計(jì)算機(jī)基礎(chǔ)與手撕代碼篇！準(zhǔn)算法工程師總結(jié)出的超強(qiáng)面經(jīng)（含答案）

• 深度學(xué)習(xí)三十問！一位算法工程師經(jīng)歷30+場CV面試后總結(jié)的常見問題合集（含答案）

• 深度學(xué)習(xí)六十問！一位算法工程師經(jīng)歷30+場CV面試后總結(jié)的常見問題合集下篇（含答案）

• 一位算法工程師從30+場秋招面試中總結(jié)出的超強(qiáng)面經(jīng)—語義分割篇（含答案）

• 一位算法工程師從30+場秋招面試中總結(jié)出的超強(qiáng)面經(jīng)——目標(biāo)檢測篇（含答案）

• 圖像處理知多少？準(zhǔn)大廠算法工程師30+場秋招后總結(jié)的面經(jīng)問題詳解

• 一位算法工程師從30+場秋招面試中總結(jié)出的超強(qiáng)面經(jīng)—文本檢測與GAN篇（含答案）

• 準(zhǔn)算法工程師從30+場秋招中總結(jié)出的超強(qiáng)面經(jīng)—C、Python與算法篇篇（含答案）

操作系統(tǒng)

1.線程和進(jìn)程的區(qū)別？

進(jìn)程： 是執(zhí)行中一段程序，即一旦程序被載入到內(nèi)存中并準(zhǔn)備執(zhí)行，它就是一個(gè)進(jìn)程。進(jìn)程是表示資源分配的基本概念，又是調(diào)度運(yùn)行的基本單位，是系統(tǒng)中的并發(fā)執(zhí)行的單位。

進(jìn)程是程序的一次執(zhí)行過程，是一個(gè)動態(tài)概念，是程序在執(zhí)行過程中分配和管理資源的基本單位，每一個(gè)進(jìn)程都有一個(gè)自己的地址空間，至少有 5 種基本狀態(tài)，它們是：初始態(tài)，執(zhí)行態(tài)，等待狀態(tài)，就緒狀態(tài)，終止?fàn)顟B(tài)。

線程：單個(gè)進(jìn)程中執(zhí)行中每個(gè)任務(wù)就是一個(gè)線程。線程是進(jìn)程中執(zhí)行運(yùn)算的最小單位。

線程是CPU調(diào)度和分派的基本單位，它可與同屬一個(gè)進(jìn)程的其他的線程共享進(jìn)程所擁有的全部資源。

一個(gè)線程只能屬于一個(gè)進(jìn)程，但是一個(gè)進(jìn)程可以擁有多個(gè)線程。多線程處理就是允許一個(gè)進(jìn)程中在同一時(shí)刻執(zhí)行多個(gè)任務(wù)。

相同點(diǎn)：進(jìn)程和線程都有ID/寄存器組、狀態(tài)和優(yōu)先權(quán)、信息塊，創(chuàng)建后都可更改自己的屬性，都可與父進(jìn)程共享資源、都不能直接訪問其他無關(guān)進(jìn)程或線程的資源。

聯(lián)系：線程是進(jìn)程的一部分，一個(gè)線程只能屬于一個(gè)進(jìn)程，而一個(gè)進(jìn)程可以有多個(gè)線程，但至少有一個(gè)線程。

區(qū)別： 1.一個(gè)程序至少有一個(gè)進(jìn)程,一個(gè)進(jìn)程至少有一個(gè)線程2. 線程的劃分尺度小于進(jìn)程，使得多線程程序的并發(fā)性高3. 另外，進(jìn)程在執(zhí)行過程中擁有獨(dú)立的內(nèi)存單元，而多個(gè)線程共享內(nèi)存，從而極大地提高了程序的運(yùn)行效率4. 線程在執(zhí)行過程中與進(jìn)程還是有區(qū)別的。每個(gè)獨(dú)立的線程有一個(gè)程序運(yùn)行的入口、順序執(zhí)行序列和程序的出口。但是線程不能夠獨(dú)立執(zhí)行，必須依存在應(yīng)用程序中，由應(yīng)用程序提供多個(gè)線程執(zhí)行控制 5. 從邏輯角度來看，多線程的意義在于一個(gè)應(yīng)用程序中，有多個(gè)執(zhí)行部分可以同時(shí)執(zhí)行。但操作系統(tǒng)并沒有將多個(gè)線程看做多個(gè)獨(dú)立的應(yīng)用，來實(shí)現(xiàn)進(jìn)程的調(diào)度和管理以及資源分配。這就是進(jìn)程和線程的重要區(qū)別。

