计算机视觉汇总⾯经分享（⾯试突击必看）
总结
复习步骤：集中复习
（1）第⼀次-6⽉下旬，⼤概复习了20天左右，主要了解基础知识总结⼤纲和常见考点，复习之前所做的项⽬的细节，补充理论知识；
（2）第⼆次-7⽉下旬，⼤概复习了7天左右，温习之前没有搞懂和提前批⾯试过程中涉及的内容，以及查看各种⾯经和针对⾃⼰需求公司的要求进⾏复习；
（3）第三次-8⽉上旬，⼤概复习了7天左右，主要是过滤计算机的基础知识，包括计算机⽹络和数据库什么的，结果CV的⼯作很少问到，Linux和操作系统多⼀点；
（4）第四次-8⽉下旬，复习深度学习内容，集中时间看了下以前笔试⾯试中还没有搞懂的东西。
细节复习：零碎复习
（1）每次⾯试之前都会花0.5~1天时间去看⼀下总结的考点和⽹上（⽜客⽹或者其他）提供的⾯经上的问题；
（2）有些问题⼀开始也不会，⾯试的公司多了就会了。
注意事项
（1）在校未出去实习
①没时间出去实习，⼀定要早点准备，尤其是撸码，⼤⼩公司都很看重coding，国企就不说了，基础复习起来很快，撸码这个需要花
费时间，有些东西看到了就会，没看到就真不会
② 5⽉份开始刷题，⼀直刷到7⽉份，肯定很屌，⽆敌
③基础知识6⽉就要开始看了，最晚不超过7⽉初，7⽉初提前就开始了，早点的6⽉份就开始了
④提前批⼀定要多投，不投不被掠不知道努⼒复习，我⾃⼰算起来投了50+，⾯试了25+（阿⾥，头条，滴滴，地平线，华为，依图，
图森，顺丰，锐明科技，旷视，海康，银⾏，英特尔等）拿到了10+，其中有三分之⼀的公司会因为简历不匹配给挂掉，剩下三分之⼀的公司绝⼤部分挂在coding，基础和其他⾯试环境印象只有2家给挂掉了，还是刷题太少了。
⑤投递的时候⼀定要分层次和时间，开始的时候可以考虑投⼀些中⼩型不是很想去的公司，积累⾯经和稳固⾃⼰的基础知识；然后7⽉
份下旬和8⽉份上旬是提前批的黄⾦时期，可以⼤⼒去尝试⼤⼚，更新⼀波知识然后再说想去的公司；9⽉份秋招⾯试⼀下提前批没有⾯试好的公司和⼤⼚，捡捡漏。
⑥个⼈觉得⼀定不要想着秋招去⼯作，还是要提前批好好搞，这样⼦秋招就不会很累，提前批没有offer，秋招很慌很累，更没有底
⽓，跟HR谈offer都感觉是跪舔，有offer了，谈薪⽔有底⽓和安排，也知道⾏情，这样⼦也更不容易吃亏。
⑦特别特别重要⼀点，如果⾃⼰不是⼤佬，信息真的很重要，不要单操，⼀定要多交流，打探各种情况，收集信息，不然会很吃亏。
⑧简历⼀定要好好写，也是对⾃⼰的⼀种肯定，要定时更新⾃⼰的简历，写好简历已经⼯作的师兄或者博⼠师兄或者年长有经验
的⼈看⼀下，修改⼀下，我⾃⼰前后简历⼤改了3次，很感谢实验室的⼤师兄和上交的师兄，帮我改得特别仔细，修改简历过程中就会明⽩什么样的简历公司需要或者愿意看到。
⑨⼯作还是做个有⼼⼈，不能太佛系了，⾄少我⾃⼰不是，我还是觉得越努⼒的⼈越幸运。
⑩要有针对性⼯作，⽐如滴滴算法业务更多是图相关的，图算法⼤概率会出现，头条与图像处理居多，滤波传统图像处理⽐较多，有些落地模型压缩和部署会涉及多⼀点。不能⼀⼝吃，分类整理。
（2）实习
①去⼤⼚实习，争取留下来，不然还是⽼⽼实实在学校复习准备⼯作。
②去公司实习，没时间准备coding和基础，既然考虑出去实习，就是想着过渡⼀下，平台不好就不⽤考虑。第⼀次复习深度学习
CNN的基本原理，公式，代码，其中设计到矩阵的乘法和优化
①感受野，权值共享
② CNN具体计算的细节，Group Conv，可分离卷积之间的原理
③矩阵乘法原理及其优化，caffe底层实现的源码
④反卷积，simple baseline中提及了
⑤上采样⽅式和下采样
神经⽹络初期存在的问题，梯度爆炸和梯度消失的原因及其解决⽅法，以及原理
①梯度不稳定，梯度消失，梯度保障->resnet->v1,v2
