2021年9月初,科大讯飞AI算法岗 一二面面试题分享!

文 | 七月在线
编 | 小七

目录

FIGHTING

问题1：你对fast rcnn了解多少?

问题2：讲讲ADM和SGD。

问题3：池化的作用。

问题1：你对fast rcnn了解多少?

两阶段目标检测算法

Fast RCNN，是RCNN算法的升级版，之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：1、训练分多步。我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。2、时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗还是比较大的。3、测试的时候也比较慢，每张图片的每个region proposal都要做卷积，重复操作太多。

虽然在Fast RCNN之前有提出过SPPnet算法来解决RCNN中重复卷积的问题，但是SPPnet依然存在和RCNN一样的一些缺点比如：训练步骤过多，需要训练SVM分类器，需要额外的回归器，特征也是保存在磁盘上。因此Fast RCNN相当于全面改进了原有的这两个算法，不仅训练步骤减少了，也不需要额外将特征保存在磁盘上。

问题2：讲讲ADM和SGD

SGD的一阶动量：

加上AdaDelta的二阶动量：

问题3：池化的作用。

（1）保留主要特征的同时减少参数和计算量，防止过拟合。

（2）invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)。