【暑期实习】计算机视觉岗问题整理-腾讯
一边面试一边整理学习，希望自己早日上岸。
第一次面试
Q:
python解释器与伪多线程？
A:
关于Python解释器，可以参考廖雪峰这篇文章：
当我们编写Python代码时，我们得到的是一个包含Python代码的以.py为扩展名的文本文件。要运行代码，就需要Python解释器去执行.py文件。
由于整个Python语言从规范到解释器都是开源的，所以理论上，只要水平够高，任何人都可以编写Python解释器来执行Python代码（当然难度很大）。事实上，确实存在多种Python解释器。
CPython
当我们从Python官方网站下载并安装好Python 2.7后，我们就直接获得了一个官方版本的解释器：CPython。这个解释器是用C语言开发的，所以叫CPython。在命令行下运行python就是启动CPython解释器。
CPython是使用最广的Python解释器。教程的所有代码也都在CPython下执行。
IPython
IPython是基于CPython之上的一个交互式解释器，也就是说，IPython只是在交互方式上有所增强，但是执行Python代码的功能和CPython是完全一样的。好比很多国产浏览器虽然外观不同，但内核其实都是调用了IE。
CPython用>>>作为提示符，而IPython用In [序号]:作为提示符。
PyPy
PyPy是另一个Python解释器，它的目标是执行速度。PyPy采用JIT技术，对Python代码进行动态编译（注意不是解释），所以可以显著提高Python代码的执行速度。
绝大部分Python代码都可以在PyPy下运行，但是PyPy和CPython有一些是不同的，这就导致相同的Python代码在两种解释器下执行可能会有不同的结果。如果你的代码要放到PyPy下执行，就需要了解PyPy和CPython的不同点。
Jython
Jython是运行在Java平台上的Python解释器，可以直接把Python代码编译成Java字节码执行。
IronPython
IronPython和Jython类似，只不过IronPython是运行在微软.Net平台上的Python解释器，可以直接把Python代码编译成.Net的字节码。
小结
Python的解释器很多，但使用最广泛的还是CPython。如果要和Java或.Net平台交互，最好的办法不是用Jython或IronPython，而是通过网络调用来交互，确保各程序之间的独立性。
本教程的所有代码只确保在CPython 2.7版本下运行。请务必在本地安装CPython（也就是从Python官方网站下载的安装程序）。
关于python的伪多线程可以参考这篇文章
在于 GIL ，在 Cpython 解释器（Python语言的主流解释器）中，有一把全局解释锁（Global Interpreter Lock）。在解释器解释执行 Python 代码时，先要得到这把锁，意味着，任何时候只可能有一个线程在执行代码，其它线程要想获得 CPU执行代码指令，就必须先获得这把锁，如果锁被其它线程占用了，那么该线程就只能等待**，直到占有该锁的线程释放锁才有执行代码指令的可能。
Q：
池化层的作用是什么?
A:
-
invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)
-
保留主要的特征同时减少参数(降维，效果类似PCA)和计算量，防止过拟合，提高模型泛化能力
平均池化：倾向于保留突出背景特征
最大池化：倾向于保留突出纹理特征
参考：
Q:
一道算法题，类似于350. 两个数组的交集 II，但是要解决的是包括进阶问题的所有问题:
给定两个数组，编写一个函数来计算它们的交集。
示例 1:
输入: nums1 = [1,2,2,1], nums2 = [2,2]
输出: [2,2]
示例 2:
输入: nums1 = [4,9,5], nums2 = [9,4,9,8,4]
输出: [4,9]
说明：
输出结果中每个元素出现的次数，应与元素在两个数组中出现的次数一致。
我们可以不考虑输出结果的顺序。
进阶:
如果给定的数组已经排好序呢？你将如何优化你的算法？
如果 nums1 的大小比 nums2 小很多，哪种方法更优？
如果 nums2 的元素存储在磁盘上，磁盘内存是有限的，并且你不能一次加载所有的元素到内存中，你该怎么办？
A:
我回答的跟LeetCode中题解基本类似，就复制一下LeetCode当中讲述的比较条理的题解：
解法一：排序双指针
将两个数组进行排序，随后用双指针顺序查找相同的元素
时间复杂度O(max(nlogn, mlogm, n+m))，空间复杂度O(1) (n,m分别为两个数组的长度)
如果是进阶问题一中已排序的数组，则只需O(n)的时间复杂度
class Solution:
def intersect(self, nums1: [int], nums2: [int]) -> [int]:
nums1.sort()
nums2.sort()
r = []
