然还有其他的一些具体的参数，这里就不再说明了。
我们知道，padding的方式在tensorflow里分两种，一种是VALID，一种是SAME，下面分别介绍这两种方式的实际操作方法。
1、如果padding = ‘VALID’
new_height = new_width = (W – F + 1) / S （结果向上取整）
也就是说，conv2d的VALID方式不会在原有输入的基础上添加新的像素（假定我们的输入是图片数据，因为只有图片才有像素），输出矩阵的大小直接按照公式计算即可。
2、如果padding = ‘SAME’
new_height = new_width = W / S （结果向上取整）
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W
根据上式，输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 （结果取整）
下方添加的像素数为
pad_down = pad_needed_height - pad_top
以此类推，在宽度上需要pad的像素数和左右分别添加的像素数为
pad_needed_width = (new_width – 1) × S + F - W
pad_left = pad_needed_width / 2 （结果取整）
pad_right = pad_needed_width – pad_left
2、全连接层为什么可以看作是特例卷积层？
https://blog.csdn.net/zxyhhjs2017/article/details/78605283
1*1卷积可以代替全连接层
中兴软创面试问题
- 在决策树中，决策树的思想？当数据相差比较大的时候，采用什么方法？（如果数据的分布比较大，那么信息熵和信息增益有什么变化之类的？）前剪枝和后剪枝怎么处理，信息熵，信息增益。类型有很多CART、ID3、C4.5等。信息熵的公式是什么？
- 介绍一下集成学习。什么是集成学习？
- 过拟合和欠拟合。什么是过拟合？
- 迪杰斯特拉算法？关于图论的知识，迪杰斯特拉算法是在有向图中，计算一个顶点到其余各顶点的最短路径。解决的是有向图中最短路径的问题。
- 介绍一下什么是神经网络
- 介绍一下卷积神经网络
- 学过线性代数吗？有没有用过矩阵相关的包？
暂时先写到这，由于我是第一个开始面试的，面试的人还没进入面试状态，问我的问题都比较简单。面试人挺注重自己动手实践这块的，问了我有没有自己动手处理数据集，并且解决出问题，效果怎么样。以后在动手实践方面还是要多多加强！