終于收到了通知~第一志愿被錄取~回顧一下自己的面試經(jīng)歷，分享出來~
? ? ? 在排富瑁客網(wǎng)進行面試，有一個面試鏈接姐帚，直接點進去吏垮，里面有編程的頁面，右上角是面試官的視頻框罐旗，但是這個面試沒有讓編程膳汪。本來時間是16：00，共有11位面試官九秀，我簽到排隊后排到了51號遗嗽，等待了21分鐘，16:21開始面試鼓蜒。
面試開始后：
面試官：
? ? ? 你好痹换，我是DeeCamp的面試官xxx征字。請用2分鐘的時間，做一個簡短的自我介紹娇豫。
我：?
? ? ? ? 您好柔纵，我是xxx本科就讀于xxx，專業(yè)是xxx锤躁，本科保研后繼續(xù)就讀于xxx搁料，專業(yè)是xxx，方向是人工智能方向系羞。
? ? ? 我做過的關(guān)于人工智能方向的項目主要有：（1）本科畢業(yè)設(shè)計的時候郭计，做的“基于視覺的煙霧識別系統(tǒng)”，數(shù)據(jù)集是中科大火災實驗室的1000張圖片椒振，主要采用的方法是昭伸，（一）非深度學習的方法，主要是HOG澎迎、LBP特征結(jié)合SVM庐杨，效果并不是太好；考慮到可能是由于訓練集數(shù)目太少所導致夹供，所以想到使用（二）深度學習的方法灵份，采用遷移學習的方法，使用在ImageNet上訓練好的VGG16哮洽，最后的效果很好填渠。考慮到實際應用場景鸟辅，我將它移植到樹莓派上面氛什，并采用了輕量級的網(wǎng)絡MobileNet，最后通過樹莓派外接攝像頭來獲得實際場景匪凉，并對是否有煙霧做出判斷枪眉，同時顯示有煙和無煙的概率。
? ? ? 還做過一個人臉朝向識別的項目再层，采用的數(shù)據(jù)集是：共有20人贸铜，每人有96張圖片，共有1888張圖片树绩，這個數(shù)據(jù)集有關(guān)于情緒的萨脑，比如開心或者沮喪，還有是關(guān)于是否戴墨鏡饺饭，但是我用到的只是其中關(guān)于人臉朝向的部分渤早，一共有四個狀態(tài)：up,straight,left,right。我首先寫了一個簡單的CNN網(wǎng)絡來實現(xiàn)瘫俊，效果不是太好鹊杖，準確率只有90%悴灵，考慮到是由于數(shù)據(jù)集太小導致的，所以改用遷移學習的方法骂蓖，利用在ImageNet上面預訓練好的VGG16和ResNet50來實現(xiàn)积瞒，但是VGG16的效果不好，發(fā)生了過擬合登下。ResNet50的效果很好茫孔，準確率達到了97%，最后我把在服務器上訓練好的參數(shù)保存下來被芳，放在筆記本端缰贝，做了一個Demo，通過調(diào)用筆記本的攝像頭畔濒，來對于拍攝到的人臉朝向做一個實時判斷剩晴，準確率很高，實時性也很好侵状。
? ? ? 另外就是近期做的一個項目赞弥，是復現(xiàn)了牛津大學VGG組的一篇論文《類別無關(guān)的計數(shù)》，對其中的網(wǎng)絡GMN進行了一些簡化和改進趣兄。之所以能夠做到計數(shù)與類別無關(guān)绽左，是因為文章將計數(shù)問題轉(zhuǎn)換成了匹配問題。網(wǎng)絡的輸入是一個大圖和一個小圖诽俯，大圖就是待計數(shù)的圖妇菱，小圖是從大圖中隨機切割出的一個小樣本承粤，比如大圖中有4個飛機暴区，那么小圖就是隨機切割出的一個小飛機。然后大圖經(jīng)過處理后得到一個特征圖（32*32*512）辛臊，小圖（1*1*512）經(jīng)過處理后仙粱，得到一個特征向量，然后將小圖變到和大圖一樣的尺寸上彻舰，再沿通道合并進行拼接伐割，最后得到的是熱力圖，每個小飛機的概率呈高斯分布刃唤，給定一個半徑隔心，半徑外的背景部分概率設(shè)為0，對熱力圖進行積分尚胞，便可以得到數(shù)量硬霍，取概率最高處的位置，便是飛機的位置笼裳。
? ? 這就是我的基本情況唯卖，謝謝您粱玲。
面試官：
好的，我就是說做一個簡單的自我介紹啊拜轨， 沒想到你把項目介紹了一遍抽减。
我：
哦哦。好的橄碾，不好意思卵沉。
面試官：
沒事沒事。我看你做的項目里法牲，提到了VGG還有ResNet偎箫，那你能簡單說一下這兩種網(wǎng)絡的特點嗎？
我：
好的皆串，那我先說一下ResNet吧淹办，ResNet50之前，是building block結(jié)構(gòu)恶复，后來是bottleneck的結(jié)構(gòu)怜森，building block結(jié)構(gòu)包含一個殘差支路和一個short-cut支路，為了避免隨深度加深導致的梯度彌散問題谤牡。building block是兩層卷積副硅，bottleneck是三層卷積，添加了1*1的卷積翅萤，減少了通道數(shù)恐疲，參數(shù)個數(shù)和計算量。
