推荐收藏！这是我见过计算机视觉图像算法最全面经了

节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学，针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

今天我整理一位CV算法岗同学的面试题，分享给大家，希望对后续找工作的有所帮助。喜欢记得点赞、收藏、关注。更多技术交流&面经学习，可以文末加入我们交流群。

写在前面

今年CV方向算法工程师非常难找，投递CV算法的毕业生越来越多，各个CV岗位（包括研究岗与业务线上的算法工程师岗）对于求职人员的要求也越来越高。

本文以自己春招实习以及秋招的经历为基础，整理秋招求职的视觉图像算法中的经常会遇到的一些面试问题。主要整理一些常问的基础知识以及算法知识。由于每个人自己的项目不同，岗位的不同问题也会有一些不同，这些基础问题应该是都有所理解的，这些基础知识作为查漏补缺来看吧。

在此，特别感谢社群中的大佬的慷慨分享，让我收获颇多，感谢

机器学习

梯度下降法与牛顿法
感知机的计算公式
K近邻中kd树的思路
朴素贝叶斯的推导以及假设条件
ID3，C4.5，CART决策树的计算流程
Logistic回归的极大似然推导
SVM的推导，KKT条件，原问题与对偶问题的联系
Adaboost，梯度提升决策树，GBDT，XGboost
L1正则化为什么能够获得稀疏解

深度学习

RCNN系列算法的演进过程，重点详细介绍Faster RCNN算法
YOLO系列算法（v1-v4）的演进以及每个算法的特点
YOLOv3的主要改进
YOLOv4的主要改进
SSD系列算法（SSD，DSSD等算法）
two-stage算法主要慢在哪儿
ROIpooling，RoiAlign的计算
RetinaNet解决什么问题
Focal Loss的计算
Batch Normalization的作用
BN的计算公式
BN中偏移因子与缩放因子的作用
训练和测试时BN的不同点
多卡的BN如何实现同步（一次同步与两次同步）
Normalization的几种形式的计算（BN，Layer Normalization，Instance Normalization，Group Normalization）
DNN的反向传播推导
CNN的反向传播
池化层的反向传播
img2col的计算
ResNet到底解决了什么问题
感受野计算
普通卷积，Group卷积，深度可分离卷积的计算量与参数量
IOU计算（代码）
NMS（代码）
soft-NMS（代码）
MobileNet与shuffleNet特点
MobileNetv1与v2的改进
K-means聚类anchor的思路以及代码
anchor-free的算法都知道哪些
DETR算法介绍一下
FPN为何能够提升小目标的精度
Softmax与sigmoid计算公式
softmax交叉熵损失的梯度
分类为何采用交叉熵损失而不是均方差损失
TP、TF、FP、FN的计算
precision、recall、F1score、accuracy的计算
ROC、AUC、MAP的计算
各种回归损失的计算以及优缺点（L1loss，L2loss，smooth L1loss，IOU Loss， GIOULoss，DIOUloss，CIOULoss）
带有warmup的cosine学习率计算
说说了解到的几种分割算法
Transformer的原理以及VIT的了解
各种优化器的计算公式（GD，SGD，batch GD，SGD+momentum，NAG，AdaGrad，RMSProp，Adam）
CNN的平移不变性的理解
Dropout具体是怎么做的，训练和测试时有什么不一样
神经网络的深度和宽度理解
SIFT与HOG
Transformer相比较CNN的优缺点
雅可比矩阵与海塞阵（一阶导与二阶导）
深度可分离卷积的优缺点，Mobilenet是否一定快
Faster RCNN回归的公式。
权重初始化的方案（Xavier，kaiming_normal）
数据增广的常用方案
数据类别不均衡的解决方案
半监督算法
自监督算法
自监督中的崩溃解问题的理解
Triplet Loss