②参数初始化
③ Normalization操作：BN，IN，GN，LN，SN
④ Dropout
⑤常见的激活函数及其原理
⑥正则化
参数的量化操作
①参数的计算和量化
②常⽤模型压缩⽅法
③常⽤轻量型⽹络及其设计思想，以及代码
④知识蒸馏的原理及其思路
⑤常⽤的移动框架了解及其对⽐
深度学习常⽤的梯度函数
①常⽤的优化函数
② tf和pytorch构建⽹络的差异
③常⽤的训练策略，warming up，step learing
常⽤的loss function及其原理
①分类的loss function及其原理
② pose的常⽤loss function及其原理
常⽤的⽹络结构及其源码
hourglass
fpn：
cpn：
fpn：
mobilenet：
inception：
resnet
常⽤的数据预处理⽅式
① opencv的基本操作
②常⽤的数据增强⽅式
③ mix up
常有数据后处理⽅法
①极⼤值法
②翻转测试
③多线程和多尺度测试
python的常见问题
①线程和进程，GIL
②内存管理
③元组与list,set的区别
④ os与sys区别
pytorch
① nn.module和functional的区别
② pytorch 分布式原理RingAllReduce原理
分布式使⽤
③ pytorch如何构建动态图原理
④梯度计算，反传，更新
常见的优化器
其他整理的链接：包括了机器学习，数学额外补充的知识：
(1) 概率论
(2) 线性代数，神经⽹络的推导
第⼆次复习深度学习
Caffe源码熟悉程度
(1) 底层设计模型
(2) 数据流怎么流
(3) 添加新层免费分享源码大全
(4) cuda代码的细节
(5) im2col的具体实现
如何训练模型，调优
HRNET跑代码
为什么要⽤深层和浅层feature Map concat和多尺度融合
skip connection的好处，反向传播公式，链式法则
为什么mobilenet理论上速度很快，⼯程上并没有特别⼤的提升
(1) 应该从内存上去考虑，申请空间等
(2) 参数量和计算量
凸优化，⽜顿法，SGD，最⼩⼆乘法，具体的原理和各⾃的优势
⼯程上对卷积操作如何进⾏优化的？
(1) 傅⾥叶模拟卷积
(2) 矩阵优化
NCHW如何操作索引实现通道转化，如NCHW->CNHW等操作
操作系统的内存管理，Linux的内部原理
第三次复习整理⾼频笔试题（⼤部分都是⼿撕到的，括号是次数）
链表
(1) 链表反转（3）
(2) 有序链表合并（2）
a+b+c = 0 （2)
lru置换算法（1）
排序
(1) 桶排序和计数排序（2）：字符串排序，含有⼤⼩写字母的，⼩写在前，⼤写在后
(2) 快速排序（1）
(3) 堆排序(2）
矩阵中从左上⾓到有下⾓的和的最⼩(⼤)值dp (3)
⼆分法(3): 递归和⾮递归版
连通域（2）
图算法
(1)最短路径算法(2)
(2)判断线段经过了多少个矩阵（滴滴）
中值滤波器(1)
kmeans算法(1)：这个算法真的很重要，头条喜欢考
topK问题(很多次>5)
2个⼈轮流拿⽯⼦，每个⼈能拿⼀到两个⽯⼦，然后先拿的⼈有没有必胜策略(1)
求⼆值矩阵中最⼤的⾯积(>2)
BFS和DFS（>2)
⼀个数组中4个和最⼤的数，但和不⼤于M（1）
树的前中后遍历(>2)
⼀个是判断是否完全⼆叉树(1)
⼀个是判断是否满⼆叉树(1)
还有就是leetcode上的题⽬记不住了
字符串处理的常见题⽬
第四次整理深度学习内容
机器学习基础
(1) SVM & LR 异同点，原理
(2) kmeans & kmeans++原理，⼿撸

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。