10本電子書放文末，自取~

1、二分類的分類損失函數(shù)？

二分類的分類損失函數(shù)一般采用交叉熵（Cross Entropy）損失函數(shù)，即CE損失函數(shù)。二分類問題的CE損失函數(shù)可以寫成：

其中，y是真實(shí)標(biāo)簽，p是預(yù)測(cè)標(biāo)簽，取值為0或1。

2、多分類的分類損失函數(shù)(Softmax)？

多分類的分類損失函數(shù)采用Softmax交叉熵（Softmax Cross Entropy）損失函數(shù)。Softmax函數(shù)可以將輸出值歸一化為概率分布，用于多分類問題的輸出層。Softmax交叉熵?fù)p失函數(shù)可以寫成：

其中，n是類別數(shù)，yi是第i類的真實(shí)標(biāo)簽，pi是第i類的預(yù)測(cè)概率。

3、關(guān)于梯度下降的sgdm,adagrad，介紹一下。

SGD（Stochastic Gradient Descent）是最基礎(chǔ)的梯度下降算法，每次迭代隨機(jī)選取一個(gè)樣本計(jì)算梯度并更新模型參數(shù)。SGDM（Stochastic Gradient Descent with Momentum）在SGD的基礎(chǔ)上增加了動(dòng)量項(xiàng)，可以加速收斂。Adagrad（Adaptive Gradient）是一種自適應(yīng)學(xué)習(xí)率的梯度下降算法，它根據(jù)每個(gè)參數(shù)的梯度歷史信息調(diào)整學(xué)習(xí)率，可以更好地適應(yīng)不同參數(shù)的變化范圍。

4、為什么不用MSE分類用交叉熵？

MSE（Mean Squared Error）損失函數(shù)對(duì)離群點(diǎn)敏感，而交叉熵（Cross Entropy）損失函數(shù)在分類問題中表現(xiàn)更好，因?yàn)樗芨玫乜坍嫹诸惾蝿?wù)中標(biāo)簽概率分布與模型輸出概率分布之間的差異。

5、yolov5相比于之前增加的特性有哪些？

YOLOv5相比于之前版本增加了一些特性，包括：使用CSP（Cross Stage Partial）架構(gòu)加速模型訓(xùn)練和推理；采用Swish激活函數(shù)代替ReLU；引入多尺度訓(xùn)練和測(cè)試，以提高目標(biāo)檢測(cè)的精度和召回率；引入AutoML技術(shù)，自動(dòng)調(diào)整超參數(shù)以優(yōu)化模型性能。

6、可以介紹一下attention機(jī)制嗎？

Attention機(jī)制是一種用于序列建模的技術(shù)，它可以自適應(yīng)地對(duì)序列中的不同部分賦予不同的權(quán)重，以實(shí)現(xiàn)更好的特征表示。在Attention機(jī)制中，通過計(jì)算查詢向量與一組鍵值對(duì)之間的相似度，來確定每個(gè)鍵值對(duì)的權(quán)重，最終通過加權(quán)平均的方式得到Attention向量。

7、關(guān)于attention機(jī)制，三個(gè)矩陣KQ,KV,K..的作用是什么？

在Attention機(jī)制中，KQV是一組與序列中每個(gè)元素對(duì)應(yīng)的三個(gè)矩陣，其中K和V分別代表鍵和值，用于計(jì)算對(duì)應(yīng)元素的權(quán)重，Q代表查詢向量，用于確定權(quán)重分配的方式。三個(gè)矩陣K、Q、V在Attention機(jī)制中的具體作用如下：

K（Key）矩陣：K矩陣用于計(jì)算每個(gè)元素的權(quán)重，是一個(gè)與輸入序列相同大小的矩陣。通過計(jì)算查詢向量Q與每個(gè)元素的相似度，確定每個(gè)元素在加權(quán)平均中所占的比例。

Q（Query）向量：Q向量是用來確定權(quán)重分配方式的向量，與輸入序列中的每個(gè)元素都有一個(gè)對(duì)應(yīng)的相似度，可以看作是一個(gè)加權(quán)的向量。

V（Value）矩陣：V矩陣是與輸入序列相同大小的矩陣，用于給每個(gè)元素賦予一個(gè)對(duì)應(yīng)的特征向量。在Attention機(jī)制中，加權(quán)平均后的向量就是V矩陣的加權(quán)平均向量。

通過K、Q、V三個(gè)矩陣的計(jì)算，Attention機(jī)制可以自適應(yīng)地為輸入序列中的每個(gè)元素分配一個(gè)權(quán)重，以實(shí)現(xiàn)更好的特征表示。

8、介紹一下文本檢測(cè)EAST。

EAST（Efficient and Accurate Scene Text）是一種用于文本檢測(cè)的神經(jīng)網(wǎng)絡(luò)模型。EAST通過以文本行為單位直接預(yù)測(cè)文本的位置、方向和尺度，避免了傳統(tǒng)方法中需要多次檢測(cè)和合并的過程，從而提高了文本檢測(cè)的速度和精度。EAST采用了一種新的訓(xùn)練方式，即以真實(shí)文本行作為訓(xùn)練樣本，以減少模型對(duì)背景噪聲的干擾，并在測(cè)試階段通過非極大值抑制（NMS）算法進(jìn)行文本框的合并。

9、編程題(講思路)：給定兩個(gè)字符串s,t，在s字符串中找到包含t字符串的最小字串。

給定兩個(gè)字符串s、t，可以采用滑動(dòng)窗口的方式在s中找到包含t的最小子串。具體做法如下：

（1）定義兩個(gè)指針left和right，分別指向滑動(dòng)窗口的左右邊界。

（2）先移動(dòng)right指針，擴(kuò)展滑動(dòng)窗口，直到包含了t中的所有字符。

（3）移動(dòng)left指針，縮小滑動(dòng)窗口，直到無法再包含t中的所有字符。

（4）記錄當(dāng)前滑動(dòng)窗口的長度，如果小于之前記錄的長度，則更新最小長度和最小子串。

（5）重復(fù)（2）到（4）步驟，直到right指針到達(dá)s的末尾為止。

看完本篇如果對(duì)你有用請(qǐng)三連，你的支持是我持續(xù)輸出的動(dòng)力，感謝，筆芯~

↓ ↓ ↓以下10本書電子版免費(fèi)領(lǐng)，直接送 ，想要哪本私我下說聲，我發(fā)你↓ ↓ ↓

以上8本+《2022年Q3最新大廠面試題》+《2022年Q4最新大廠面試題》電子書，部分截圖如下：