蔚來視覺算法實(shí)習(xí)生高頻面試題

【精選近三年60道高頻面試題】

【題目來源：學(xué)員面試分享復(fù)盤及網(wǎng)絡(luò)真題整理】

【注：每道題含高分回答示例+避坑指南】

1.請做一個(gè)自我介紹（基本必考）

2.請?jiān)敿?xì)介紹一段你覺得最具挑戰(zhàn)性的項(xiàng)目經(jīng)歷，重點(diǎn)講你在其中的貢獻(xiàn)（基本必考|適合

講項(xiàng)目）

3.手撕代碼：實(shí)現(xiàn)非極大值抑制（NMS）算法（極高頻|重復(fù)度高）

4.Transformer和CNN在計(jì)算機(jī)視覺任務(wù)中的區(qū)別與優(yōu)劣勢對比（極高頻|需深度思考）

5.講一下BatchNormalization（BN）的原理、作用及在訓(xùn)練推理時(shí)的區(qū)別（極高頻|重點(diǎn)準(zhǔn)

備）

6.手撕代碼：計(jì)算兩個(gè)矩形框的IoU（交并比）（高頻|重復(fù)度高）

7.詳細(xì)推導(dǎo)一下Self-Attention的計(jì)算過程和時(shí)間復(fù)雜度（極高頻|需深度思考）

8.介紹一下YOLO系列算法的演變（從v1到v8），重點(diǎn)談?wù)凙nchor-based和Anchor-free的區(qū)

別（高頻|近兩年常問）

9.常見的損失函數(shù)有哪些？請解釋FocalLoss是如何解決正負(fù)樣本不平衡問題的（極高頻|

重點(diǎn)準(zhǔn)備）

10.什么是感受野（ReceptiveField）？如何計(jì)算？（高頻|較為重要）

11.介紹一下ResNet的殘差結(jié)構(gòu)解決了什么問題？為什么有效？（極高頻|多次驗(yàn)證）

12.你的項(xiàng)目中遇到了哪些過擬合問題？具體采用了哪些手段解決？（高頻|適合講項(xiàng)目）

13.C++基礎(chǔ)：虛函數(shù)和純虛函數(shù)的區(qū)別，多態(tài)是如何實(shí)現(xiàn)的？（高頻|較為重要）

14.介紹一下BEV（Bird'sEyeView）感知的基本原理及常用的轉(zhuǎn)換方法（如IPM、LSS、

Transformer）（近兩年常問|需深度思考）

15.優(yōu)化器對比：SGD、Momentum、Adam和AdamW的區(qū)別是什么？（高頻|重點(diǎn)準(zhǔn)備）

16.手撕代碼：實(shí)現(xiàn)K-Means聚類算法（高頻|網(wǎng)友分享）

17.講一下L1正則化和L2正則化的區(qū)別及幾何解釋（高頻|較為重要）

18.在目標(biāo)檢測中，mAP是如何計(jì)算的？Precision和Recall的定義是什么？（基本必考|重點(diǎn)

準(zhǔn)備）

19.對于小目標(biāo)檢測難點(diǎn)，你有什么具體的改進(jìn)思路？（高頻|需深度思考）

20.Python基礎(chǔ)：裝飾器（Decorator）的作用和生成器（Generator）的區(qū)別（高頻|較為重

要）

21.講一下VisionTransformer(ViT)的PatchEmbedding是如何實(shí)現(xiàn)的？（近兩年常問|重點(diǎn)

