自从刚开始接到的第一个面试开始，到现在为止，陆陆续续也参加了许多场，我像是一个刚从新手村出来的小白，一路的打怪升级刷经验，期间遇到了很多不会的，我都会及时记录总结。
到现在仍然清晰记得，第一次去面试的时候，当时被怼的多惨。。。
说明：本人是非科班出身，本科是机械电子工程专业，硕士期间的研究方向是机器学习和深度学习，因为我的简历上有关于YOLO的项目，所以我着重准备了YOLO系列的面试可能遇到的问题。
决定开启这个面试问题总结的系列，包括YOLO、C++的内容、OpenCV的内容和深度学习方面被提问的问题。
一.YOLOv1
1.简单的背景介绍
在YOLO出来之前，常见的目标检测算法：
①滑窗检测算法
a.将目标检测的问题转化为图像识别的问题
b.物体的位置是根据滑窗的位置确定的
c.缺点：滑窗之间存在着很大部分的重叠，即存在大量的冗余，导致该方法效率低下。
b.滑窗算法最大的问题是只能看到滑窗部分里面的内容，不能看到整个目标。
②区域检测算法：采用某些算法：如分水岭算法。
2.YOLOv1的算法思想
YOLO是基于深度学习和卷积神经网络的单阶段通用目标检测算法，把目标检测问题转化为回归问题，不需要经过提取候选框的冗余问题。
YOLOv1的训练阶段（反向传播）（https://www.bilibili.com/video/BV15w411Z7LG?p=6）
模型是如何训练出来的：在训练集上，我们首先要对图像进行标注，画出检测目标的ground truth，模型就是要将预测结果尽量拟合这个ground truth，使得损失函数最小化。之前将标注好了的图像分成S×S个（v1是7×7）网格（grid cell），对于ground truth的中心点，其中心点落在哪个grid cell中，就由这个grid cell生成的bounding box去负责拟合这个ground truth，因为每一个grid cell都会生成2个bounding box，那么就由这2个中的其中一个去负责拟合ground truth，且每一个grid cell去预测一个物体，则最多预测7×7个物体，这也是YOLOv1预测小目标和密集目标性能较差的原因。每一个grid cell都会生成2个bounding box，那究竟由哪个bounding box去拟合ground gruth呢？就是由bounding box和ground truth交并比IOU较大的那个bounding box决定，较小的bounding box就直接舍弃，较大的留下来通过损失函数来不断进行调整以满足拟合ground truth。
上面是对于ground truth中心点落在某个grid cell中的情况，若对于没有中心落在的grid cell中，其grid cell也会生成2个bounding box，这2个bounding box就会舍去。
补充：关于bounding box的四个参数x、y、w、h，其中心点坐标x和y肯定落在网格中，以这个网格左上角为（0，0），右下角为（1，1），bx和by在0—1之间，而bh和bw可能会大于1，因为一个目标object的尺寸大小可能是几个格子，同时bounding box还要预测位置置信度confidence。因为每个网格预测2个bounding box，所以有2个confidence值（confidence的值就是0或者1乘以交并比的值，即网格与你标注的bounding box的交并比值，0表示未预测到，1表示预测到了），除此之外，每个网格还要预测C个类别的分数（这里的分数就指的是你预测的哪个目标，则这个目标的类别分数就为1，否则为0）。
YOLOv1的预测阶段、后处理（前向推断）：
在测试阶段、或者叫预测阶段、或者叫YOLO模型正向推断阶段，就是模型已经训练好了的情况下：
输入一张图像，先把图像分成S×S（7×7）的网格（grid cell），每个grid cell都生成2个预测框（bounding box），每个grid cell都包括2个bounding box和20个类别，每个bounding box又包含4个位置参数（x、y、w、h）和1个置信度参数c，在原论文中bounding box的粗细就表示了置信度c的大小，粗的表示置信度较高，细的表示置信度较低。同时，每个grid cell预测一组条件类别的概率，就是原论文中每个彩色的网格就是代表预测了哪个类别（用颜色代表不同的类别，用粗细来表示每个bounding box的置信度）。以PASCAL VOC数据集为例，有20个类别，则最后我们会得到一个7×7×30（1+4+1+4+20）维度的向量。结合bounding box的信息和grid cell的类别信息，再经过后处理包括置信度过滤和NMS就可以获得最后的预测结果。
对于YOLO而言，后处理就是把预测出来的98个bounding box预测框进行筛选和过滤只保留一个，过程包括去掉低置信度的框和重复的预测框，这个步骤就是NMS（非极大值抑制）。如果想加强NMS，就把阈值设置的低一点，注意，NMS只存在于预测阶段，训练阶段是不需要NMS的，因为在训练阶段每个bounding box都很重要。
3.关于NMS
NMS的过程：
