面试问题收集

GItHub使用指南
GitHub 编辑指导
GItHub 公式编辑
Markdown 教程

程序员四大件

• 数据结构与算法
• 操作系统
• 计算机网络
• 设计模式

操作系统

进程和线程的区别

1. 根本区别： 进程是资源调度的基本单位，线程是CPU调度和执行的基本单位。
2. 资源开销： 每个进程都有独立的代码和数据空间（程序上下文），程序之间的切换会有较大的开销；线程可以看做轻量级的进程，同一类线程共享代码和数据空间，每个线程都有自己独立的运行栈（保证线程中的局部变量不被别的线程访问到）和程序计数器（为了线程切换后能恢复到正确的执行位置），线程之间切换的开销小。
3. 包含关系： 如果一个进程内有多个线程，则执行过程不是一条线的，而是多条线（线程）共同完成的；线程是进程的一部分，所以线程也被称为轻权进程或者轻量级进程。
4. 内存分配： 同一进程的线程共享本进程的地址空间和资源，而进程之间的地址空间和资源是相互独立的。
5. 影响关系： 一个进程崩溃后，在保护模式下不会对其他进程产生影响，但是一个线程崩溃整个进程都死掉。所以多进程比多线程健壮。
6. 执行过程： 每个独立的进程有程序运行的入口、顺序指向序列和程序出口。但是线程不能独立执行，必须依存在应用程序中，有应用程序提供多个线程指向控制，两者均可并发执行。

多进程和多线程的区别

纬度	多进程	多线程	总结
数据共享、同步	数据是分开的：共享复杂，需要用IPC；同步简单	多线程共享进程数据：共享简单；同步复杂	各有优势
内存、CPU	占用内存多，切换复杂，CPU利用率第	占用内存少，切换简单，CPU利用率高	线程占优
创建销毁、切换	创建销毁、切换复杂，速度慢	创建销毁、切换简单，速度快	线程占优
编程调试	编程简单，调试简单	编程复杂，调试复杂	进程占优
可靠性	进程之间不会相互影响	一个线程挂掉将导致整个进程挂掉	进程占优
分布式	适应于多核、多机分布；如果一台机器不够，扩展到多台机器比较简单	适应于多核分布	进程占优

并发与并行

1. 并发的实质是一个物理CPU（也可以多个物理CPU）在若干道程序（或线程）之间多路复用，并发性是对有限物理资源强行限制使多用户共享以提高效率。
2. 并行指两个或两个以上的事件（或线程）在同一时刻发生，是真正意义上的不同事件或线程在同一时刻，在不同CPU资源上（多核）同时执行。

数据结构和算法问题

堆和栈的区别

计算机网络

TCP/IP协议

计算机视觉面试问题

SVM

CNN

常见网络收集

softmax函数

attention

data augmentation

损失函数

随机梯度下降

交叉熵

正则化

泰勒公式

Batch Normalization

网络参数是如何计算的

ShuffleNet

deepwise separable conv

最优化方法

深度神经网络全面概述：从基本概念到实际模型和硬件基础

数学概念

RNN

LSTM

RPN

PCA

K-means

基本流程：

1. 初始化k个聚类中心$c_1$, $c_2$,…,$c_k$
2. 对于每个样本$x_i$和每个聚类中心$c_j$，计算样本和聚类中心之间的距离$d_ij$
3. 对于每个样本$x_i$，基于最小的$d_ij$把其分配到第$j$个类$C_j$
4. 对于每个类$C_j$，计算其所有样本的均值作为新的聚类中心，重复步骤2和步骤3直至样本点所属的类不再变化或达到最大迭代次数

KNN

基本流程：

1. 计算测试数据与各个训练数据之间的距离
2. 按照距离的递增关系进行排序
3. 选取距离最小的K个点
4. 确定前K个点所在类别的出现概率
5. 返回前K个点中出现频率最高的类别作为测试数据的预测分类

K-means和KNN的区别

• K-means是无监督学习算法，KNN是有监督学习算法
• K-means是聚类算法，KNN是分类算法
• K-means有明显的训练过程（求聚类中心），KNN在学习阶段只是简单的吧所有样本记录
• 在测试阶段，对于K-means，新的样本点的判别与聚类中心有关，即与所有训练样本有关，对于KNN，新的样本点的判别只是与最近相邻的K个样本有关

损失函数

梯度消失和梯度爆炸

解决方法：

1. 预训练加微调
2. 梯度剪切、正则
3. 使用relu、leakrelu、elu等激活函数
4. batchnorm
5. 残差结构
6. LSTM

SITF

Dropout

Pooling

正则化

计算机视觉及深度学习岗位应聘问题