第一次AI面试结束，结果GG。想了想，感觉总得记录下些什么，毕竟也尝试了、争取了、更清楚的审视了当下的自己。
第一次AI面试源于公司的内部转岗申请，感谢领导给了机会，这不是客套话，真的感谢(￣▽￣)。这里废话一句：机会都是自己争取的；面试是一个检验自己和认识自己的好方式。由于是内部转岗，就拿到了面试老师的评价，很客观：
1 深度学习基本的概念是知道的，常用的网络层损失函数也清楚，但网络训练的原理和一些常用超参数都还不是很明白
2 自己做过一个字符识别的project，从采集数据，标图到训练，流程还比较清楚，用的keras来训练
3 检测算法没有仔细了解，常用的分类网络没有训练经验
4 caffe和tf几乎是没有使用过
5 有根据github做过一个简单的手机端模型部署，后端部署不了解
整体来说，基础知识还不够扎实，训练经验比较少，处于自己学习的阶段。按照社招的标准是远远不够的，按照应届生的标准属于中上游。不过感觉上他还比较好学
结果也显而易见，由于是内部转岗，岗位又那么火，没有两把刷子真的是不行啊，要不然大家都转岗了，不便于公司管理，所以我后面又争取了，依然GG。
综上所述，自己当下还是有点菜。AI之路路漫漫其修远兮啊，不扯了，对照着面试不足继续坚持吧，期待下一个阶段的自己。
1、Conv：
(1)提取图像特征；缩小输出特征图尺寸；
(2)1*1卷积核用来模型的升维和降维操作（没有对图像做聚合，当前层和下一层为多层时起到一个跨通道的聚合作用）。
2、激活层：增强模型的非线性化。卷积层、全连接层后面
3、MaxPooling：
(1)全部使用卷积层模型较复杂，池化层简化模型，图像下采样
(2)一般跟在卷积层+激活层后面，一定程度上保证平移、旋转不变性
(3)放在模型的后端便于充分卷积操作提取图像特征，SqueeseNet中相比论文将MaxPooling提前了几层，提前进行降维操作较少模型计算量
4、全连接层：通过卷积层、激活函数、池化层提取特征，全连接层将特征整合在一起用于分类
(1)SqueezeNet采用1*1卷积层+AveragePooling替代全连接层
(2)卷积层实现全连接操作
14*14*512[(14*14*512)*2626]--->2626
14*14*512[14*14*512*2626]--->2626
5、BN
(1)使得输入层趋于正态分布，收敛过程大大加快，提升训练速度
(2)防止过拟合
(3)简化调参，初始化要求没那么高，而且可以使用大学习率
6、DO
7、NMS
预测框中选取置信度最大的矩形框M加入到输出矩形框中，同时遍历计算矩形框M与预测框IOU值，并删除预测框中小于IOU阈值的矩形框
8、交叉熵
熵是是所有信息量的期望，事件越不确定，熵越大（信息量和概率成反比）。交叉熵是衡量两个概率分布的差异，交叉熵损失一般用来求目标与预测值之间差距。
9、mAP
(1)准确率precision：预测正样本中真正正样本比例
召回率recall：GT正样本中被检测出来的真正正样本比例
(2)针对单个类别，根据不同的分类置信度阈值得到预测正样本（TP+FP）和预测负样本(TN+FN)，再根据与GT标注框IOU阈值得到TP,FP,TN,FN，算出准确率和召回率；采用不同的分类置信度阈值得到不同准确率和召回率，绘制准确率、召回率曲线；置信度阈值越低，准确率越低，召回率越高
(3)根据横坐标recall等分：
设定[0,0.1,0.2...1]阈值，recall>阈值，取最大准确率，11个准确率取平均
根据正样本个数M设定阈值[1/M...]，recall>阈值，取最大准确率，M个准确率取平均
性能指标（模型评估）之mAP_秋人别院-CSDN博客_map指标
10.1、过拟合原因
(1)数据不平衡
(2)训练集样本过于简单，不具备代表性
10.2、解决过拟合方法
(1)是否使用正则化：DO
(2)学习率是否过大
(3)模型是否过于复杂
(4)增加训练集数据样本
11、数据不平衡
数据层面：增加少的类别样本（数据增强），减少多的数据样本（随机删除）
算法层面：增加少的类别样本的损失权重
12、目标检测中one stage和two stage的区别
two stage是采用两个模型分别先进行目标的矩形框检测，再进行目标类别的识别
one stage是采用一个模型完成目标的矩形框检测和类别识别
13、学习率
(1)学习率过大：损失值震荡，无法收敛；学习率过小：训练过慢，无法找到全局最小值
(2)定值学习率；学习率连续衰减；学习率分段衰减
14、梯度动量：梯度变化越快，补偿值越小；梯度变化越平缓，补偿值越大
15、为什么用交叉熵损失做分类损失函数
交叉熵对参数的偏导数没有激活函数的导数
16、梯度为什么会消失，如何避免消失？
激活函数趋于饱和时梯度趋于0；采用梯度趋于饱和时梯度不趋于0的激活函数，如ReLu
17、反向传播链式法则
一文弄懂神经网络中的反向传播法——BackPropagation - Charlotte77 - 博客园
18、YOLO
从YOLOv1到YOLOv3，目标检测的进化之路_CSDN人工智能头条-CSDN博客