hello，大家好，我是灿视。国庆节已经快要结束了，各位该继续科研继续科研了，该秋招的小伙伴们也要继续校招啦。
昨晚也在看视频的时候，看到了一个外国的面试题视频，里面分享了五道题，这里看完之后，也一起分享给大家。
外国的5道面试题
题目出自油管，我截图出来了，他也给了部分的答案，我也一起整理了下。
- 什么是像素？ 答：像素是指图像元素。它是计算机显示图像的最小元素。对于二值图像，像素只能取0或255。在彩色图像中，它可以选择0到255之间的值按行和列排列的多个像素构成一个图像。
- 什么是迁移学习，怎么为项目挑选最为合适的模型？ 答：迁移学习是一个比较大的范畴，我们这里指的迁移学习，是使用预训练模型解决深度学习问题的艺术。迁移学习是一种机器学习技术，你可以使用一个预训练好的神经网络来解决一个问题，这个问题类似于网络最初训练用来解决的问题。例如，您可以利用构建好的用于识别狗的品种的深度学习模型来对狗和猫进行分类，而不是构建您自己的模型。这可以为您省去寻找有效的神经网络体系结构的痛苦，可以为你节省花在训练上的时间，并可以保证有良好的结果。也就是说，你可以花很长时间来制作一个50层的CNN来完美地区分你的猫和狗，或者你可以简单地使用许多预训练好的图像分类模型。
目前主要用预训练模型主要有三种方式： (1). 重新训练fc层，保留前面的权重。 (2). 复制预训练网络的架构，当我们有大量的数据要训练时，我们会采用这种方法，但它与训练前的模型所训练的数据并不十分相似。 (3). 冻结一些层并训练其他层。我们可以选择冻结一个预训练模型的初始k层，只训练最顶层的n-k层。
那么如何选择预训练模型来进行模型训练，主要也需要参考任务本身以及数据量的大小。主要关系如图所示：
3. 水平边缘与垂直边缘的检测算子 这里主要是指的图像梯度的问题。对于学过高数的我们来说，其微分就是求函数的变化率，即导数（梯度），那么对于图像来说，也可以用微分来表示图像灰度的变化率。
图像是一个二维函数
，其微分当然就是偏微分。因此有：
因为图像是一个离散的二维函数，
不能无限小，我们的图像是按照像素来离散的，最小的
就是1像素。因此，上面的图像微分又变成了如下的形式（
=1）：
这分别是图像在
点处
方向和
方向上的梯度，从上面的表达式可以看出来，图像的梯度相当于
个相邻像素之间的差值。
因此，垂直跟水平的算子设计，就如下图所示了：
直观来看下，经过算子计算后的结果如图：
4. Yolov3与SSD的区别
关于Yolo系列的面试题，可以参考我们之前整理的文章：
1. 网易面试原题｜简述Yolo系列网络的发展史
2. Yolo发展史(v4/v5的创新点汇总！)
关于SSD，这里可以参考 https://zhuanlan.zhihu.com/p/43459011 这篇文章～
5. 1*1卷积是什么？
1*1卷积过滤器 和正常的过滤器一样，唯一不同的是它的大小是1*1，没有考虑在前一层局部信息之间的关系。最早出现在 Network In Network的论文中 ，使用1*1卷积是想加深加宽网络结构 ，在Inception网络（ Going Deeper with Convolutions ）中用来降维，如下图：
1*1卷积的主要作用有以下几点:
(1). 降维(当然，也可以升维) (2). 跨通道信息交互（channal 的变换）(3). 增加非线性特性
- END -
复旦全日制在读博士，94年已婚有娃的前bt算法工程师。双非材料本科出身，零基础跨专业考研到985cs专业。欢迎各位关注我～