什么時(shí)候用線程什么時(shí)候進(jìn)程

進(jìn)程與線程的選擇取決以下幾點(diǎn)：①需要頻繁創(chuàng)建銷毀的優(yōu)先使用線程；因?yàn)閷M(jìn)程來說創(chuàng)建和銷毀一個(gè)進(jìn)程代價(jià)是很大的。②線程的切換速度快，所以在需要大量計(jì)算，切換頻繁時(shí)用線程，還有耗時(shí)的操作使用線程可提高應(yīng)用程序的響應(yīng)。③因?yàn)閷PU系統(tǒng)的效率使用上線程更占優(yōu)，所以可能要發(fā)展到多機(jī)分布的用進(jìn)程，多核分布用線程。④并行操作時(shí)使用線程，如C/S架構(gòu)的服務(wù)器端并發(fā)線程響應(yīng)用戶的請求。⑤需要更穩(wěn)定安全時(shí)，適合選擇進(jìn)程；需要速度時(shí)，選擇線程更好。

2.線程有哪些狀態(tài)

5種基本狀態(tài)，它們是：初始態(tài)，執(zhí)行態(tài)，等待狀態(tài)，就緒狀態(tài)，終止?fàn)顟B(tài)。

3.那進(jìn)程間通信的方式？線程可以通信嗎？

進(jìn)程間通信（IPC，InterProcess Communication）是指在不同進(jìn)程之間傳播或交換信息。IPC的方式通常有管道（包括無名管道和命名管道）、消息隊(duì)列、信號量、共享存儲、Socket、Streams等。其中 Socket和Streams支持不同主機(jī)上的兩個(gè)進(jìn)程IPC。

線程通信常用的方式有:wait/notify 等待、Volatile 內(nèi)存共享、CountDownLatch 并發(fā)工具、CyclicBarrier 并發(fā)工具

4.多線程多進(jìn)程

5.阻塞與非阻塞

同步：所謂同步，就是在發(fā)出一個(gè)功能調(diào)用時(shí)，在沒有得到結(jié)果之前，該調(diào)用就不返回。也就是必須一件一件事做,等前一件做完了才能做下一件事。

例如普通B/S模式（同步）：提交請求->等待服務(wù)器處理->處理完畢返回 這個(gè)期間客戶端瀏覽器不能干任何事

異步：異步的概念和同步相對。當(dāng)一個(gè)異步過程調(diào)用發(fā)出后，調(diào)用者不能立刻得到結(jié)果。實(shí)際處理這個(gè)調(diào)用的部件在完成后，通過狀態(tài)、通知和回調(diào)來通知調(diào)用者。

例如 ajax請求（異步）: 請求通過事件觸發(fā)->服務(wù)器處理（這是瀏覽器仍然可以作其他事情）->處理完畢

阻塞：阻塞調(diào)用是指調(diào)用結(jié)果返回之前，當(dāng)前線程會被掛起（線程進(jìn)入非可執(zhí)行狀態(tài)，在這個(gè)狀態(tài)下，cpu不會給線程分配時(shí)間片，即線程暫停運(yùn)行）。函數(shù)只有在得到結(jié)果之后才會返回。

有人也許會把阻塞調(diào)用和同步調(diào)用等同起來，實(shí)際上他是不同的。對于同步調(diào)用來說，很多時(shí)候當(dāng)前線程還是激活的，只是從邏輯上當(dāng)前函數(shù)沒有返回,它還會搶占cpu去執(zhí)行其他邏輯，也會主動檢測io是否準(zhǔn)備好。

