科大訊飛CV算法工程師崗位面試題分享
七妹在文末給大家整理了近百個國內(nèi)外經(jīng)典的開源數(shù)據(jù)集，包含了NLP、圖像分割、圖像分類、推薦系統(tǒng)、金融、交通等方向。如果點贊和點在看的人數(shù)較多，后續(xù)七妹會繼續(xù)整理資料并分享給大家。
問題1：Pytorch和Tensorflow的區(qū)別？
圖創(chuàng)建
創(chuàng)建和運行計算圖可能是兩個框架最不同的地方。
在pyTorch中，圖結(jié)構(gòu)是動態(tài)的，這意味著圖在運行時構(gòu)建。
而在TensorFlow中，圖結(jié)構(gòu)是靜態(tài)的，這意味著圖先被“編譯”然后再運行。
pyTorch中簡單的圖結(jié)構(gòu)更容易理解，更重要的是，還更容易調(diào)試。調(diào)試pyTorch代碼就像調(diào)試Python代碼一樣。你可以使用pdb并在任何地方設(shè)置斷點。
調(diào)試tensorFlow代碼可不容易。要么得從會話請求要檢查的變量，要么學(xué)會使用tensorFlow的調(diào)試器。
靈活性
pytorch：動態(tài)計算圖，數(shù)據(jù)參數(shù)在CPU與GPU之間遷移十分靈活，調(diào)試簡便；
tensorflow：靜態(tài)計算圖，數(shù)據(jù)參數(shù)在CPU與GPU之間遷移麻煩，調(diào)試麻煩。
設(shè)備管理
pytorch：需要明確啟用的設(shè)備
tensorflow：不需要手動調(diào)整，簡單
?
問題2：leetcode爬樓梯（dp,遞歸等方法）
遞歸解法：
動態(tài)規(guī)劃解法：
問題3：torch.eval()的作用
對BN的影響：
對于BN，訓(xùn)練時通常采用mini-batch，所以每一批中的mean和std大致是相同的；而測試階段往往是單個圖像的輸入，不存在mini-batch的概念。
所以將model改為eval模式后，BN的參數(shù)固定，并采用之前訓(xùn)練好的全局的mean和std；總結(jié)就是使用全局固定的BN。
對dropout的影響：
訓(xùn)練階段，隱含層神經(jīng)元先乘概率P，再進行激活；而測試階段，神經(jīng)元先激活，每個隱含層神經(jīng)元的輸出再乘概率P，總結(jié)來說就是順序不同！
?
問題4：PCA是什么？實現(xiàn)過程是什么，意義是什么？
主成分分析 (PCA, principal component analysis)是一種數(shù)學(xué)降維方法, 利用正交變換 (orthogonal transformation)把一系列可能線性相關(guān)的變量轉(zhuǎn)換為一組線性不相關(guān)的新變量，也稱為主成分，從而利用新變量在更小的維度下展示數(shù)據(jù)的特征。
實現(xiàn)過程：
一種是基于特征值分解協(xié)方差矩陣實現(xiàn)PCA算法，一種是基于SVD分解協(xié)方差矩陣實現(xiàn)PCA算法。
意義：
使得數(shù)據(jù)集更易使用；降低算法的計算開銷；去除噪聲；使得結(jié)果容易理解。
?
問題5：簡述K-means.
K-means算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。
假設(shè)要把樣本集分為k個類別，算法描述如下：
（1）適當(dāng)選擇k個類的初始中心，最初一般為隨機選??；
（2）在每次迭代中，對任意一個樣本，分別求其到k個中心的歐式距離，將該樣本歸到距離最短的中心所在的類；
（3）利用均值方法更新該k個類的中心的值；
（4）對于所有的k個聚類中心，重復(fù)（2）（3），類的中心值的移動距離滿足一定條件時，則迭代結(jié)束，完成分類。Kmeans聚類算法原理簡單，效果也依賴于k值和類中初始點的選擇。
— 免費資源?—
數(shù)據(jù)在人工智能中占據(jù)著非常重要的地位，一個高質(zhì)量的數(shù)據(jù)集往往能夠提高模型訓(xùn)練的質(zhì)量和預(yù)測的準確率。
七妹給大家整理了近百個國內(nèi)外經(jīng)典的開源數(shù)據(jù)集，包含了NLP、圖像分割、圖像分類、推薦系統(tǒng)、金融、交通等方向。如果點贊和點在看的人數(shù)較多，后續(xù)七妹會繼續(xù)整理資料并分享給大家。
↓↓ 部分數(shù)據(jù)集展示?↓↓
(以上是部分數(shù)據(jù)集，限于篇幅，完整版及鏈接掃碼免費領(lǐng))
掃碼回復(fù)“數(shù)據(jù)集” ??領(lǐng)取完整版數(shù)據(jù)集??
戳↓↓“閱讀原文”領(lǐng)取面試資料！