來源：投稿 作者：LSC
編輯：學(xué)姐

基礎(chǔ)題

1.介紹自己，課內(nèi)情況，能實(shí)習(xí)多長等。

2.介紹自己做過的兩個項(xiàng)目。

3.介紹圖像分類的知識。

我講了AlexNet、VggNet、ResNet、DenseNet、EffiencientNet等，以及里面用到的tricks

AlexNet:

• (1)使用GPU訓(xùn)練，

• (2) 使用了數(shù)據(jù)增強(qiáng)

• (3) 使用了LRN(BN的前身，也是標(biāo)準(zhǔn)化的一種)

• (4) 使用了Dropout

VggNet網(wǎng)絡(luò)深度更加大，進(jìn)一步擴(kuò)展，用2個33的卷積核代替了55的卷積核。

ResNet的殘差結(jié)構(gòu)，使得網(wǎng)絡(luò)深度可以進(jìn)一步加深。

InceptionNet使用了并行分支的方法，將不同尺度的特征信息進(jìn)行融合，提取更多有效的特征，減少信息損失。

DenseNet將所有特征連接起來，盡可能做到特征信息的不浪費(fèi)。

EfficientNet在網(wǎng)絡(luò)深度、寬度、分辨率3個維度對模型進(jìn)行強(qiáng)化。

4.介紹一下BN(批標(biāo)準(zhǔn)化)，BN是在哪個維度進(jìn)行的

BN對當(dāng)前batch數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后，再進(jìn)行線性映射，訓(xùn)練scale與shift參數(shù)。是在batch這個維度上對每個批次的數(shù)據(jù)進(jìn)行求均值、方差并標(biāo)準(zhǔn)化。

5.介紹一下Dropout

隨機(jī)失活，讓神經(jīng)元或者網(wǎng)絡(luò)層以一定的概率在每輪訓(xùn)練中不參與訓(xùn)練。

6.Dropout是怎么實(shí)現(xiàn)神經(jīng)元失活的

每個神經(jīng)元或者網(wǎng)絡(luò)層以一定的概率不參與訓(xùn)練，也就是讓其輸出為0。

7.為什么Dropout可以減少過擬合

這個問題我回答的不好，面試結(jié)束后查閱了一些資料。

在較大程度上減小了網(wǎng)絡(luò)的大?。?/strong> 在這個“殘缺”的網(wǎng)絡(luò)中，讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)中的局部特征（即部分分布式特征），但這些特征也足以進(jìn)行輸出正確的結(jié)果。

每次訓(xùn)練隨機(jī)dropout掉不同的隱藏神經(jīng)元，網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)不同，這就類似在訓(xùn)練不同的網(wǎng)絡(luò)，整個dropout過程就相當(dāng)于對很多個不同的神經(jīng)網(wǎng)絡(luò)取平均。而不同的網(wǎng)絡(luò)產(chǎn)生不同的過擬合，一些互為“反向”的擬合相互抵消就可以達(dá)到整體上減少過擬合。

減少神經(jīng)元之間共適應(yīng)關(guān)系： 因?yàn)閐ropout導(dǎo)致兩個神經(jīng)元不一定每次都在一個網(wǎng)絡(luò)中出現(xiàn)，這樣權(quán)值的更新不再依賴于有固定關(guān)系的隱含節(jié)點(diǎn)的共同作用，阻止了某些特征僅僅在其它特定特征下才有效果的情況，迫使網(wǎng)絡(luò)去學(xué)習(xí)更加魯棒的特征。

8.為什么BN可以減少過擬合

這個問題我也回答的不好，后續(xù)查閱了一些資料，網(wǎng)上說BN不能防止過擬合。

BN的核心思想不是為了防止梯度消失或者是防止過擬合，其核心思想是通過系統(tǒng)參數(shù)搜索空間進(jìn)行約束來增加系統(tǒng)魯棒性，這種約束壓縮了搜索空間，約束也改善了系統(tǒng)的結(jié)構(gòu)合理性，這會帶來一些列的性能改善，比如加速收斂、保證梯度、緩解過擬合等等。