準(zhǔn)備）

22.什么是梯度消失和梯度爆炸？如何緩解？（高頻|較為重要）

23.激活函數(shù)對比：Sigmoid、ReLU、LeakyReLU和GELU的優(yōu)缺點(diǎn)（高頻|多次驗(yàn)證）

24.多模態(tài)融合（如雷達(dá)與攝像頭）常見的融合策略有哪些（前融合、特征融合、后融合）？

（近兩年常問|需深度思考）

25.你的模型在部署時(shí)做了哪些優(yōu)化？了解TensorRT或ONNX嗎？（高頻|適合講項(xiàng)目）

26.C++基礎(chǔ)：智能指針（shared_ptr,unique_ptr,weak_ptr）的用法及循環(huán)引用問題（高頻|

較為重要）

27.手撕代碼：二叉樹的層序遍歷或最近公共祖先（高頻|重復(fù)度高）

28.介紹一下DETR（DetectionTransformer）的整體架構(gòu)及二分圖匹配（Hungarian

Algorithm）（近兩年常問|重點(diǎn)準(zhǔn)備）

29.深度學(xué)習(xí)中參數(shù)初始化有哪些方法？為什么不能全零初始化？（高頻|較為重要）

30.什么是GroupConvolution和DepthwiseSeparableConvolution？有什么優(yōu)勢？（高頻|較

為重要）

31.手撕代碼：最長遞增子序列（LIS）或最大子數(shù)組和（高頻|網(wǎng)友分享）

32.講一下SwinTransformer的ShiftedWindowAttention機(jī)制（近兩年常問|需深度思考）

33.如何處理長尾分布（Long-tailDistribution）的數(shù)據(jù)問題？（高頻|需深度思考）

34.介紹一下CLIP模型的原理及其在Zero-shot任務(wù)中的應(yīng)用（近兩年常問|學(xué)員分享真題）

35.你的項(xiàng)目中是如何進(jìn)行數(shù)據(jù)增強(qiáng)的？Mosaic、Mixup等方法的原理是什么？（高頻|適合

講項(xiàng)目）

36.C++中堆（Heap）和棧（Stack）的區(qū)別（高頻|較為重要）

37.相機(jī)標(biāo)定了解嗎？內(nèi)參矩陣和外參矩陣分別包含哪些信息？（高頻|重點(diǎn)準(zhǔn)備）

38.介紹一下NeRF（NeuralRadianceFields）的基本原理（近兩年常問|需深度思考）

39.常見的語義分割網(wǎng)絡(luò)（如UNet、DeepLab系列）的核心思想是什么？（高頻|較為重要）

40.為什么Transformer需要PositionEncoding？有哪些位置編碼方式？（高頻|需深度思考）

41.手撕代碼：反轉(zhuǎn)鏈表（遞歸與非遞歸實(shí)現(xiàn)）（基本必考|重復(fù)度高）

42.講一下Dropout在訓(xùn)練和測試時(shí)的不同行為，以及其底層原理（高頻|較為重要）

43.什么是OccupancyNetwork（占用網(wǎng)絡(luò)）？在自動駕駛中有什么應(yīng)用？（近兩年常問|需

深度思考）

44.模型量化（Quantization）了解嗎？PTQ和QAT的區(qū)別是什么？（高頻|適合講項(xiàng)目）

45.介紹一下MAE（MaskedAutoencoders）的預(yù)訓(xùn)練流程（近兩年常問|學(xué)員分享真題）

46.手撕代碼：快速排序（QuickSort）及其時(shí)間復(fù)雜度分析（高頻|重復(fù)度高）

47.Python中深拷貝和淺拷貝的區(qū)別（高頻|記住就行）

48.自動駕駛場景中，如何解決遮擋問題？（高頻|需深度思考）

49.了解知識蒸餾（KnowledgeDistillation）嗎？Teacher和Student網(wǎng)絡(luò)是如何交互的？（高

頻|較為重要）

50.最近讀了哪些計(jì)算機(jī)視覺領(lǐng)域的頂會論文？請?jiān)敿?xì)介紹一篇（高頻|考察軟實(shí)力）

51.什么是RoIAlign和RoIPooling？它們的區(qū)別是什么？（高頻|較為重要）

52.對比一下CNN中的池化層（Pooling）和Transformer中的Attention在降維/特征提取上的異

同（高頻|需深度思考）

53.手撕代碼：島嶼數(shù)量（DFS/BFS）（高頻|重復(fù)度高）

54.為什么選擇蔚來？你對自動駕駛行業(yè)的理解是什么？（高頻|考察軟實(shí)力）

55.你認(rèn)為做算法實(shí)習(xí)生最重要的素質(zhì)是什么？（高頻|考察軟實(shí)力）

56.實(shí)習(xí)期間能保證的實(shí)習(xí)時(shí)長和出勤天數(shù)是怎樣的？（高頻|重復(fù)度高）

57.如果項(xiàng)目進(jìn)展不順利，你會如何排查問題并調(diào)整方向？（高頻|考察軟實(shí)力）

58.手撕代碼：尋找數(shù)組中的第K大元素（高頻|重復(fù)度高）

59.介紹一下單目深度估計(jì)（MonocularDepthEstimation）的難點(diǎn)和常見方法（高頻|較為重

要）

60.我問完了，你有什么想問我們的嗎？（面試收尾題）

【蔚來集團(tuán)視覺算法實(shí)習(xí)生】面試題深度解答

Q1：請做一個(gè)自我介紹

?不好的回答示例：

面試官您好，我叫張三，是XX大學(xué)計(jì)算機(jī)專業(yè)的碩士研究生。我主要的研究方向是

計(jì)算機(jī)視覺。在校期間我學(xué)過Python和C++，也讀過很多論文。我有過一段在某公

司的實(shí)習(xí)經(jīng)歷，主要做圖像分類，那個(gè)項(xiàng)目讓我學(xué)到了很多。我很喜歡蔚來的車，

特別是自動駕駛技術(shù)，覺得很有前景，所以非常想來這里實(shí)習(xí)，希望您能給我一個(gè)

機(jī)會。

為什么這么回答不好：

1.流水賬式陳述，缺乏亮點(diǎn)：只是羅列了學(xué)校和技能，沒有結(jié)合具體的量化成果（如“提升

了多少精度”、“優(yōu)化了多少耗時(shí)”），面試官無法捕捉到候選人的核心競爭力。

2.實(shí)習(xí)經(jīng)歷描述過虛：僅提到“做圖像分類”和“學(xué)到很多”，卻未提及具體解決了什么難點(diǎn)、

使用了什么SOTA模型或Trick，顯得專業(yè)度不足。

3.動機(jī)缺乏深度：對蔚來的向往停留在“喜歡車”和“覺得有前景”的客套話層面，未體現(xiàn)對蔚

來具體感知業(yè)務(wù)（如NAD、Aquila超感系統(tǒng)）的調(diào)研和理解。

高分回答示例：

面試官好，我是XX大學(xué)模式識別專業(yè)的碩士研究生張三。我目前的求職意向是視覺

感知算法實(shí)習(xí)生，我的核心競爭力主要體現(xiàn)在以下三點(diǎn)：

1.扎實(shí)的算法落地能力：我熟悉PyTorch框架及TensorRT部署，在上一段獨(dú)角獸企業(yè)的實(shí)習(xí)

中，我負(fù)責(zé)單目3D檢測模型的輕量化工作。面對邊緣端算力受限的痛點(diǎn)，我通過引入結(jié)

構(gòu)化剪枝和知識蒸餾策略，在保持mAP僅下降0.5%的前提下，將推理延遲從45ms降低至

28ms，成功在Orin平臺上落地。

2.敏銳的學(xué)術(shù)復(fù)現(xiàn)能力：我長期關(guān)注CVPR/ICCV頂會，曾在GitHub復(fù)現(xiàn)過Swin

Transformer和DETR源碼，并針對遮擋場景下的小目標(biāo)檢測問題，提出了一種基于注意力

機(jī)制的特征融合模塊，相關(guān)論文目前在投。這讓我具備了快速理解并改進(jìn)新算法的能力。

3.極高的崗位匹配度：我非常認(rèn)可蔚來全棧自研的策略，特別是對BEV感知和多傳感器融

合很感興趣。我深入研讀過蔚來關(guān)于OccupancyNetwork的技術(shù)分享，相信我的工程落地

經(jīng)驗(yàn)?zāi)芸焖龠m配團(tuán)隊(duì)在量產(chǎn)車感知算法上的迭代需求。

Q2：請?jiān)敿?xì)介紹一段你覺得最具挑戰(zhàn)性的項(xiàng)目經(jīng)歷，重點(diǎn)講你在其中的貢獻(xiàn)