非阻塞：非阻塞和阻塞的概念相對應(yīng)，指在不能立刻得到結(jié)果之前，該函數(shù)不會阻塞當(dāng)前線程，而會立刻返回。

再簡單點(diǎn)理解就是：

1. 同步，就是我調(diào)用一個(gè)功能，該功能沒有結(jié)束前，我死等結(jié)果。

2. 異步，就是我調(diào)用一個(gè)功能，不需要知道該功能結(jié)果，該功能有結(jié)果后通知我（回調(diào)通知）

3. 阻塞，就是調(diào)用我（函數(shù)），我（函數(shù)）沒有接收完數(shù)據(jù)或者沒有得到結(jié)果之前，我不會返回。

4. 非阻塞，就是調(diào)用我（函數(shù)），我（函數(shù)）立即返回，通過select通知調(diào)用者

6. 五種IO模型

1)阻塞I/O（blocking I/O）

2)非阻塞I/O （nonblocking I/O）

3. I/O復(fù)用(select 和poll) （I/O multiplexing）

4)信號驅(qū)動I/O （signal driven I/O (SIGIO)）

5)異步I/O （asynchronous I/O (the POSIX aio_functions)）

LINUX

1.Linux的一些常用命令

①重啟reboot

②關(guān)機(jī)poweroff、shutdown -h now

③查看本機(jī)ip信息的名稱ifconfig

④vi和vim編輯器

一般模式，插入模式，底行模式

一般模式(通過按iaoIAO鍵)-->插入模式   插入模式(按Esc鍵)--> 一般模式

一般模式（通過按:鍵）-->底行模式   底行模式(按Esc鍵)--> 一般模式

底行模式中，wq = write quit 寫入并退出

wq! 如果有不能保存退出的情況可以使用wq! ! 強(qiáng)制退出

q! = quit !強(qiáng)制 不寫入強(qiáng)制退出

⑤  查看目錄下的內(nèi)容

ls = list

語法：

ls [目錄名稱]

實(shí)例：

ls 查看當(dāng)前目錄下的所有內(nèi)容

ls /etc 查看etc目錄下的所有內(nèi)容（絕對路徑）

目錄下的所有文件

ls spring/ 當(dāng)前目錄下存在spring可以使用相對路徑查看

ls spring/springmvc

-a 查看目錄下所有的文件，包括隱藏文件

-l 以長格式顯示目錄下的所有文件（顯示文件或者目錄的詳細(xì)信息）

ls -l 可以簡化為 ll

-t 按更新時(shí)間倒敘排序顯示目錄下的內(nèi)容

ls -a /etc

ls -l /etc

ls -l -t /etc  等同于 ls -lt /etc

⑥切換目錄  cd = change directory

⑦刪除文件  rm =remove

2. Linux中g(shù)rep命令詳解

Linux系統(tǒng)中g(shù)rep命令是一種強(qiáng)大的文本搜索工具，它能使用正則表達(dá)式搜索文本，并把匹 配的行打印出來。grep全稱是Global Regular Expression Print，表示全局正則表達(dá)式版本，它的使用權(quán)限是所有用戶。

grep [options]

主要參數(shù)：grep --help可查看

-c：只輸出匹配行的計(jì)數(shù)。

-i：不區(qū)分大小寫。

-h：查詢多文件時(shí)不顯示文件名。

-l：查詢多文件時(shí)只輸出包含匹配字符的文件名。

-n：顯示匹配行及 行號。

-s：不顯示不存在或無匹配文本的錯(cuò)誤信息。

-v：顯示不包含匹配文本的所有行。

--color=auto ：可以將找到的關(guān)鍵詞部分加上顏色的顯示。

3.按時(shí)間順序打印出文件列表，按文件大小打印文件列表

ls

按大小排序：[root@localhost ~]# ls -Sh

#按時(shí)間排序:[root@localhost ~]# ls -rt

4.Linux如何查看某進(jìn)程關(guān)聯(lián)的相關(guān)文件有哪些？

lsof命令是什么？可以列出被進(jìn)程所打開的文件的信息。

5.Linux啟動的過程

Linux系統(tǒng)的啟動過程并不是大家想象中的那么復(fù)雜，其過程可以分為5個(gè)階段：

內(nèi)核的引導(dǎo)。運(yùn)行 init。系統(tǒng)初始化。建立終端 。用戶登錄系統(tǒng)。linux如何查看進(jìn)程

6.linux查看線程用哪個(gè)命令

1.使用top命令，具體用法是 top –H  加上這個(gè)選項(xiàng)，top的每一行就不是顯示一個(gè)進(jìn)程，而是一個(gè)線程。

2.使用ps命令，具體用法是 ps –xH

這樣可以查看所有存在的線程，也可以使用grep作進(jìn)一步的過濾。

3.使用ps命令，具體用法是 ps -mq PID 這樣可以看到指定的進(jìn)程產(chǎn)生的線程數(shù)目。

手撕代碼篇

1.計(jì)算卷積網(wǎng)絡(luò)輸出尺寸

卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算公式為：N=(W-F+2P)/S+1 其中N：輸出大小

