對應崗位為：基礎研究或影象相關崗位，題目來源自同學們的彙總。。
一部分是我自行總結的，所以也不一定正確，歡迎捉蟲。

每個問題都不停止的追問自己為什麼，因為在面試中面試官肯定會不停的追問的。

–2017.9.7

之所以現在才發，是因為之前曾經有面試官照著我這篇東西問我（因為寫了部落格地址），而現在，完全沒在怕的~
提供的回答僅供參考，不一定對。存在一些沒有提供參考回答的，純粹因為我懶了 。。
以及沒有概括到的阿里、滴滴、華為啥的我沒面試的崗位就寫的不細，不過根據打聽的情況，都是差不多的。
當然了，這個領域日新月異的，加上我比較關注生成式任務，肯定會有其他概括不到的地方，見諒見諒。
找工作運氣也很重要，不要因為一時打擊就灰心哦。
–2018.1.30

理論部分

深度學習

1. （通甲優博實習面試）視覺計算任務有哪些，你怎麼分類
   我把任務分為畫素級別、目標級別、理解級別。

   1. 畫素級別的任務一般是傳統的影象處理任務，他們不需要用到影象的語義資訊，或者最多用到底層特徵（比如影象的邊緣、紋理），這些任務有影象增強、傳統的影象復原（如去噪、去模糊）、傳統的影象分割（比如基於種子生長的方法）、影象加密等。
   2. 目標級別的任務需要用到語義資訊，所以提取的特徵是高層特徵，CNN作為優良的特徵提取器在這個級別的任務上能夠大展拳腳，比如目標定位、識別、檢測，以及用到語義特徵的分割和大量的影象生成。
   3. 理解級別的任務不僅描述圖象中的目標，還要解釋他們之間的聯絡，比如一些“看圖說話“的影象翻譯任務。

2. CNN的特點以及優勢
   CNN使用範圍是具有區域性空間相關性的資料，比如影象，自然語言，語音

   1. 區域性連線：可以提取區域性特徵。
   2. 權值共享：減少引數數量，因此降低訓練難度（空間、時間消耗都少了）。
      可以完全共享，也可以區域性共享（比如對人臉，眼睛鼻子嘴由於位置和樣式相對固定，可以用和臉部不一樣的卷積核）
   3. 降維：通過池化或卷積stride實現。
   4. 多層次結構：將低層次的區域性特徵組合成為較高層次的特徵。不同層級的特徵可以對應不同任務。
3. （17網易校招筆試）推導backward
4. 這些層如何backword計算：
   
   1. conv：
   2. pooling：
   3. deconv：
5. （17yy校招面試）解釋deconv的作用：
6. （美圖面試）解釋BN（寫出公式）以及實現機制：
   
7. （美圖面試）解釋dropout以及實現機制：
8. （美圖面試）深度學習中有什麼加快收斂/降低訓練難度的方法：
   
   1. 瓶頸結構
   2. 殘差
   3. 學習率、步長、動量
   4. 優化方法
   5. 預訓練
9. （美圖面試，yy面試）什麼造成過擬合，如何防止過擬合：
   
   1. data agumentation
   2. early stop
   3. 引數規則化
   4. 用更簡單模型
   5. dropout
   6. 加噪聲
   7. 預訓練網路freeze某幾層
10. （yy面試）規則化項有什麼，各有什麼樣的效果，為什麼起作用
11. （騰訊筆試）為什麼梯度會消失和爆炸：
12. 深度網路啟用元的作用、分類和各自使用範圍/優劣
13. （騰訊筆試）正則化方法以及特點：
14. 損失度量：
15. （騰訊面試，yy面試）解釋softmax、logit regression、交叉熵（要回推導）：
16. 有什麼優化方法：
17. （阿里面試）解釋alpha狗：
18. 解釋resnet、優缺點以及適用範圍：
19. 解釋inception net、優缺點以及適用範圍：
20. 解釋RNN：
21. GAN的公式以及發展歷程：
    
    1. 會寫公式
    2. 知道變體
    3. 優缺點
22. （2017網易校招筆試 ）densenet結構優缺點以及應用場景
23. （2017網易校招筆試 ）dilated conv優缺點以及應用場景
24. （2017網易校招筆試 ）moblenet、shufflenet的結構

機器學習

1. （騰訊面試）有什麼降維方法：
2. 有什麼分類演算法：
3. 偏差和方差：
4. 判別模型和生成模型：
5. （騰訊面試）設計一個企鵝音樂的推薦系統：
6. （滴滴筆試）增強學習的相關內容：
7. （2017騰訊實習筆試）
   
   1. 概率論（幾個重點分佈、切比雪夫不等式、t檢驗）
   2. 線性代數（特徵值計算、行列式計算）

實踐部分

1. 你使用什麼程式設計框架，有什麼特點：
2. 使用該框架搭建一個網路並訓練的具體流程有什麼：
3. 如何解決梯度消失：
4. 如何解決梯度爆炸：
5. 如何判斷是否收斂：
6. 如何選擇優化方法：
7. 實現卷積層的backward程式設計：
8. （17yy面試）用c++/python實現讀取文字檔案（txt）行數的功能
9. （17yy面試）python中有什麼資料結構，有什麼不同
   list，tuple，dict，set
10. （17yy面試）python中range和xrange有什麼不同
11. （17yy面試）python中如何重寫一個len函式，解釋__call（）
12.

課題部分

度量

1. 重建任務的度量有哪些，給出解釋/公式：
2. 識別任務的度量有哪些：

傳統影象處理

1. 有什麼影象的銳化方法：
2. 全域性和區域性特徵提取演算法分別有：
3. 全域性和區域性特徵提取演算法有啥不同：
4. 解釋HOG：
5. 解釋sift：
6. 解釋

風格轉換

介紹該領域

影象生成

介紹該領域
解釋重建任務中的常用技巧：

影象復原

介紹該領域

影象分割

介紹該領域

目標檢測

介紹該領域