?不好的回答示例：

我之前做過一個(gè)交通標(biāo)志檢測的項(xiàng)目。這個(gè)項(xiàng)目主要就是用YOLOv5去識別路邊的

牌子。最開始效果不好，因?yàn)閿?shù)據(jù)比較少，后來我就去網(wǎng)上找了很多開源數(shù)據(jù)集加

進(jìn)去。然后我還調(diào)了一些超參數(shù)，比如學(xué)習(xí)率和BatchSize。最后模型的效果提升

了，準(zhǔn)確率達(dá)到了90%以上。這個(gè)項(xiàng)目讓我熟悉了目標(biāo)檢測的整個(gè)流程，也學(xué)會了

怎么處理數(shù)據(jù)，我覺得挺有挑戰(zhàn)的。

為什么這么回答不好：

1.挑戰(zhàn)點(diǎn)定義模糊：“數(shù)據(jù)少”是通用問題，不夠硬核。未能定義出具體的場景難點(diǎn)（如嚴(yán)重

遮擋、極端光照、長尾分布等），導(dǎo)致解決思路顯得平平無奇。

2.歸因過于簡單：僅僅通過“加數(shù)據(jù)”和“調(diào)參”解決問題，這是初級煉丹師的操作，無法體現(xiàn)

候選人對模型架構(gòu)、損失函數(shù)或數(shù)據(jù)增強(qiáng)深層原理的思考。

3.缺乏個(gè)人核心貢獻(xiàn)：敘述中使用了通用的“我做了...”，沒有將“團(tuán)隊(duì)的工作”和“我的獨(dú)創(chuàng)性

改進(jìn)”剝離，面試官無法判斷這90%的準(zhǔn)確率主要?dú)w功于開源模型本身還是候選人的優(yōu)

化。

高分回答示例：

我想介紹在邁向L4自動駕駛項(xiàng)目中，負(fù)責(zé)“夜間雨天場景下紅綠燈檢測”的經(jīng)歷。該

項(xiàng)目的核心挑戰(zhàn)在于：夜間雨水在路面形成倒影，導(dǎo)致傳統(tǒng)檢測器極易將地面反光

誤檢為紅綠燈，且遠(yuǎn)距離小目標(biāo)僅占圖像10x10像素，極易漏檢。

1.針對誤檢問題的HardSample挖掘：我首先分析了BadCase，發(fā)現(xiàn)誤檢主要集中在強(qiáng)