面試官：
那套么，ResNet激活函數(shù)用的什么呢培己？
我：
sigmoid吧。
面試官：
嗯胚泌？后來用的什么呢省咨？
我：
哦哦。說錯了玷室，用的是ReLu零蓉。
面試官：
好，那你說一下穷缤，VGG有什么特點呢敌蜂？
我：
VGG的特點的話，……津肛，不好意思章喉，我不太知道。
（后來問我獅虎，才知道囊陡，VGG沒什么特點芳绩，就是網(wǎng)絡深）
面試官：
你能說一下SVM嗎？
我：
SVM就是支持向量機撞反，在說SVM之前妥色，先說一下支持向量機，支持向量機其實就是遏片，找到能夠分開正類和負類的決策面嘹害，但是這樣的決策面有很多，由此引入了支持向量的概念吮便，來找到最優(yōu)決策面笔呀，所謂支持向量，就是到?jīng)Q策面距離最近的向量髓需，通過最大化支持向量與決策面之間的距離许师，來找到最優(yōu)決策面。在求解的過程中僚匆，有一個拉格朗日對偶問題微渠，會出現(xiàn)映射函數(shù)的內(nèi)積，我們只需要知道內(nèi)積咧擂，并不需要知道具體映射逞盆，所以我們令這個內(nèi)積為一個函數(shù)k，稱為核函數(shù)松申。
面試官：
那請問svm找到的最優(yōu)決策面云芦，和數(shù)據(jù)在一個空間嗎？
我：
在吧贸桶。
面試官：
那核函數(shù)有什么作用舅逸？
我：
哦哦，不在刨啸，不一定在堡赔，因為有時候原空間線性不可分，那么需要轉(zhuǎn)換到更高維度的空間上设联。
面試官：
你知道不知道BN呀，這個有什么作用灼捂。
我：
知道离例，BN就是batch normalization,批標準化，其實是數(shù)據(jù)預處理的時候悉稠，通過歸一化來實現(xiàn)數(shù)值穩(wěn)定性宫蛆，但是經(jīng)過ReLu等激活函數(shù)后，不再具有數(shù)值穩(wěn)定性，所以就想進行一下標準化耀盗，一組數(shù)據(jù)想虎，先減去它們的均值，再除以它們的方差叛拷，但是這樣做就可能使得費盡心思學到的特征被歸一化了舌厨，所以再進行一個反標準化的過程，也就是忿薇，先乘以一個縮放系數(shù)裙椭，再加一個偏移系數(shù)。
面試官：
好署浩，那你覺得BN能不能解決梯度彌散的問題呢揉燃？
我：
我想一下，能吧筋栋，能緩解吧炊汤，數(shù)值穩(wěn)定性嘛。
面試官：
你剛才說的這些項目弊攘，是你自己做的嗎婿崭？還是和團隊一起做的呢？
我：
都是我獨立完成的肴颊。
面試官：
那你有沒有跟團隊一起做過項目呢氓栈？
我：
有的，之前跟我們實驗室的師兄師姐一起參加過一個“花草識別的比賽”婿着，還和師兄一起參加過授瘦，AIChallenger的眼底水腫病變識別比賽，最近還參加了一個阿里天池的人工智能對抗算法競賽竟宋。
面試官：
（這時候提完，面試官露出了笑容）
那你AIChallenger的成績怎么樣啊丘侠？
我：
40名左右吧徒欣，30+。
面試官：
那挺不錯的啊蜗字。
面試官：
如果來的話打肝，你暑假的時間，能保證嗎挪捕？
我：
能保證粗梭。
面試官：
你是通過什么渠道了解到我們DeeCamp的呀？
我：
我朋友去年參加過這個夏令營级零，感覺非常棒断医，就推薦我今年也參加一下。
面試官：
你平時有一些什么愛好啊鉴嗤？
我：
我平時喜歡畫畫斩启，喜歡文學，喜歡養(yǎng)植物醉锅。也會思考這些和AI的聯(lián)系兔簇，比如之前的花草識別比賽，再比如荣挨，我看今年的DC實踐課題里面有一個“神筆馬良”男韧，這些我都特別感興趣，去年的題目中默垄，有這個AI寫歌詞的此虑，我覺得也非常有意思。
面試官：
好的口锭，我明白了朦前，還有什么問題要問的嗎？
我：
我思考一下,……,應該沒有了鹃操。
面試官：
好的韭寸，那就這樣，謝謝你的配合荆隘。
? ? ? 面試結(jié)束的N天后恩伺，突然有一天，收到了一封DC發(fā)來的感謝郵件椰拒，上來就是感謝您參加第一次筆試和面試晶渠，天啊嚇得我小心臟都跳出來了，可怕啊燃观，這仿佛就是說褒脯，你是個好人的意思。還好我繼續(xù)往后面讀了一下缆毁，才放心番川，原來只是單純地感謝啊。嚇了一大跳啊脊框。另外這里的這個二次面試颁督，是指如果第一次面試中，因為時間太短缚陷，或者網(wǎng)絡的原因适篙，導致面試官還有一些基本問題沒有了解清楚的情況下，會有二面箫爷。
于是我就在知乎回答了一下。
https://www.zhihu.com/question/325686128/answer/692722905
