本文给大家带来的百面算法工程师是深度学习面试目录大纲，文章内总结了常见的提问问题，旨在为广大学子模拟出更贴合实际的面试问答场景。在这篇文章中，可以点击题目直达问题答案处，方便查找问题寻找答案。节约大家的时间。通过对这些问题的理解和回答，求职者可以展现出自己的深度学习目标检测领域的专业知识、解决问题的能力以及对实际应用场景的理解。同时，这也是为了帮助求职者更好地应对深度学习目标检测岗位的面试挑战，提升面试的成功率和竞争力。
总目录
百面算法工程师 | 损失函数篇
百面算法工程师 | python解释器相关【待更新】
百面算法工程师 | 零碎知识点 【待更新】
百面算法工程师 | 经典分类网络总结
百面算法工程师 | 目标检测总结
百面算法工程师 | YOLOv5面试考点原理全解析
百面算法工程师 | YOLOv8面试考点原理全解析【待更新】
百面算法工程师 | 深度学习目标检测岗位面试总结
百面算法工程师 | 分类和聚类
百面算法工程师 | Tranformer
百面算法工程师 | 卷积基础知识Conv
百面算法工程师 | 分割网路总结
百面算法工程师 | 激活函数
百面算法工程师 | 优化函数
百面算法工程师 | 深度学习基础理论
百面算法工程师 | 传统图像算法【待更新】
百面算法工程师 | 池化层
百面算法工程师 | 支持向量机
百面算法工程师 | 模型评价指标【待更新】
子目录
| 损失相关 | 1.1 Focal Loss[主要针对one stage]
1.2 DFL（YOLOv8损失函数）
1.3 IoU
1.4 GIoU
1.5 DIoU
1.6 CIoU
1.7 SIoU |
| python解释器相关【待更新】 | 2.1 Python的装饰器的作用是什么，为什么要这么做
2.2 什么是解释性语言，什么是编译性语言
2.3 python程序的执行过程
2.4 python的作用域
2.5 python的数据结构
2.6 python多线程
2.7 python多进程
2.8 Python互斥锁与死锁
2.9 Python的深拷贝与浅拷贝
2.10 hasattr() getattr() setattr() 函数使用详解
2.11 init.py 文件的作用以及意义
2.12 点积和矩阵相乘的区别 |
| 零碎知识点【待更新】 | 3.1 BN
3.2 双线性插值
3.3 为什么传统CNN的输入图片是固定大小 |
| 经典分类网络与发展 | 4.1 AlexNet
4.2 VGGNet
4.3 GoogLeNetInception
4.4 ResNet
4.5 DenseNet
4.6 MobileNet
4.7 ShuffleNet
4.8 SENet（ImageNet最后一届竞赛的冠军，提出了SE结构）
4.9 EfficientNet |
| object detect | 5.1 Single Shot MultiBox Detector（SSD）
5.2 YOLO
5.2.1 v1
5.2.2 v2
5.2.3 v3
5.2.4 v4
5.2.5 v5
5.2.6 v6
5.2.7 v7
5.2.8 v8
5.2.9 v9
5.3 NMS
5.4 深度学习目标检测岗位面试总结
5.5 Anchor
5.5.1 Anchor based
5.5.2 Anchor free
5.6 类别不均衡 |
| 分类和聚类 | 6.1 为什么正确率有时不能有效评估分类算法
6.2 什么样的分类器最好
6.3 什么是聚类，你知道哪些聚类算法
6.4 K-Means聚类算法如何调优
6.5 K-Means聚类算法如何选择初始点
6.6 K-Means聚类聚的是特征还是样本
6.7 K-Means++ |
| Transformer | 7.1 Encoder
7.2 Decoder
7.3 训练与测试阶段Decoder的输入、输出
7.4 Transformer Encoder和Decoder的区别
7.5 Transformer中的Embedding
7.6 Positional Embedding