反光區(qū)域。我沒有簡單加數(shù)據(jù)，而是設(shè)計(jì)了一種基于顏色的自適應(yīng)閾值過濾算法進(jìn)行預(yù)處

理，并針對性地構(gòu)建了NegativeSamples（負(fù)樣本）數(shù)據(jù)集，在訓(xùn)練中引入FocalLoss

重點(diǎn)關(guān)注這些難分樣本，最終將誤檢率降低了15%。

2.針對小目標(biāo)漏檢的架構(gòu)優(yōu)化：我發(fā)現(xiàn)YOLO原生的下采樣倍率過大，導(dǎo)致小目標(biāo)特征丟

失。我修改了FPN結(jié)構(gòu)，增加了一個(gè)P2層的高分辨率特征分支，并引入了SPD-Conv（空

間到深度卷積）替代部分StridedConvolution，保留了更多細(xì)粒度特征。

3.結(jié)果量化：最終，該模型在自建的極度困難測試集上，mAP@0.5從基準(zhǔn)的68%提升至

76%，且保持了實(shí)時(shí)性。這個(gè)方案后來被集成到了主線版本中。

Q3：手撕代碼：實(shí)現(xiàn)非極大值抑制（NMS）算法

?不好的回答示例：

NMS就是用來去掉重復(fù)框的。首先我們有一堆預(yù)測出來的框，每個(gè)框都有置信度。

我們先把這些框按置信度排序，選出最高的那個(gè)。然后把剩下的框和這個(gè)最高的框

算IoU。如果IoU大于一個(gè)閾值，比如0.5，就把那個(gè)框刪掉，因?yàn)樗妥罡叩目蛱?/p>

像了。重復(fù)這個(gè)過程，直到?jīng)]有框?yàn)橹埂４a的話，就是寫個(gè)循環(huán)，每次取第一

個(gè)，算IoU，保留剩下的，最后返回保留的列表。

為什么這么回答不好：

1.邏輯表述缺乏結(jié)構(gòu)：雖然大致流程對，但缺乏算法復(fù)雜度的意識，且沒有提到邊界條件

處理（如空數(shù)組檢查）。

2.缺乏代碼細(xì)節(jié)：沒有提到具體的坐標(biāo)系處理（x1,y1,x2,y2），也沒有提到在計(jì)算IoU時(shí)如

何利用向量化操作（Vectorization）來加速，這在Python中非常重要。

3.未體現(xiàn)優(yōu)化思維：沒有提及Soft-NMS或IoU-GuidedNMS等進(jìn)階變體，顯得知識面僅停

留在基礎(chǔ)教材層面。

高分回答示例：

NMS是目標(biāo)檢測后處理的核心步驟。實(shí)現(xiàn)邏輯如下：首先，輸入包含所有預(yù)測框的

坐標(biāo)和置信度得分。

1.預(yù)處理與排序：

首先判斷輸入是否為空。如果不為空，根據(jù)置信度Score對所有框進(jìn)行降序排

列。這一步是為了優(yōu)先保留最高質(zhì)量的檢測結(jié)果。

2.循環(huán)抑制（核心邏輯）：

創(chuàng)建一個(gè)列表keep用于存儲最終結(jié)果。在循環(huán)中，每次取出得分最高的框A加入

keep。然后，計(jì)算框A與剩余所有框B_i的IoU（交并比）。

在計(jì)算Intersection時(shí)，利用xx1=np.maximum(x1[i],x1[order[1:]])等向量化操

作，避免Python層面的for循環(huán)，大幅提升效率。

計(jì)算出IoU后，保留那些IoU小于閾值（如0.5）的框，因?yàn)榇笥陂撝档谋灰暈橹貜?fù)檢測

予以剔除。

更新剩余框列表，重復(fù)直至列表為空。

3.代碼關(guān)鍵點(diǎn)：

在實(shí)現(xiàn)時(shí)，我會特別注意坐標(biāo)的(x2-x1+1)是否需要加1（取決于像素定

義），以及防止分母為0的情況。此外，對于Dense場景，為了避免遮擋目標(biāo)被

誤刪，實(shí)際項(xiàng)目中我可能會考慮Soft-NMS，即通過衰減得分而非直接刪除來保

留部分高重疊框。

Q4：Transformer和CNN在計(jì)算機(jī)視覺任務(wù)中的區(qū)別與優(yōu)劣勢對比

?不好的回答示例：

CNN是主要用卷積核提取特征，像ResNet、VGG這些。Transformer是用

Attention機(jī)制，像ViT。CNN的優(yōu)勢是速度快，參數(shù)少一點(diǎn)，適合做實(shí)時(shí)任務(wù)。

Transformer的效果一般更好，但是它需要的數(shù)據(jù)量很大，訓(xùn)練起來很慢，顯存占

用也高?，F(xiàn)在大模型都用Transformer。CNN主要看局部，Transformer看全局。

為什么這么回答不好：

1.理論深度極淺：僅停留在“速度快/慢”、“效果好/壞”的表象對比，未觸及“歸納偏置

（InductiveBias）”這一核心概念。

2.片面化理解：簡單地說“Transformer效果一般更好”是不嚴(yán)謹(jǐn)?shù)?，在小?shù)據(jù)集上CNN往往

優(yōu)于Transformer。

3.缺乏底層機(jī)制對比：未能對比權(quán)重共享（WeightSharing）與動態(tài)權(quán)重（Dynamic

Weight）的區(qū)別，也未提及位置編碼在兩者中的不同地位。

高分回答示例：

這兩種架構(gòu)的本質(zhì)區(qū)別在于歸納偏置（InductiveBias）**和**感受野的構(gòu)建方

式。

1.歸納偏置與特征提?。?/p>

CNN具有很強(qiáng)的歸納偏置，即平移不變性和局部性。卷積核在全圖滑動共享權(quán)重，這

使得CNN在小數(shù)據(jù)集上極其高效，容易收斂，且天然適合提取邊緣紋理等底層特征。

Transformer（ViT）**則通過Self-Attention建立像素（Patch）間的長程依賴，它的

歸納偏置很弱。這意味著它需要海量數(shù)據(jù)（如JFT-300M）來“學(xué)習(xí)”空間關(guān)系，但在大

數(shù)據(jù)集下上限更高，且具有**動態(tài)權(quán)重特性（根據(jù)輸入內(nèi)容調(diào)整關(guān)注點(diǎn)）。

2.感受野（ReceptiveField）：

CNN的感受野隨網(wǎng)絡(luò)深度線性或線性累積增加，淺層只能看局部。

Transformer在第一層就能通過GlobalAttention擁有全局感受野，這在處理多模態(tài)融合

或大跨度目標(biāo)檢測時(shí)優(yōu)勢明顯。

3.計(jì)算復(fù)雜度與部署：

CNN的時(shí)間復(fù)雜度通常與圖像尺寸呈線性關(guān)系。

標(biāo)準(zhǔn)Transformer的Self-Attention復(fù)雜度是，對高分辨率圖像極不友好。因此，

在蔚來這種對實(shí)時(shí)性要求極高的自動駕駛場景中，我們通常會采用SwinTransformer這

樣的窗口機(jī)制，或者CNN-Transformer混合架構(gòu)（如DETR的Backbone仍常選用

ResNet）來平衡精度與速度。

Q5：講一下BatchNormalization（BN）的原理、作用及在訓(xùn)練推理時(shí)的區(qū)別

?不好的回答示例：

BN就是批歸一化。它的原理是把每一層的輸出減去均值再除以方差，變成標(biāo)準(zhǔn)正態(tài)

分布。作用是防止梯度消失，還能加快訓(xùn)練速度，防止過擬合。在訓(xùn)練的時(shí)候，是

用當(dāng)前Batch的均值和方差。在推理的時(shí)候，因?yàn)闆]有Batch了，所以要用別的方

法，好像是用訓(xùn)練時(shí)候算好的全局均值和方差。具體公式就是除以sigma。

為什么這么回答不好：

1.公式描述不完整：漏掉了至關(guān)重要的可學(xué)習(xí)參數(shù)（縮放）和（平移）。沒有這兩個(gè)

參數(shù)，BN會破壞網(wǎng)絡(luò)已學(xué)到的特征分布，限制網(wǎng)絡(luò)表達(dá)能力。

2.推理機(jī)制解釋模糊：僅僅說“別的方法”，沒有準(zhǔn)確說出是使用移動平均（Running

Mean/Variance）在訓(xùn)練過程中統(tǒng)計(jì)出來的。

3.原理層面缺失：未提及InternalCovariateShift（內(nèi)部協(xié)變量偏移）這一經(jīng)典解釋，雖然

學(xué)術(shù)界有爭議，但這是標(biāo)準(zhǔn)答案的一部分。

高分回答示例：

BatchNormalization旨在解決深度網(wǎng)絡(luò)中的InternalCovariateShift（內(nèi)部協(xié)

變量偏移）問題。

1.基本原理與公式：

BN首先對當(dāng)前Batch的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化：，使其均值為0方差為

1。

關(guān)鍵點(diǎn)在于：接著會通過兩個(gè)可學(xué)習(xí)參數(shù)和進(jìn)行線性變換：。

這一步是為了恢復(fù)網(wǎng)絡(luò)的表達(dá)能力，如果，則可以恢復(fù)原始分布，

這保證了BN至少不會降低模型性能。

2.訓(xùn)練與推理的嚴(yán)格區(qū)分：

訓(xùn)練時(shí)：使用當(dāng)前Batch的統(tǒng)計(jì)量（）進(jìn)行歸一化。同時(shí)，模型會維護(hù)一對全

局統(tǒng)計(jì)量（RunningMean/Var），通過動量更新策略（Momentum）不斷追蹤整個(gè)數(shù)

