图森未来-感知算法面经（深度学习）（方向不同）

点击上方“AI算法与图像处理”，选择加"星标"或“置顶”重磅干货，每天 8:25 送达作者：过若干年后https://www.nowcoder.com/discuss/2...

图森未来全栈实习生面试总结 总体经历了3面，都是电话面，前两面是技术面主要是技术问答和共享编辑器手撸算法题。第三面是主管面主要是基础知识以及实习意向的问答。最终成功拿到了offer。 后序细节有空再补。 ...

​ 注：深度学习同机器学习相似，注重原理理解、算法对比及多场景实战，同时知识迭代更加迅速，相对于机器学习更加前沿。以下试题为作者日常整理的通用高频面经，包含题目，答案与参考文章，欢迎纠正与补充。 _ _ _ _ 目录 1.反向传播主要思想及推导 2.简要概述HMM、CRF、EM、GMM 3.衡量分类器好坏指标 4.正负样本不平衡的解决办法 5.常用激活函数 6.Te...

SLAM秋招面经（大疆、华为、海康、图森、小马智行、地平线、momenta） 前段时间一直没更新博客，因为论文、实习、秋招一系列事情都非常忙，如今秋招接近尾声，稍有空闲，所以来写一个面经，希望大家能收益。 一、大疆 整体来说，大疆面试官的水平还是非常高的。一面项目技术，二面工程，三面价值观、综合能力。 一面（50min） 你实习做了些什么？ 谈了谈自己的项目相关 ORBSLAM的哪个部分最耗时？...

在自动驾驶场景中，3D车道检测和拓扑推理是至关重要的任务，不仅需要检测车道线上的准确3D坐标，还需要推理车道与交通元素之间的关系。目前的基于视觉的方法，无论是否明确构建BEV特征，都在3D空间中建立车道锚点/查询，而忽略了2D车道先验。在本研究中，我们提出了Topo2D，一个基于Transformer的新颖框架，利用2D车道实例来初始化3D查询和3D位置嵌入。此外，我们明确地将2D车道特征融入车道中心线之间以及车道中心线与交通元素之间的拓扑关系识别中。

一面:过 （70min） 面试图森之前查了一下牛客，这家公司真的是**(难! 难 ! 难!)**,事后还和hr进行了吐槽，不过毕竟融资了这么多，也确实应该问难点。 1.问了RRC，说这么老的论文，你怎么还看？问我是怎么实现的，为什么效果比较好？ 我当时忘了这个是什么时候的论文了。他说，17年4月份的，我吓了一跳，这都能记住，吓得我直接切屏去查了查论文的发...

详细介绍了深度学习算法面试问题与答案，在关于卷积神经网络可能问到的相关题目，如结构、如何搭建、经典CNN分类、卷积层参数、池化参数、卷积核、空洞卷积等等，希望能帮助到大家！

1 神经网络深度学习是算法工程师面试必定绕不开的一个话题，有关于他的面试题目和知识点层出不穷，所以这里依靠一些经验结合自己的面试经历，总结出下面的深度学习面试点，其中共有8个章节，目前更新章节3、4；RNN与LSTM网络

比亚迪 感知算法方向 算法工程师 base深圳 面经分享

文章目录1. 深度学习基础1.1 为什么需要做特征归一化、标准化？1.2 常用的归一化和标准化的方法有哪些？1.3 空洞卷积1.3.1 空洞卷积的作用1.3.2. 空洞卷积如何利用多尺度信息1.3.3 空洞卷积感受野计算1.3.4 潜在的问题及解决方法1.3.5 空洞卷积的替代2. 图像分类模型3.目标检测 参考链接 https://blog.csdn.net/qq_39056987/article/details/112157031?utm_medium=distribute.pc_relevant.no

注意力是很稀缺的，万物将注意力聚集在所获得信息的一部分上（通过感官获得的信息很多，将有限的注意力集中在少部分有用的信息上有利于资源分配而进行各种生命活动）。注意力提示有自主性和非自住性提示。非自主性提示是基于环境中物体的突出性和易见性：如黑白色物体中一个鲜艳颜色的物体；在喝完咖啡后注意力在意志的推动下注意力聚集在黑白色书本上，这就是属于自主性提示的辅助。在注意力机制的背景下，自主性提示被称为查询（query）。给定任何查询，注意力机制通过注意力汇聚。

文章目录41 不平衡数据是否会影响神经网络的分类效果？41 无监督降维提供的是帮助还是摧毁？42 是否可以将任何非线性作为激活函数?43 批大小如何影响测试正确率？44 初始化如何影响训练?45 不同层的权重是否以不同的速度收敛？46 正则化如何影响权重？47 多标签loss48 多标签分类的准确率49 数据类不平衡50 欠拟合和过拟合 41 不平衡数据是否会影响神经网络的分类效果？ 当数据集不平衡时（如一个类的样本比另一个类还多），那么神经网络可能就无法学会如何区分这些类。在这个实验中，我们探讨这一情况是

文章目录特征工程为什么需要做特征归一化、标准化？常用的归一化和标准化的方法有哪些？模型评估欠拟合、过拟合及如何防止过拟合 陆续更新。。。 特征工程 为什么需要做特征归一化、标准化？ 参考链接 多维情况下可以分解成多个维度上分别下降，参数W为向量，但学习率只有1个，即所有参数维度共用同一个学习率（暂不考虑为每个维度都分配单独学习率的算法）。收敛意味着在每个参数维度上都取得极小值，每个参数维度上的偏导数都为0，但是每个参数维度上的下降速度是不同的，为了每个维度上都能收敛，学习率应取所有维度在当前位置合适步长

Q1. 交叉熵公式 交叉熵主要用于度量两个概率分布间的差异性信息。 将交叉熵引入计算语言学消岐领域，采用语句的真实语义作为交叉熵的训练集的先验信息，将机器翻译的语义作为测试集后验信息。计算两者的交叉熵，并以交叉熵指导对歧义的辨识和消除。 在信息论中，交叉熵是表示两个概率分布p,q，其中p表示真实分布，q表示非真实分布，在相同的一组事件中，其中，用非真实分布q来表示某个事件发生所需要的平均比特数。从...