假设98个bounding box，因为有20个类别，设第一个类别是dog，则98个bounding box会有98个置信度，比如0，0.2，0.5，0.1，0…，将它们的置信度从高到底排序，0.5最高，则把剩余的0.2和0.1和0.5进行计算IOU的值，若0.1和0.5的bounding box的IOU的值大于设置的阈值，就判断这两个bounding box是重复的，则去掉置信度0.1的bounding box，若小于阈值，就继续比较其他的，一轮结束后，再从第二名0.2开始，重复上面的操作。视频思路：https://www.bilibili.com/video/BV15w411Z7LG?p=5）
（test = 某个grid cell所属某个类别的概率×预测的目标边界框与真实的bounding box的重合程度。）
为什么需要NMS？
每一个grid cell用一个bounding box预测一个物体，但对于较大的物体和靠近边缘的物体可能会有多个bounding box预测同一个物体，这时候就需要NMS（Non-maximal suppression），来把低置信度的预测框过滤掉，只保留高置信度的框。
4.YOLOv1的网络结构图
（7×7×64-s-2）表示7×7的卷积核64个，stride步长为2，未标注的表示步长为1。
①.448×448 —— 224×224 ——（最大池化）112×112
448×448 —— 224×224这一步的由来？
先说一下卷积计算的公式：
一般填充P=0或P=1，则OH =（448+2×1-7）/ 2 + 1 = 222，为什么不是224？
查询源码后发现，这里默认填充的方式为SAME，则OH = H/S，向上取整，则OH = 448 / 2 = 224。
②.7×7×1024 —— 4096？
这里的转换需要以下几步：
a.transpose
不一定有，根据你的tensor通道的排序顺序决定，用来调整通道的排序。
b.flatten
进行展平处理，因为要对全连接层进行连接，所以必须要进行展平，通过一个节点个数为4096的全连接层进行全连接，得到一个4096维度的向量。
③.4096 —— 7×7×30？
先将4096通过一个节点数为1470的全连接层，最后reshape成一个7×7×30的特征向量。
如果面试官让你阐述下YOLOv1的网络结构图，可以如下说：（这样比较简短）
YOLOv1网络结构包括24层卷积层用来提取图像的特征，2层全连接层回归得到7×7×30（1+4+1+4+20）的张量。
网络结构大概如下：输入的是448×448×3通道的图像，就是RGB图像，然后用64个卷积核大小是7×7以步长为2进行卷积，然后是2×2最大池化，步长为2，然后是192个3×3卷积核进行卷积，然后再2×2最大池化，步长为2，然后后面就这样以一种级联的方式下去，最后获得一个7×7×1024维的张量，把它拉平喂到一个4096维的全连接层，输出一个4096维的向量，再把这个向量喂到一个1470维度的全连接层，输出一个1470维的向量，再把这个1470维度的向量reshape一下变成7×7×30的张量，所有预测框的坐标和类别都在这个7×7×30的张量里面。
5.YOLOv1的激活函数
YOLOv1中其最后一层使用的是线性激活函数，其他层使用的是LeakyReLU激活函数（x>0，f(x)=x；x<0，f(x)=0.1x），传统的ReLU函数是x<0时f(x)=0。
6.YOLOv1的损失函数
YOLOv1的损失函数 =
bounding box损失+confidence损失+classes损失。
YOLOv1损失函数使用的是平方和误差，是回归问题的损失函数，YOLO是把目标检测问题当成回归问题来解决的，回归问题需要预测连续的值，所以把预测的值和标签的值的差作为损失函数。但这样会带来一个问题，我们知道，一个grid cell生成2个bounding box，一张图像上肯定是目标少，非目标的多，如果都一视同仁的话，非目标的平方和误差肯定会影响目标的结果，所以需要在前面加上权重，就是加强定位误差损失，削弱不包含ground truth的预测框的confidence损失，在YOLOv1原论文中，对于负责检测物体的bounding box权重是5，不负责的权重是0.5。
（计算的主体也是误差平方和，如果面试官问到了根号下的误差平方和，你也可以讲讲，这么做是为了减少大物体边框的影响，画两个函数图像，y=x和y=根号下x）
7.YOLOv1总结
优点：
One stage，确实快。
缺点：
①对拥挤、密集型物体检测不太好；因为YOLOv1的核心理念：只有物体的中心落在了某个格子中，那个格子才会预测那个物体。但如果两个物体离的特别近，两个物体的中心都落在了同一个格子中，如何处理？且只有7×7个grid cell最多预测49个类别，这是YOLO算法的本质缺陷。
②对小物体检测不好；之后版本的YOLO采用了anchor去解决。
③没有Batch Normalize。
④分类正确但定位误差大，对于大物体还好，但对于小物体如果偏差一点都会对IOU有很大的影响，所以这是YOLOv1误差的主要来源。
⑤将所有目标都检出的正确率较低，即recall低，因为7×7个grid cell，最多只能生成98个bounding box，而同时期的Faster RCNN可以有2000个候选框，没法比。