據(jù)集的分布。

推理時(shí)：單張圖片輸入沒有Batch概念，必須使用訓(xùn)練期累計(jì)下來的全局Running

Mean和RunningVar進(jìn)行歸一化，且參數(shù)被固定。

3.作用：

BN平滑了優(yōu)化地形（OptimizationLandscape），允許使用更大的學(xué)習(xí)率，顯

著加速收斂；同時(shí)引入了少量的噪聲（受Batch采樣影響），具有輕微的正則化

效果，能緩解過擬合。

Q6：手撕代碼：計(jì)算兩個(gè)矩形框的IoU（交并比）

?不好的回答示例：

IoU就是交集除以并集。假設(shè)有兩個(gè)框box1和box2。我們先算交集的面積。先找交

集矩形的左上角，是兩個(gè)框左上角坐標(biāo)取大的那個(gè)。右下角是取小的那個(gè)。然后寬

就是x2-x1，高就是y2-y1。交集面積就是寬乘以高。并集面積就是兩個(gè)框面積加起

來減去交集。最后除一下就行了。要注意寬和高如果小于0要變成0。

為什么這么回答不好：

1.變量命名混亂：純口述極其容易讓面試官聽暈，缺乏結(jié)構(gòu)化的輸入輸出定義（如box=

[x1,y1,x2,y2]）。

2.關(guān)鍵邏輯缺失：提到了“小于0變成0”，但沒有強(qiáng)調(diào)這是在計(jì)算交集寬/高時(shí)的關(guān)鍵步驟m

ax(0,...)，這是最容易寫bug的地方。

3.除零錯(cuò)誤風(fēng)險(xiǎn)：未提及當(dāng)并集面積為0（雖然極少見，但作為健壯代碼需考慮）或極小值

時(shí)的防除零處理（EPS）。

高分回答示例：

IoU是評估檢測精度的基石。計(jì)算函數(shù)通常接收兩個(gè)框box1,box2，格式為[x1,

y1,x2,y2]。

1.計(jì)算交集（Intersection）坐標(biāo)：

首先確定交集矩形的幾何邊界。

左上角xx1=max(box1[0],box2[0]),yy1=max(box1[1],box2[1])

右下角xx2=min(box1[2],box2[2]),yy2=min(box1[3],box2[3])

2.計(jì)算有效交集面積：

這是最容易出錯(cuò)的點(diǎn)。必須考慮兩個(gè)框完全不相交的情況。

w=max(0,xx2-xx1)

h=max(0,yy2-yy1)

inter_area=w*h

如果不用max(0,...)，不相交時(shí)坐標(biāo)相減為負(fù)，乘積可能變成正數(shù)，導(dǎo)致邏輯錯(cuò)

誤。

3.計(jì)算并集（Union）與比率：

box1_area=(box1[2]-box1[0])*(box1[3]-box1[1])

box2_area=(box2[2]-box2[0])*(box2[3]-box2[1])

union_area=box1_area+box2_area-inter_area

最后返回inter_area/(union_area+1e-6)，添加Epsilon防止除零異常。在

Pytorch中，我會直接使用torch.max和廣播機(jī)制來實(shí)現(xiàn)批量IoU計(jì)算。

Q7：詳細(xì)推導(dǎo)一下Self-Attention的計(jì)算過程和時(shí)間復(fù)雜度

?不好的回答示例：

Self-Attention就是Q、K、V三個(gè)矩陣。輸入X，分別乘上三個(gè)權(quán)重矩陣得到

QKV。然后Q和K轉(zhuǎn)置相乘，算出一個(gè)分?jǐn)?shù)。這個(gè)分?jǐn)?shù)要經(jīng)過Softmax。然后結(jié)果再

乘以V。這就是輸出。時(shí)間復(fù)雜度大概是N平方吧，因?yàn)橐仃囅喑?。如果是圖像的

話，N就是像素個(gè)數(shù)，所以圖像大了就算不動了。

為什么這么回答不好：

1.缺乏數(shù)學(xué)嚴(yán)謹(jǐn)性：漏掉了核心的**縮放因子**。沒有這個(gè)縮放，點(diǎn)積結(jié)果會很大，

導(dǎo)致Softmax進(jìn)入飽和區(qū)，梯度消失。

2.維度描述缺失：沒有說明Q、K、V的具體維度（），導(dǎo)致后續(xù)推導(dǎo)復(fù)雜度的依據(jù)

不足。

3.復(fù)雜度分析粗糙：只說了，沒有區(qū)分計(jì)算AttentionMap和加權(quán)求和V的兩個(gè)階

段，也沒有體現(xiàn)出Embedding維度的影響。

高分回答示例：

Self-Attention的核心公式是：。假設(shè)輸入

序列長度為，特征維度為。

1.計(jì)算過程：

線性映射：輸入()分別乘以()，得到，這一

步復(fù)雜度為。

相似度計(jì)算：計(jì)算，得到的AttentionMap。這一步進(jìn)行了次點(diǎn)

積，復(fù)雜度為。這里必須除以，是為了防止點(diǎn)積數(shù)值過大導(dǎo)致

Softmax梯度極小。

加權(quán)求和：將的權(quán)重矩陣與()相乘，得到最終輸出。復(fù)雜度為

。

2.時(shí)間復(fù)雜度瓶頸：

總時(shí)間復(fù)雜度為。在視覺任務(wù)中，N是圖像Patch數(shù)量（

）。

當(dāng)圖像分辨率較高時(shí)，項(xiàng)占主導(dǎo)，計(jì)算量呈二次方爆炸。這就是為什么ViT很

難直接處理高分辨率圖像，而需要像SwinTransformer那樣引入窗口注意力機(jī)

制，將復(fù)雜度降為線性的原因。

Q8：介紹一下YOLO系列算法的演變（從v1到v8），重點(diǎn)談?wù)凙nchor-based

和Anchor-free的區(qū)別

?不好的回答示例：

YOLOv1是最早的，把檢測當(dāng)回歸做，但是不好用。v2加了Anchor，v3加了多尺

度，效果好很多。v4用了Mosaic和CSPNet。v5是現(xiàn)在用的最多的，工程化做得

好。v8是最新的，變成了Anchor-free。Anchor-based就是需要預(yù)先設(shè)定框，

Anchor-free就是不需要框，直接預(yù)測點(diǎn)。Anchor-free更靈活，因?yàn)椴恍枰{(diào)

Anchor的大小了。

為什么這么回答不好：

1.演變邏輯斷層：只是羅列版本號，沒有講出“技術(shù)痛點(diǎn)驅(qū)動更新”的邏輯（例如：v2引入

Anchor是為了解決召回率低，v3引入FPN是為了解決小目標(biāo)檢測差）。

2.核心概念解釋淺?。簩nchor-free的解釋僅停留在“不需要框”，未觸及正負(fù)樣本匹配策

略（Assigner）的本質(zhì)變化（如SimOTA,TaskAlignedAssigner）。

3.缺乏對DecoupledHead的認(rèn)知：v8除了Anchor-free，極其重要的改進(jìn)是分類與回歸的

解耦頭（DecoupledHead），這點(diǎn)未提及。

高分回答示例：

YOLO系列的演變是一部不斷平衡精度與速度、從經(jīng)驗(yàn)主義走向這一自適應(yīng)的進(jìn)化

史。

1.v1-v3（Anchor時(shí)代的建立）：YOLOv1開創(chuàng)了One-stage先河，但定位誤差大。v2引入

了AnchorBox機(jī)制，顯著提升了召回率。v3引入了Darknet53和類似FPN的多尺度預(yù)