9.介紹一下目標(biāo)檢測

我講了RCNN系列和Yolo系列。主要詳細(xì)講了Yolo系列，從v1到v5，講了好多，資料可以上網(wǎng)詳查。

推薦以下知乎文章: https://zhuanlan.zhihu.com/p/143747206 https://zhuanlan.zhihu.com/p/172121380 https://zhuanlan.zhihu.com/p/183261974 https://zhuanlan.zhihu.com/p/183781646 https://zhuanlan.zhihu.com/p/186014243 https://zhuanlan.zhihu.com/p/483446554 https://zhuanlan.zhihu.com/p/485059645

10.如果神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中只能調(diào)整兩個參數(shù)，會選擇調(diào)整哪兩個?

batch_size和learning_rate

11.神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中是不是必須使用激活函數(shù)，可以不用嗎？常用的激活函數(shù)有哪些？

必須使用。不使用的話就神經(jīng)網(wǎng)絡(luò)本質(zhì)上就等價于線性關(guān)系式，只有使用激活函數(shù)神經(jīng)網(wǎng)絡(luò)才能無限逼近于任何函數(shù)。sigmoid、tanh、relu、leaky relu、logistic函數(shù)等。

場景題

(1) 怎么做一個上班門禁的人臉識別模型，需要什么數(shù)據(jù)，假設(shè)這個公司30個人，可以滿足你提出的任何條件。

答：需要這30人每個人的人臉數(shù)據(jù)，在不同的條件、環(huán)境下的包含人臉正臉的照片，包含了各種不同條件比如光照不同、角度不同、背景不同等。每人需要拍10萬張左右。

(2) 對數(shù)據(jù)怎么處理

1. 進(jìn)行標(biāo)注，劃分每張照片屬于的類別，對應(yīng)哪個員工，后續(xù)分類

2. 摳圖，對圖像中的人臉畫框，因?yàn)橐獧z測人臉

3. 按照一定的比例劃分訓(xùn)練集和測試集，我們?nèi)? : 2

4. 使用目標(biāo)檢測模型進(jìn)行對人臉檢測，把目標(biāo)框的人臉摳出來后續(xù)進(jìn)行分類

5. 讀取數(shù)據(jù)，使用數(shù)據(jù)增強(qiáng)等操作，選取合適的模型進(jìn)行分類訓(xùn)練

6. 使用合適的指標(biāo)評判模型效果，這里采用準(zhǔn)確率，查看準(zhǔn)確率，達(dá)到99%以上才停止優(yōu)化。否則繼續(xù)調(diào)整參數(shù)、收集更多的人臉數(shù)據(jù)等。

(3) 如果不是公司的人進(jìn)來，怎么識別，需要什么數(shù)據(jù)

收集公司的30個人以外的其他人的人臉圖像，每個人1-5張即可，盡可能多收集多個人的人臉圖像，多建立一個類別作為第31類進(jìn)行分類。

(4) 假如沒有標(biāo)簽數(shù)據(jù)，怎么設(shè)置損失函數(shù)最合適，使得同一個人的人臉圖像相差盡可能小，不是同一個人的人臉圖像相差盡可能大？

簡化問題，把員工A的兩張照片a1,a2的特征提取出來，為va1,va2, 員工B的兩張照片b1,b2的特征提取出來，為vb1, vb2，寫出其損失函數(shù)。

我寫了一下，大概是這樣的:

d(x, y)表示特征張量x和y的距離，為了使loss滿足條件，所以d(va1, va2)和d(vb1, vb2)要盡可能小，其余的值盡可能大，所以取大一些，比如令，的絕對值取小一些，而且要為負(fù)數(shù)，因?yàn)閘oss是要減小的，比如令。

如有更好的解決方案可以評論區(qū)交流~

最近找工作的同學(xué)快關(guān)注【學(xué)姐帶你玩AI】公眾號