面试的岗位大部分是计算机视觉算法工程师，少部分算法优化、部署岗。总的来说，大部分公司的技术面试都分为这几个部分：项目描述和细节提问、深度学习+目标检测算法、数据结构和算法代码及编程语言相关。下面是我面试当中问到的一些问题。
一，项目主要是描述项目背景、项目实现的功能及使用的方法和流程，面试官会针对他感兴趣的点问一些技术细节，基本上只要能把项目流利的描述出来就问题不大。
二，深度学习、模型部署2.1，目标检测相关1，两阶段检测网络（Faster RCNN 系列）和一阶段检测网络（YOLO 系列）有什么区别？以及为什么两阶段比一阶段精度高？
双阶段网络算法更精细，把任务分成了正负样本分类、bbox 初次回归以及类别分类和 bbox 二次回归。而 YOLO 算法更简单粗暴，使用 backbone 对输入图像提取特征后，将特征图划分成 S×SS\times SS×S 的网格，物体的中心坐标落在哪个网络内，该网格（grid）就负责预测目标的置信度、类别和 bbox；YOLOv2-v5 通过 1×11 \times 11×1 卷积输出特定通道数的特征图来，特征图有 N 个通道，对应的每个 grid 都会有 N 个值，分别对应置信度、类别和 bbox 坐标。个人感觉这种问题不好回答，也没有标准答案，可能会出现你答的点不是面试官想要的。
可参考 你一定从未看过如此通俗易懂的YOLO系列(从v1到v5)模型解读 (上) 和 一文读懂Faster RCNN 文章，理解典型的双阶段检测网络和单阶段检测网络。
2，说说你对 Focal Loss 的理解，为什么能解决分类问题中的类别不平衡问题？
作者认为一阶段检测网络的精度不高的原因主要在于：极度不平衡的正负样本比例，从而导致梯度（gradient）被容易样本（easy example）的损失主导。
作者通过 Focal Loss 公式让置信度高（即容易样本）的样本的损失衰减的更厉害，从而降低容易样本的 Loss 权重，从而让模型在后期尽量去学习那些 hard 的样本。
3，如何在模型训练的时候判断是否过拟合，及模型过拟合问题如何解决？
将训练数据划分为训练集和验证集，80% 用于训练集，20% 用于验证集（训练集和验证集一定不能相交）；训练的时候每隔一定 Epoch 比较验证集但指标和训练集是否一致，如果不一致，并且验证集指标变差了，即意味着过拟合。
数据增强, 增加数据多样性;正则化策略：如 Parameter Norm Penalties (参数范数惩罚), L1, L2 正则化;模型融合, 比如 Bagging 和其他集成方法;添加 BN（batch normalization）层或者 dropout 层（现在基本不用）;Early Stopping (提前终止训练)。4，如何在模型训练的时候判断是否欠拟合，及模型欠拟合问题如何解决？
underfitting 欠拟合的表现就是模型不收敛，即训练过程中验证集的指标比较差，Loss 不收敛。欠拟合的原因有很多种，这里以神经网络拟合能力不足问题给出以下参考解决方法：
寻找最优的权重初始化方案：如 He 正态分布初始化 he_normal，深度学习框架都内置了很多权重初始化方法；使用适当的激活函数：卷积层的输出使用的激活函数一般为 ReLu，循环神经网络中的循环层使用的激活函数一般为 tanh，或者 ReLu；选择合适的优化器和学习速率：SGD 优化器速度慢但是会达到最优.5，描述以下 YOLOv3 算法及 YOLOv4、YOLOv5 的改进点，及为什么 CIoU Loss 比 IoU Loss 效果好？
YOLOv3 相比前代主要的改进点如下：
Backbone 从 DarkNet19 升级为 DarkNet53。添加了类似 FPN 的多尺度检测网络，解决小目标检测精度低的问题。分类预测使用多标签进行类别分类，不再使用 softmax 函数。每个 ground truth 对象只分配一个边界框。6，描述下 RoI Pooling 过程和作用，以及 RoI Align 的改进点。
参考这篇文章 Understanding Region of Interest — (RoI Align and RoI Warp)
7，YOLOv3 的标签编码解码过程，以及正负样本采样策略。