W：輸入大小 F：卷積核大小 P：填充值的大小 S：步長大小

2. NMS

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
import numpy as npdef py_cpu_nms(dets, thresh):    """Pure Python NMS baseline."""    x1 = dets[:, 0]    y1 = dets[:, 1]    x2 = dets[:, 2]    y2 = dets[:, 3]    scores = dets[:, 4]    areas = (x2 - x1 + 1) * (y2 - y1 + 1)    order = scores.argsort()[::-1]  #[::-1]表示降序排序，輸出為其對應(yīng)序號    keep = []                     #需要保留的bounding box    while order.size > 0:        i = order[0]              #取置信度最大的（即第一個(gè)）框        keep.append(i)            #將其作為保留的框        #以下計(jì)算置信度最大的框（order[0]）與其它所有的框（order[1:]，即第二到最后一個(gè)）框的IOU，以下都是以向量形式表示和計(jì)算        xx1 = np.maximum(x1[i], x1[order[1:]]) #計(jì)算xmin的max,即overlap的xmin        yy1 = np.maximum(y1[i], y1[order[1:]]) #計(jì)算ymin的max,即overlap的ymin        xx2 = np.minimum(x2[i], x2[order[1:]]) #計(jì)算xmax的min,即overlap的xmax        yy2 = np.minimum(y2[i], y2[order[1:]]) #計(jì)算ymax的min,即overlap的ymax        w = np.maximum(0.0, xx2 - xx1 + 1)      #計(jì)算overlap的width        h = np.maximum(0.0, yy2 - yy1 + 1)      #計(jì)算overlap的hight        inter = w * h                           #計(jì)算overlap的面積        ovr = inter / (areas[i] + areas[order[1:]] - inter) #計(jì)算并，-inter是因?yàn)榻患糠旨恿藘纱巍?/span>        inds = np.where(ovr <= thresh)[0]#本輪，order僅保留IOU不大于閾值的下標(biāo)        order = order[inds + 1]                    #刪除IOU大于閾值的框return keep
    

3.手寫計(jì)算IOU代碼

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
def IOU(x1,y1,X1,Y1, x2,y2,X2,Y2):    xx = max(x1,x2)    XX = min(X1,X2)    yy = max(y1,y2)    YY = min(Y1,Y2)    m = max(0., XX-xx)    n = max(0., YY-yy)    Jiao = m*n    Bing = (X1-x1)*(Y1-y1)+(X2-x2)*(Y2-y2)-Jiaoreturn Jiao/Bing
def bb_intersection_over_union(boxA, boxB):    boxA = [int(x) for x in boxA]    boxB = [int(x) for x in boxB]    xA = max(boxA[0], boxB[0])    yA = max(boxA[1], boxB[1])    xB = min(boxA[2], boxB[2])    yB = min(boxA[3], boxB[3])    interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1)    boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1)    boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1)    iou = interArea / float(boxAArea + boxBArea - interArea)return iou
    

4.手撕SoftNMS

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
import numpy as npdef soft_nms(dets, sigma=0.5, Nt=0.5, method=2, threshold=0.1):    box_len = len(dets)   # box的個(gè)數(shù)    for i in range(box_len):        tmpx1, tmpy1, tmpx2, tmpy2, ts = dets[i, 0], dets[i, 1], dets[i, 2], dets[i, 3], dets[i, 4]        max_pos = i        max_scores = ts        # get max box        pos = i+1        while pos < box_len:            if max_scores < dets[pos, 4]:                max_scores = dets[pos, 4]                max_pos = pos            pos += 1        # add max box as a detection        dets[i, :] = dets[max_pos, :]        # swap ith box with position of max box        dets[max_pos, 0] = tmpx1        dets[max_pos, 1] = tmpy1        dets[max_pos, 2] = tmpx2        dets[max_pos, 3] = tmpy2        dets[max_pos, 4] = ts        # 將置信度最高的 box 賦給臨時(shí)變量        tmpx1, tmpy1, tmpx2, tmpy2, ts = dets[i, 0], dets[i, 1], dets[i, 2], dets[i, 3], dets[i, 4]        pos = i+1        # NMS iterations, note that box_len changes if detection boxes fall below threshold        while pos < box_len:            x1, y1, x2, y2 = dets[pos, 0], dets[pos, 1], dets[pos, 2], dets[pos, 3]            area = (x2 - x1 + 1)*(y2 - y1 + 1)            iw = (min(tmpx2, x2) - max(tmpx1, x1) + 1)            ih = (min(tmpy2, y2) - max(tmpy1, y1) + 1)            if iw > 0 and ih > 0:                overlaps = iw * ih                ious = overlaps / ((tmpx2 - tmpx1 + 1) * (tmpy2 - tmpy1 + 1) + area - overlaps)                if method == 1:    # 線性                    if ious > Nt:                        weight = 1 - ious                    else:                        weight = 1                elif method == 2:  # gaussian                    weight = np.exp(-(ious**2) / sigma)                else:              # original NMS                    if ious > Nt:                        weight = 0                    else:                        weight = 1                # 賦予該box新的置信度                dets[pos, 4] = weight * dets[pos, 4]                # 如果box得分低于閾值thresh，則通過與最后一個(gè)框交換來丟棄該框                if dets[pos, 4] < threshold:                    dets[pos, 0] = dets[box_len-1, 0]                    dets[pos, 1] = dets[box_len-1, 1]                    dets[pos, 2] = dets[box_len-1, 2]                    dets[pos, 3] = dets[box_len-1, 3]                    dets[pos, 4] = dets[box_len-1, 4]                    box_len = box_len-1                    pos = pos-1            pos += 1    keep = [i for i in range(box_len)]    return keepif __name__ == '__main__':    dets = [[0, 0, 100, 101, 0.9], [5, 6, 90, 110, 0.7], [17, 19, 80, 120, 0.8], [10, 8, 115, 105, 0.5]]    dets = np.array(dets)    result = soft_nms(dets, 0.5)    print(result)
    

