实习面试复习

商汤-上海 IRDC-算法开发实习生

根据面经复习

手写Conv2d

BN,LN/LSTM/GRU/Transformer一些基础

手写conv2d

def corr2d(X, K):
    n, m = X.shape
    h, w = K.shape
    Y = torch.zeros((n - h + 1, m - w + 1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            Y[i, j] = (X[i:i + h, j:j + w] * K).sum()
    return Y

class Conv2D(nn.module):
    def __init__(self, kernel_size):
        self.weight = nn.Parameter(torch.rand(kernel_size))
        self.bias = nn.Parameter(torch.zeros(1))
    def forword(self, x):
        return corr2d(x, self.weight) + self.bias

BN，batchNorm，批归一化

独立同分布假设：假设训练数据和测试数据是满足相同分布的。
如果输入层数据不做归一化，很多时候网络不会收敛。

每一层经过运算之后，前面层训练参数的更新将导致后面层输入数据分布的变化。并且后面的层会将网络前几层微小的改变累积放大。会导致两个后果：

1. 数值区别不大
2. 导数很小，反向传播力度很小，网络难以收敛

LSTM, 长短期记忆网络

• 忘记门
• 输入门
• 输出门

GRU，门控循环单元

• 重置门
• 更新门

---

2022-11-22 一面

1. 自我介绍
2. 手写代码，判断两个方阵整体经过旋转后是否能完全一致
3. 项目。问了问创新点在哪，职责是什么，有没有跑过实验。
4. pytorch上的多机多卡并行，单机多卡并行，数据并行，模型并行具体都是什么
5. 反问

---

2022-11-23 二面

1. 自我介绍

2. 问项目。问的很详细。除了项目本身

   1. 一个GAN相关的，问了对比其他方法有什么好处，劣势。为什么选择GAN
   2. 异常分割相关，做一个综述。

3. 算法题伪代码。完全背包最小方案数

小米-武汉 视觉图像算法工程师实习生

根据面经复习：https://www.nowcoder.com/discuss/post/398861072390778880

1. 逐个介绍项目，问的很详细

2. 从公式的角度说明一下L2损失为什么会平滑

3. 解决模型过拟合的方法

4. 为什么L1正则化可以缓解过拟合

5. 代码

（1）快排

（2）手写卷积

正则项

L0,L1,L2 —— 简书

L1稀疏，L2平滑

为什么L1稀疏，L2平滑

L1为什么可以缓解过拟合

L1范数是指向量中各个元素绝对值之和。

参数值大小和模型复杂度是成正比的。越复杂的模型，越是会尝试对所有的样本进行拟合，甚至包括一些异常样本点，这就容易造成在较小的区间里预测值产生较大的波动，这种较大的波动也反映了在这个区间里的导数很大，较大的参数值才能产生较大的导数。这就容易产生过拟合。

因此复杂的模型，其L1范数就大，最终导致损失函数就大。最小化损失函数就是对参数值的大小进行限制。

解决过拟合的办法

1. 数据增广
2. dropout
3. 正则化 权值衰减weight decay
4. 提前停止

代码

快排

void qsort(int q[], int l, int r)
{
    if (l >= r) return ;
    int i = l - 1, j = r + 1, x = q[l + r >> 1];
    while (i < j)
    {
        do i ++; while (q[i] < x);
        do j --; while (q[j] > x);
        if (i < j) swap(q[i], q[j]);
    }
    qsort(q, l, j);
    qsort(q, j + 1, r);
}

卷积

def corr(X, K):
    h, w = k.shape
    H, W = X.shape
    Y = torch.zeros((H - h + 1, W - w + 1))
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            Y[i, j] = (X[i:i+h, j:j+w] * K).sum()
    return Y

class Covn2d(nn.module):
    def __init__(self, kernel_size):
        self.weight = nn.Parameter(torch.rand(kernel_size))
        self.bias = nn.Parameter(torch.zeros(1))
    def forword(self, x):
        return corr(x, self.weight) + self.bias