left, right = 0, 0
while left < len(nums1) and right < len(nums2):
if nums1[left] < nums2[right]:
left += 1
elif nums1[left] == nums2[right]:
r.append(nums1[left])
left += 1
right += 1
else:
right += 1
return r
解法二: 哈希计数
将较小的数组哈希计数，随后在另一个数组中根据哈希来寻找。
时间复杂度\(O(max(n, m))\) 空间复杂度\(O(min(n, m))\)
适用于进阶问题二
解法三：通过归并外排将两个数组排序后再使用排序双指针查找
对应进阶问题三，如果内存十分小，不足以将数组全部载入内存，那么必然也不能使用哈希这类费空间的算法，只能选用空间复杂度最小的算法，即解法一。
但是解法一中需要改造，一般说排序算法都是针对于内部排序，一旦涉及到跟磁盘打交道（外部排序），则需要特殊的考虑。归并排序是天然适合外部排序的算法，可以将分割后的子数组写到单个文件中，归并时将小文件合并为更大的文件。当两个数组均排序完成生成两个大文件后，即可使用双指针遍历两个文件，如此可以使空间复杂度最低。
Q：
给定一个已按照升序排列 的有序数组，找到两个数使得它们相加之和等于目标数。
函数应该返回这两个下标值 index1 和 index2，其中 index1 必须小于 index2。
说明:
返回的下标值（index1 和 index2）不是从零开始的。
你可以假设每个输入只对应唯一的答案，而且你不可以重复使用相同的元素。
示例:
输入: numbers = [2, 7, 11, 15], target = 9
输出: [1,2]
解释: 2 与 7 之和等于目标数 9 。因此 index1 = 1, index2 = 2 。
A：
这个解答主要是关注如何用空间复杂度为\(O(1)\)与时间复杂度为\(O(n)\)的方法解决。
我们可以使用 两数之和 的解法在$ O(n^2)$ 时间 \(O(1)\) 空间暴力解决，也可以用哈希表在 \(O(n)\) 时间和$ O(n)$空间内解决。然而，这两种方法都没有用到输入数组已经排序的性质，我们可以做得更好。
我们使用两个指针，初始分别位于第一个元素和最后一个元素位置，比较这两个元素之和与目标值的大小。如果和等于目标值，我们发现了这个唯一解。如果比目标值小，我们将较小元素指针增加一。如果比目标值大，我们将较大指针减小一。移动指针后重复上述比较知道找到答案。
假设 \([... , a, b, c, ... , d, e, f, …]\)是已经升序排列的输入数组，并且元素 b, eb,e 是唯一解。因为我们从左到右移动较小指针，从右到左移动较大指针，总有某个时刻存在一个指针移动到 \(b\) 或 \(e\) 的位置。不妨假设小指针县移动到了元素\(b\) ，这是两个元素的和一定比目标值大，根据我们的算法，我们会向左移动较大指针直至获得结果。
class Solution {
public:
vector<int> twoSum(vector<int>& numbers, int target) {
int low = 0, high = numbers.size() - 1;
while (low < high) {
int sum = numbers[low] + numbers[high];
if (sum == target)
return {low + 1, high + 1};
else if (sum < target)
++low;
else
--high;
}
return {-1, -1};
}
};
是否需要考虑 \(numbers[low] + numbers[high]\) 溢出呢？答案是不需要。因为即使两个元素之和溢出了，因为只存在唯一解，所以一定会先访问到答案。
复杂度分析
时间复杂度：\(O(n)\)。每个元素最多被访问一次，共有 nn 个元素。
空间复杂度：\(O(1)\)。只是用了两个指针。
Q：
DeepFM的相关知识
A：
聊到DeepFM是因为之前做的论文用到了一些类似的方法，也算是殊道同归，主要是一些特征的维度提升等等。具体的可以参考一下知乎的介绍：
另外就是因为这个组是和推荐挂钩一些的，附上一些推荐系统快速入门的一些链接：
第二次面试
没有coding，只有聊论文和项目。
第三次面试
同样没有coding，也是聊论文和项目。
HR面试
大概介绍了一下部门目前所做的一些研究方向，聊了一下实习相关的事宜。基本上offer的发放也会在三天左右完成。
总结
总体来说，腾讯的面试体验超级棒，基本上面试官都会和你的简历、项目、论文聊得很深，有一些很周到的建议也会提供给你。几次面试的间隔也很人性化，会提前短信邮件通知你下次面试，不像某宝直接打电话来面试，一点准备都没有。不得不说，这四次的面试真的很愉快。
文章转载请注明出处，喜欢文章的话请我喝一杯咖啡吧！在右边赞助里面哦！谢谢！ NoMornings.