5.手寫k-means

    

     

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

      

     
     
import pandas as pdimport numpy as npimport random as ranimport matplotlib.pyplot as pltfrom mpl_toolkits import mplot3d # from sklearn.cluster import KMeans def model_test():    data = open_file("C:\\Users\\happy\\Desktop\\Iris1.csv")    dataset = np.delete(data,-1,axis=1) #去掉最后一列    k_means = KMeans(n_clusters=3) #構(gòu)建模型    k_means.fit(dataset)    km4_labels = k_means.labels_    ax = plt.subplot(projection='3d')    ax.scatter(dataset[:,0],dataset[:,1],dataset[:,2],\               c=km4_labels.astype(np.float))    ax.set_zlabel('Z')  # 坐標(biāo)軸    ax.set_ylabel('Y')    ax.set_xlabel('X')    plt.show()
    

6.寫python set的基本操作

集合常用的兩個(gè)場景是：1.去重（如：列表去重）；2.關(guān)系測試（如：取交集、取并集、取差集等）

7.寫一個(gè)交叉熵?fù)p失函數(shù)

交叉熵?fù)p失函數(shù)：實(shí)際輸出（概率）與期望輸出（概率）的距離，也就是交叉熵的值越小，兩個(gè)概率分布就越接近。

    

     

      

      

      

      

      

      

      

     
     
def cross_entropy(a,y):    return np.sum(np.nan_to_num(-y*np.log(a)-(1-y)*np.log(1-a)))#tensorflow版loss = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
#numpy版loss = np.mean(-np.sum(y_*np.log(y),axis=1))
    

8. Softmax函數(shù)

Softmax 函數(shù)：將激活值與所有神經(jīng)元的輸出值聯(lián)系在一起，所有神經(jīng)元的激活值加起來為1。第L層（最后一層）的第j個(gè)神經(jīng)元的激活輸出為：

    

     

      

      

      

      

     
     
def softmax(x):    shift_x = x - np.max(x)#防止輸入增大時(shí)輸出為nan    exp_x = np.exp(shift_x)    return exp_x / np.sum(exp_x)
    

9.手推BN公式

上面的公式中m指的是mini-batch size。

源碼實(shí)現(xiàn)

    

     

      

      

      

      

     
     
m = K.mean(X, axis=-1, keepdims=True)#計(jì)算均值std = K.std(X, axis=-1, keepdims=True)#計(jì)算標(biāo)準(zhǔn)差X_normed = (X - m)/(std + self.epsilon)#歸一化out = self.gamma * X_normed + self.beta#重構(gòu)變換
    

10.Python打開一個(gè)文件，找出某個(gè)字符串最快的方法

python 字符串查找有4個(gè)方法，1 find, 2 index方法，3 rfind方法,4 rindex方法。

11.寫一下混淆矩陣、精確率和召回率的公式

準(zhǔn)確度(Accuracy) = (TP+TN) / (TP+TN+FN+TN)

精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)

召回(recall, 或者敏感度，sensitivity，真陽性率，TPR，True Positive Rate) = TP / (TP + FN)

F1-值(F1-score) = 2TP / (2TP+FP+FN)

12.要求畫出LSTM的結(jié)構(gòu)圖（寫了cell state，hidden state，以及門結(jié)構(gòu)和信號傳遞過程）

參考鏈接

https://blog.csdn.net/u013348164/article/details/53730056

https://blog.csdn.net/A_snail/article/details/1491790

https://blog.csdn.net/weixin_42205987/article/details/82972767

https://blog.csdn.net/weixin_46539107/article/details/108847694

https://blog.csdn.net/jacke121/article/details/82756797

https://blog.csdn.net/zhangliaobet/article/details/99699675

https://blog.csdn.net/weixin_42077852/article/details/89061825

如果覺得有用，就請分享到朋友圈吧！