測，徹底解決了小目標(biāo)檢測難題，確立了工業(yè)界地位。

2.v4-v5（工程化巔峰）：這一時(shí)期重點(diǎn)在于Backbone優(yōu)化（CSPNet）和數(shù)據(jù)增強(qiáng)

（Mosaic,Mixup）。v5并沒有大的架構(gòu)突破，但在工程落地（自適應(yīng)Anchor、Focus

層、極簡部署）上做到了極致。

3.v6-v8（Anchor-free回歸）：

Anchor-based的痛點(diǎn)：需要針對不同數(shù)據(jù)集聚類設(shè)計(jì)Anchor，且大量Anchor導(dǎo)致正

負(fù)樣本極端不平衡，計(jì)算量大。

Anchor-free(YOLOv8)：v8摒棄了Anchor，采用Center-based的方法，直接預(yù)測目

標(biāo)的中心點(diǎn)和到四邊的距離。更重要的是，它引入了SimOTA或TaskAligned

Assigner等動態(tài)標(biāo)簽分配策略，不再根據(jù)IoU死板分配正樣本，而是根據(jù)分類和回歸的

綜合質(zhì)量動態(tài)分配，這才是性能提升的核心。此外，v8采用了DecoupledHead，將

分類和回歸分支解耦，加快了收斂。

Q9：常見的損失函數(shù)有哪些？請解釋FocalLoss是如何解決正負(fù)樣本不平衡問

題的

?不好的回答示例：

常見的Loss有MSE、CrossEntropy。檢測里還有IoULoss、GIoULoss。Focal

Loss主要是為了解決正負(fù)樣本不平衡，比如背景太多了。它在交叉熵前面加了一個(gè)

權(quán)重。如果是容易分類的樣本，權(quán)重就小一點(diǎn)；難分類的樣本，權(quán)重就大一點(diǎn)。這

樣模型就會多關(guān)注難分的樣本，效果就好了。

為什么這么回答不好：

1.公式描述缺失：面試算法崗，核心Loss必須能寫出數(shù)學(xué)形式，僅口語化描述“加了個(gè)權(quán)

重”不夠?qū)I(yè)。

2.混淆概念：沒有區(qū)分清楚類別不平衡（參數(shù)）和難易樣本不平衡（參數(shù)）的區(qū)別。

FocalLoss同時(shí)處理了這兩個(gè)問題，但回答只籠統(tǒng)說了一個(gè)。

3.缺乏對梯度的視角：這里的“權(quán)重變小”本質(zhì)上是主導(dǎo)了梯度的貢獻(xiàn)，未從梯度傳播角度解

釋模型訓(xùn)練的動態(tài)。

高分回答示例：

在視覺任務(wù)中，分類常用CrossEntropy(CE)，回歸常用L1/L2/SmoothL1及IoU

系列（GIoU,DIoU,CIoU）。關(guān)于FocalLoss，它主要由RetinaNet提出，旨在

解決One-stage檢測器中極端的正負(fù)樣本不平衡（背景框遠(yuǎn)多于目標(biāo)框）及難易樣

本不平衡問題。

1.核心公式：

其中是模型對GroundTruth類別的預(yù)測概率。

2.機(jī)制解析：

解決難易不平衡（ModulatingFactor）：引入項(xiàng)（通常）。當(dāng)樣

本被簡單分類時(shí)（例如背景，），該系數(shù)趨近于0，自動降低其Loss貢獻(xiàn)。反

之，對于難分樣本（很?。?，系數(shù)趨近于1，維持Loss。這使得模型訓(xùn)練過程不會

被海量的簡單背景樣本（EasyNegatives）所主導(dǎo)。

解決類別不平衡（Alpha）：引入?yún)?shù)。通常給正樣本設(shè)置較高的（如0.25vs

0.75的配置需結(jié)合具體實(shí)現(xiàn)），平衡正負(fù)樣本的總量差異。

3.應(yīng)用場景：

在我的項(xiàng)目中，當(dāng)檢測小目標(biāo)或數(shù)據(jù)存在長尾分布時(shí)，用FocalLoss替換標(biāo)準(zhǔn)

CELoss，通常能顯著提升Recall，因?yàn)樗鼜?qiáng)迫模型去“啃”那些難啃的骨頭。

Q10：什么是感受野（ReceptiveField）？如何計(jì)算？

?不好的回答示例：

感受野就是特征圖上一個(gè)點(diǎn)能看到原圖多大的區(qū)域。層數(shù)越深，感受野越大。比如

3x3的卷積，第一層看3x3，第二層看5x5。計(jì)算的話就是一層層加起來。感受野越

大越好，能看到全局信息。如果感受野太小，就檢測不到大物體。

為什么這么回答不好：

1.計(jì)算邏輯錯(cuò)誤：“一層層加起來”是錯(cuò)誤的表述。感受野的計(jì)算是累乘步長（Stride）的，

不僅和KernelSize有關(guān)，更和Stride息息相關(guān)。

2.缺乏數(shù)學(xué)公式：沒有給出遞推公式，顯得不夠嚴(yán)謹(jǐn)。

3.結(jié)論絕對化：“感受野越大越好”是錯(cuò)的。對于小目標(biāo)檢測，過大的感受野可能引入過多背

景噪聲，導(dǎo)致特征被淹沒。

高分回答示例：

感受野（RF）定義為卷積神經(jīng)網(wǎng)絡(luò)每一層輸出特征圖上的像素點(diǎn)，在輸入圖像上映

射的區(qū)域大小。它是理解CNN捕捉上下文能力的關(guān)鍵。

1.計(jì)算公式（從后向前遞歸）：

或者更直觀的從前向后公式：

這里是卷積核大小，是步長?？梢钥闯?，Stride（步長）的累積乘積是導(dǎo)致

深層網(wǎng)絡(luò)感受野呈指數(shù)級增長的核心因素，而不僅僅是卷積核大小。

2.有效感受野（EffectiveRF）：

理論感受野通常是一個(gè)矩形，但研究表明，像素對輸出的貢獻(xiàn)符合高斯分布，即

中心區(qū)域影響最大。因此，實(shí)際有效的感受野往往比理論值小。

3.實(shí)際意義：

在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，我們需要確保輸出層的感受野覆蓋目標(biāo)物體的大小。例如在

