CV算法岗知识点及面试问答汇总，主要分为计算机视觉、机器学习、图像处理和 C++

# CV_interviews_Q-A > 不试着去找找实习，不试着被面试官毒打下，都意识不到自己基础的薄弱，很多东西被问到只知道个大概，再深挖一下为什么就支支吾吾答不上来了。深感CV算法岗竞争之激烈，从来都是狭路相逢勇者胜，借找工作的机会好好整理下所学的知识，希望现在好好准备还来时不晚，一起努力向offers发起冲击吧！ 本仓库汇总CV算法岗重要的一些知识点和面试问答，主要分为**计算机视觉、机器学习、图像处理和、C++基础** 四大块，每一块都有几十个问题，每个问题都会努力给出详细完整的解答，帮助你理清这些知识点细节。 为了刺激下大家的神经，激发斗志，在往下看之前可以先看看这篇经验分享：[算法岗必须人手一篇顶会？超详细面经：无论文、无实习拿下腾讯CV算法岗](https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=2247494712&idx=1&sn=2c906e0c4062955adb8bf4bbda7cb1a8&chksm=ec1c01c1db6b88d7e1f4b8ff2b2f084d1e7961ffdcb29c9de03328cb9c2a14fe68522b7b0c2f&mpshare=1&scene=1&srcid=&sharer_sharetime=1588779616413&sharer_shareid=40621009b5a320f1873da9d6e9a820a7#rd)。创建本仓库的灵感也就是来源于此文，感谢大佬的分享～ ## 食用方法 **另外添加转换过的 PDF 版，如果直接下载 md 文件显示不了一些图片或者公式的话，可以匹配 PDF 版学习。**－－2020.08.14 github上直接看的话很多公式和图片看不了，**请 clone 到本地然后下载安装Typora查看**，Typora 是一款支持实时预览的 Markdown 文本编辑器。它有 OS X、Windows、Linux 三个平台的版本，完全免费，体验非常好，推荐你使用。 知识不是看几遍就会的，好记性不如烂笔头，最好看了我们的总结后，你也自己敲出一个适合你的版本，或删减或添加或修改为适合你的表达方式，这样会大大提升学习的效果。 另外知识点琐碎繁杂，及时复习也很重要，这里再推荐个APP，叫**Anki**，需要的请自行了解！ **需要声明的一点是**：本文是作为个人学习总结的，我们不生产知识，只是知识的搬运工，主要做的工作是知识整合与逻辑梳理，参考了很多大神的博客及文章资料(文章中会注明参考的资料，感谢这些作者的贡献)，当然也会有自己的思考，不喜勿喷，如有错误，恳请指正！ **最后如果该项目对你有帮助，请不吝给个Star，给个鼓励，也让更多人看到！** ## 合作 如果你有意一起把这个项目完成好，也可以向我们 **Pull requests** （表格中有记录是否完成，你可以随便挑其中未完成的一个来总结，当然表格中没有的问题，但你觉得很重要，也可以自己想问题然后给出答案），欢迎你加入！！！－－2020.05.18 ## 知识点问题清单 这里列出各大块的问题清单，按照顺序对应于各文件夹下的md文件。 ### 计算机视觉 | 序号 | 是否完成 | 问题描述 | | :--: | :------: | :----------------------------------------------------------: | | 1 | | 自己项目有关模型的相关问题如：项目整体流程、网络结构、 论文的实验是怎么做的、<br />你的贡献是什么、创新点在哪里、遇到哪些问题是怎么解决的 | | 2 | 是 | 过拟合和欠拟合的表现及解决方法 | | 3 | 是 | 代码实现卷及操作 | | 4 | 是 | BN层的深入理解及代码实现　(补充先加BN还是激活函数的区别、反向传播与求导) <br />另外还要着重分析下GN与BN相比的优势 | | 5 | 是 | NMS的工作机制及代码实现(要继续补充soft NMS) | | 6 | 是 | 三种常见的激活函数 | | 7 | 是 | ReLU函数在0处不可导，为什么还能用 | | 8 | 是 | Pooling层的作用以及如何进行反向传播 | | 9 | 是 | 为什么输入网络前要对图像做归一化 | | 10 | 是 | 理清深度学习优化函数发展脉络(添加随机梯度下降和梯度下降的区别) | | 11 | 是 | 详解深度学习中的梯度消失、爆炸原因及其解决方法 | | 12 | | 训练不收敛的原因有哪些 | | 13 | | 为什么max pooling 要更常用？什么场景下 average pooling 比 max pooling 更合适 | | 14 | 是 | CNN 在图像上表现好的原因 | | 16 | | 卷积层和全连接层相比有哪些好处 | | 17 | | 网络中常用的损失函数汇总 | | 18 | | 有哪些修改、调试模型的经验分享 | | 19 | | 目标检测评价指标mAP的计算 | | 20 | | 实例分割中的评价指标 | | 21 | 是 | 手推反向传播公式BP | | 22 | 是 | 各层 FLOPs 和参数量 paras 的计算 | | 23 | 是 | 感受野怎么计算 | | 24 | 是 | CV中的卷积操作是互相关还是卷积 | | 25 | | batch size 和 learning rate 的关系(怎么调整和平衡二者) | | 26 | | 类别不均衡问题怎么解决 | | 27 | | 迁移学习都有哪些方式，怎么在网络训练中使用 | | 28 | | 权重初始化方法有哪些 | | 29 | | 计算机视觉中的注意力机制 | | 30 | | onehot 编码可能会遇到的问题 | | 31 | | 分类问题有哪些评价指标？每种的适用场景 | | 32 | 是 | 为什么要用 F1 score | | 33 | | L1 正则化与 L2 正则化的区别 | | 34 | 是 | 简述CNN分类网络的演变脉络及各自的贡献与特点 | | 35 | | 解释 ResNet 流行的原因 | | 36 | | Inception v1-v4的区别与改进 | | 37 | | 模型加速方法：MobileNet、ShuffleNet知道吗 | | 38 | 待补充 | 了解全卷积网络FCN 和 UNet | | 39 | | two stage目标检测网络的发展脉络及各自的贡献与特点（尤其注意损失函数） | | 40 | 是 | 解释 ROI Pooling 和 ROI Align 的区别 | | 41 | 是 | CascadeRCNN的原理，本质解决了什么问题 | | 42 | | 介绍下 FPN 网络 | | 43 | | one stage目标检测网络 YOLO 和 SSD 网络结构及优缺点（尤其注意损失函数） | | 44 | 是 | concat 和 add 的区别 | | 45 | | 了解模型剪枝和模型压缩的概念 | | 46 | 是 | 简单了解循环神经网络 RNN & LSTM | | 47 | | 简单了解生成式对抗网络 GAN | | 48 | 是 | 各种卷积方式串讲