7.7 Transformer中的Attention以及Q、K、V
7.8 Transformer中的Multi head Attention
7.9 Mask Multi head Attention |
| 卷积Conv | 8.1 图像卷积过程
8.2 卷积层基本参数
8.3 卷积后图像的长和宽大小的计算方式
8.4 卷积神经网络中的权重共享
8.5 上采样中的反卷积
8.6 空洞卷积
8.7 深度可分离卷积
8.8 为什么可分离卷积中Depthwise卷积后还要进行pointwise卷积
8.9 分组卷积 Group Conv
8.10 1x1卷积作用
8.11 卷积的底层实现/加速技巧
8.12 卷积神经网络的特点
8.13 卷积的memory，params，GFLOPs计算方法 |
| 分割网络 | 9.1 语义分割
9.2 实例分割
9.3 为什么传统CNN的输入图片是固定大小
9.4 FCN
9.5 SegNet
9.6 使用池化层进行上采样的优势
9.7 UNet
9.8 PSPNet
9.9 DeepLab v1 v2 v3
9.9.1 v1
9.9.2 v2
9.9.3 DeepLab v3
9.10 Mask R-CNN
9.11 RoIAlign |
| 激活函数 Activate Function | 10.1激活函数作用
10.2 为什么激活函数都是非线性的
10.3 常见激活函数的优缺点及其取值范围
10.4 激活函数问题的汇总
10.4.1 Sigmoid的缺点，以及如何解决
10.4.2 ReLU在零点可导吗，如何进行反向传播
10.4.3 Softmax溢出怎么处理
10.4.4 怎么理解ReLU负半区间也是非线性激活函数
10.4.5 ReLU函数的特点
10.5 如何选择激活函数
10.6 激活函数有哪些性质 |
| 优化函数 | 11.1 优化函数的作用
11.2 梯度下降法的作用
11.3 优化函数及其优缺点
11.4 SGD和Adam的对比
11.5 Batch的影响 |
| 基础理论 | 12.1 超参数调优
12.2 为什么需要Batch Size
12.3 归一化的目的
12.4 局部最优与全局最优
12.5 监督学习与非监督学习的区别
12.6 监督学习有哪些步骤
12.7 为什么神经网络越来越深,变深的意义在哪
12.8 为什么深度神经网络较浅层网络难以训练
12.9 超参数搜索过程是怎样的
12.10 模型Fine tuning
12.10.1 Fine tuning时是否会更新网络参数，为什么
12.10.2 Fine tuning模型有哪些类型
12.10.3 梯度消失、爆炸的解决方案
12.11 深度学习为什么不用二阶优化
12.12 什么是TOP5错误率
12.13 开发平台的选择 |
| 传统图像算法【待更新】 | 13.1 HSV色彩空间
13.2 swish激活函数
13.3 OpenCV——几何变换
13.3.1 缩放
13.3.2 翻转
13.3.3 仿射
13.3.4 透视
13.4 图像平滑处理
13.4.1 均值滤波
13.4.2 方框滤波
13.4.3 高斯滤波
13.4.4 中值滤波
13.4.5 双边滤波
13.4.6 横向对比 |
| 池化层 | 14.1 什么是池化
14.2 池化层的作用
14.3 平均池化
14.4 最大池化
14.5 空间金字塔池化
14.6 ROI Pooling
14.7 最大池化与平均池化是如何进行反向传播的
14.8 卷积层与池化层的区别 |
| 支持向量机——SVM | 15.1 SVM
15.2 SVM原理
15.3 SVM解决问题的类型
15.4 核函数的作用以及特点
15.5 核函数的表达式
15.6 SVM为什么引入对偶问题
15.7 SVM使用SGD及步骤
15.8 为什么SVM对缺失数据敏感
15.9 SVM怎么防止过拟合 |
| 模型评价指标【待更新】 | 16.1 回归模型评估常用的方法
16.2 混淆矩阵
16.3 查准率，查全率，F1-score，准确率
16.4 PR曲线图16.5 AP与mAP |
)