YOLO中，DetectHead的大尺度分支（檢測小物體）感受野較小，而小尺度分

支（檢測大物體）感受野必須足夠大，否則網(wǎng)絡(luò)將無法“看全”物體，導(dǎo)致識別錯(cuò)

誤。

Q11：介紹一下ResNet的殘差結(jié)構(gòu)解決了什么問題？為什么有效？

?不好的回答示例：

ResNet主要是解決了梯度消失的問題。以前網(wǎng)絡(luò)做不深，做深了效果反而變差。

ResNet加了一個(gè)Shortcut，把輸入直接加到輸出上，變成H(x)=F(x)+x。這樣

梯度就可以直接傳過去，網(wǎng)絡(luò)就能做得很深了，比如ResNet152。有效是因?yàn)樗?/p>

網(wǎng)絡(luò)更容易訓(xùn)練，不會退化。

為什么這么回答不好：

1.問題定義不精準(zhǔn)：ResNet核心解決的是“退化問題（DegradationProblem）”，即深層

網(wǎng)絡(luò)在訓(xùn)練集上的誤差反而比淺層網(wǎng)絡(luò)高，這不同于簡單的梯度消失（可以通過BN解

決）。

2.原理解釋淺層：僅提到“梯度直接傳”，未提及恒等映射（IdentityMapping）在數(shù)學(xué)上的

意義，以及殘差學(xué)習(xí)讓擬合目標(biāo)從變?yōu)闉楹胃菀住?/p>

3.缺乏集成學(xué)習(xí)視角：未提及“ResNet可以被視為多個(gè)淺層網(wǎng)絡(luò)的集成（Ensemble）”這一

深層解釋。

高分回答示例：

ResNet主要解決了深層網(wǎng)絡(luò)中的退化問題（DegradationProblem），即隨著層

數(shù)增加，訓(xùn)練集準(zhǔn)確率反而下降的現(xiàn)象（非過擬合）。

1.殘差單元（ResidualBlock）：

ResNet引入了ShortcutConnection，將輸出定義為。這使

得網(wǎng)絡(luò)只需要學(xué)習(xí)輸入與輸出之間的殘差（Residual），而不是直接學(xué)習(xí)

目標(biāo)映射。

2.為什么有效（數(shù)學(xué)視角）：

恒等映射的易學(xué)性：如果深層特征已經(jīng)最優(yōu)，模型只需將的權(quán)重學(xué)為0，即可

退化為淺層網(wǎng)絡(luò)（實(shí)現(xiàn)恒等映射）。這比學(xué)習(xí)復(fù)雜的非線性變換要容易得

多。

梯度高速公路：在反向傳播時(shí)，梯度。這里的保證了

梯度可以直接無損地傳回淺層，有效避免了連乘導(dǎo)致的梯度消失。

3.為什么有效（結(jié)構(gòu)視角）：

后續(xù)研究（如Veit等人）表明，ResNet表現(xiàn)得像多個(gè)淺層網(wǎng)絡(luò)的集成。刪除某個(gè)