和 YOLOv2 一样，YOLOv3 依然使用 K-means 聚类的方法来挑选 anchor boxes 作为边界框预测的先验框。每个边界框都会预测 444 个偏移坐标 (tx,ty,tw,th)(t_x,t_y,t_w,t_h)(tx,ty,tw,th)。假设 (cx,cy)(c_x, c_y)(cx,cy) 为 grid 的左上角坐标，pwp_wpw、php_hph 是先验框（anchors）的宽度与高度，那么网络预测值和边界框真实位置的关系如下所示：
假设某一层的 feature map 的大小为 13×1313 \times 1313×13， 那么 grid cell 就有 13×1313 \times 1313×13 个，则第 nnn 行第 nnn 列的 grid cell 的坐标 (xx,cy)(x_x, c_y)(xx,cy) 就是 (n−1,n)(n-1,n)(n−1,n)。
正负样本的确定：
正样本：与 GT 的 IOU 最大的框。负样本：与 GT 的 IOU0.5 但不是最大的框。使用 txt_xtx 和 tyt_yty （而不是 bxb_xbx 和 byb_yby ）来计算损失。8，详细讲解下 Faster RCNN 和 Mask RCNN 算法过程。
参考以下两篇文章理解 Faster RCNN 和 Mask RCNN 模型:
二阶段目标检测网络-Faster RCNN论文解读二阶段目标检测网络-Mask RCNN网络理解9，最新的目标检测算法有哪些？
YOLOv4-v5、Scaled YOLOv4 和 Anchor-free 的算法：CenterNet。
10，手写 Soft NMS 和 Focal Loss。
2.2，深度学习相关1，BN 的作用及 BN 工作流程，以及训练和推理的区别？
2，普通卷积层、分组卷积、深度可分离卷积的 FLOPs 计算公式。
3，普通卷积层、分组卷积、深度可分离卷积的 MAC 计算公式。
4，详细描述下你知道的轻量级网络：MobileNetV1、ShuffleNetv1-v2。
5，何谓正则化？
通过给模型的代价函数（损失函数）添加被称为正则化项（regularizer）的惩罚，这称为将模型（学习函数为 f(x;θ)f(x; θ)f(x;θ)）正则化。正则化是一种思想（策略），给代价函数添加惩罚只是其中一种方法。
6，L2 正则化（权重衰减）原理，为什么它能防止模型过拟合？系数 λ\lambda λ 如何取值？
L2 正则化（权重衰减）是另外一种正则化技术，通过加入的正则项对参数数值进行衰减，得到更小的权值。当 λ\lambdaλ 较大时，会使得一些权重几乎衰减到零，相当于去掉了这一项特征，类似于减少特征维度。假设待正则的网络参数为 www，L2 正则化为各个元素平方和的 1/21/21/2 次方，其形式为：
L2=12λ∣∣w∣∣22L2 = \frac{1}{2}\lambda ||w||^{2}_{2}L2=21λ∣∣w∣∣22
实际使用时，一般将正则项加入目标函数，通过整体目标函数的误差反向传播，从而实现正则化影响和指导模型训练的目的。
7，L1 正则化原理，系数 λ\lambda λ 如何取值？
L1 范数: 为向量 x 各个元素绝对值之和。L1 正则化可以使权值参数稀疏，方便特征提取。
8，Pytorch 的 conv2d 函数的参数有哪些？以及模型输出大小计算公式，并解释为什么公式是这样。
9，Pytorch 的 DataLoader 原理。
10，普通卷积过程描述下。
2.3，模型部署相关1，浮点数在计算机中的表示方式？
2，描述下你知道的模型量化知识。
3，知识蒸馏原理，及温度系数如何取值？
4，通用矩阵乘（GEMM）优化算法有哪些？
二维矩阵相乘的 C++ 代码如下；
vector matrix_mul(vector A, vector B){/*二维矩阵相乘函数，时间复杂度 O(n^3)*/// vector A_T = matrix_transpose(A);assert((*A.begin()).size()==B.size()); //断言，第一个矩阵的列必须等于第二个矩阵的行int new_rows = A.size();int new_cols = (*B.begin()).size();int L = B.size();vector C(new_rows, vector(new_cols,0));for(int i=0; i