殘差塊并不會導(dǎo)致網(wǎng)絡(luò)崩潰，說明其路徑具有獨(dú)立性和冗余性。

Q12：你的項(xiàng)目中遇到了哪些過擬合問題？具體采用了哪些手段解決？

?不好的回答示例：

我的項(xiàng)目里模型訓(xùn)練的時(shí)候，訓(xùn)練集準(zhǔn)確率很高，但是測試集很低，這就是過擬

合。解決辦法主要就是加大數(shù)據(jù)集，做了一些翻轉(zhuǎn)、旋轉(zhuǎn)的數(shù)據(jù)增強(qiáng)。然后我還用

了Dropout，設(shè)置成0.5。還有就是用了L2正則化。最后我也試了早停法，效果就好

很多了。

為什么這么回答不好：

1.手段羅列，缺乏針對性：只是背誦了教科書上的防過擬合方法，沒有結(jié)合具體的視覺任

務(wù)（如檢測、分割）說明具體用了哪種技術(shù)（如Cutout,Mixup等）。

2.缺乏深度歸因：沒有分析導(dǎo)致過擬合的具體原因（是模型參數(shù)量過大？還是數(shù)據(jù)分布單

一？），導(dǎo)致解決方案聽起來像“亂槍打鳥”。

3.Dropout在CNN中的特殊性：在現(xiàn)代CNN（特別是ResNet及以后）中，Dropout用得其

實(shí)很少（通常用BN），盲目說用Dropout0.5可能會暴露實(shí)戰(zhàn)經(jīng)驗(yàn)不足。

高分回答示例：

在我的瑕疵檢測項(xiàng)目中，由于缺陷樣本極少（正負(fù)樣本比1:100），模型在訓(xùn)練集

上mAP達(dá)到95%，但測試集僅為60%，出現(xiàn)了嚴(yán)重的過擬合。我采取了以下分層策

略：

1.數(shù)據(jù)層面（強(qiáng)增強(qiáng)）：

簡單的旋轉(zhuǎn)翻轉(zhuǎn)不夠，我引入了Mosaic和Mixup增強(qiáng)。特別是Mosaic，它通過

拼接4張圖片，豐富了背景并增加了小目標(biāo)數(shù)量，這不僅擴(kuò)充了數(shù)據(jù)，還利用BN

層統(tǒng)計(jì)了更魯棒的分布，這是最有效的手段。

2.模型層面（正則化與結(jié)構(gòu)調(diào)整）：

我使用了LabelSmoothing（標(biāo)簽平滑），將One-hot標(biāo)簽軟化（如0.9和0.1/K），防

止模型對預(yù)測過于自信，這顯著提升了泛化能力。

針對小數(shù)據(jù)集，我發(fā)現(xiàn)ResNet50過大，將其替換為MobileNetV3，減少參數(shù)量，降低

了模型記憶噪聲的風(fēng)險(xiǎn)。

3.訓(xùn)練策略：

引入了CosineAnnealing（余弦退火）學(xué)習(xí)率策略和EarlyStopping。最終測

試集mAP提升至82%，且模型在未見過的光照條件下表現(xiàn)更加穩(wěn)定。

Q13：C++基礎(chǔ)：虛函數(shù)和純虛函數(shù)的區(qū)別，多態(tài)是如何實(shí)現(xiàn)的？

?不好的回答示例：

虛函數(shù)就是前面加virtual關(guān)鍵字，子類可以重寫它。純虛函數(shù)就是后面寫等于0，沒

有函數(shù)體，子類必須重寫。多態(tài)就是父類指針指向子類對象，調(diào)用虛函數(shù)的時(shí)候，

會運(yùn)行子類的函數(shù)。原理好像是有個(gè)虛函數(shù)表，里面存了函數(shù)地址。

為什么這么回答不好：

1.定義不嚴(yán)謹(jǐn)：純虛函數(shù)不是“沒有函數(shù)體”，是可以有的（雖然少見），重點(diǎn)在于強(qiáng)制子類

實(shí)現(xiàn)。

2.機(jī)制解釋太淺：“好像有個(gè)虛函數(shù)表”這種表述非常減分。需要講清楚vptr（虛表指針）存

儲在哪里，vtable（虛表）何時(shí)生成。

3.遺漏關(guān)鍵點(diǎn)：未提及虛析構(gòu)函數(shù)的重要性。如果做算法落地（TensorRT/C++），內(nèi)存管

理是核心，不提虛析構(gòu)會導(dǎo)致內(nèi)存泄漏，這是面試官的大忌。

高分回答示例：

這是C++實(shí)現(xiàn)運(yùn)行時(shí)多態(tài)的基礎(chǔ)。

1.定義區(qū)別：

虛函數(shù)（virtualvoidfoo()）：父類提供默認(rèn)實(shí)現(xiàn)，子類可選擇重寫

（Override）。

純虛函數(shù)（virtualvoidfoo()=0）：父類不提供實(shí)現(xiàn)（通常），定義了接口規(guī)

范，包含純虛函數(shù)的類稱為抽象類，無法實(shí)例化，子類必須強(qiáng)制實(shí)現(xiàn)該接口。

2.多態(tài)實(shí)現(xiàn)原理（vptr&vtable）：

編譯期：編譯器為每個(gè)包含虛函數(shù)的類創(chuàng)建一個(gè)虛函數(shù)表（vtable），表中存儲該類

對應(yīng)的虛函數(shù)地址。

運(yùn)行期：每個(gè)對象內(nèi)存頭部隱藏著一個(gè)虛表指針（vptr）。當(dāng)使用父類指針調(diào)用虛函

數(shù)時(shí)base_ptr->foo()，程序會根據(jù)對象的vptr找到對應(yīng)的vtable，再查找函數(shù)地址進(jìn)

行動態(tài)綁定（DynamicBinding）。

3.工程實(shí)踐（虛析構(gòu)）：

在算法部署工程中，如果使用工廠模式返回基類指針，必須將基類析構(gòu)函數(shù)聲明

為虛函數(shù)。否則，deletebase_ptr只會調(diào)用基類析構(gòu)，導(dǎo)致子類申請的內(nèi)存

（如CUDA顯存）無法釋放，造成嚴(yán)重的內(nèi)存泄漏。

Q14：介紹一下BEV（Bird'sEyeView）感知的基本原理及常用的轉(zhuǎn)換方法

?不好的回答示例：

BEV就是鳥瞰圖，把攝像頭的視角轉(zhuǎn)成從天上看下來的樣子。這樣做規(guī)劃比較好，

因?yàn)榫嚯x是真實(shí)的。轉(zhuǎn)換方法有用IPM，就是逆透視變換，假設(shè)路是平的。現(xiàn)在比

較流行用Transformer轉(zhuǎn)，比如DETR3D或者BEVFormer。還有一個(gè)叫LSS的方

法。蔚來應(yīng)該也是用這些。

為什么這么回答不好：

1.原理闡述不清：沒點(diǎn)出BEV的核心難點(diǎn)是“2D到3D的深度模糊性（Ill-posed

problem）”，即一個(gè)像素對應(yīng)一條射線。

2.方法對比缺乏深度：只是報(bào)菜名（IPM,LSS,BEVFormer），沒有解釋它們的適用場景

和優(yōu)缺點(diǎn)。例如IPM無法處理顛簸路面，LSS極其依賴深度估計(jì)準(zhǔn)確性。

3.缺乏對Attention機(jī)制的解釋：提到Transformer但沒說Query是什么，Key/Value是什么，

這是考察重點(diǎn)。

高分回答示例：

BEV感知的核心是將多視角攝像頭的2D圖像特征統(tǒng)一轉(zhuǎn)換到以車身為中心的3D

（鳥瞰）坐標(biāo)系下，消除透視畸變，便于后續(xù)規(guī)劃控制。核心難點(diǎn)在于解決深度模

糊性。主流轉(zhuǎn)換方法有三類：

1.基于幾何假設(shè)（IPM）：

利用相機(jī)內(nèi)外參和路面平坦假設(shè)進(jìn)行投影。優(yōu)點(diǎn)是計(jì)算快，缺點(diǎn)是路面顛簸或有

障礙物時(shí)會產(chǎn)生嚴(yán)重拉伸畸變，目前僅用于車道線檢測等輔助任務(wù)。

2.基于深度估計(jì)（LSS-Lift,Splat,Shoot）：

先預(yù)測每個(gè)像素的離散深度分布（Lift），結(jié)合相機(jī)內(nèi)參將特征點(diǎn)云化，再投射

到BEV網(wǎng)格（Splat）。優(yōu)點(diǎn)是顯式利用了幾何先驗(yàn)，缺點(diǎn)是極度依賴深度預(yù)測

的準(zhǔn)確性，且計(jì)算量較大（需高效CumSum算子優(yōu)化）。

3.基于Transformer（Query-based，如BEVFormer）：

預(yù)定義一組BEV網(wǎng)格上的GridQueries，通過Cross-Attention機(jī)制，利用相機(jī)

內(nèi)外參索引到對應(yīng)的2D圖像特征區(qū)域進(jìn)行聚合。

蔚來/自動駕駛趨勢：這種方法不依賴顯式深度，端到端學(xué)習(xí)能力強(qiáng)，且容易融合

LiDAR特征，是目前SOTA的主流方向。我了解到蔚來的NAD系統(tǒng)也在向

BEV+Transformer架構(gòu)演進(jìn)。

Q15：優(yōu)化器對比：SGD、Momentum、Adam和AdamW的區(qū)別是什么？

?不好的回答示例：

SGD就是隨機(jī)梯度下降，每次選一個(gè)樣本更新，震蕩很大。Momentum加了動量，

能沖過局部極小值。Adam是自適應(yīng)的，每個(gè)人學(xué)習(xí)率不一樣，收斂快，但是容易

過擬合。AdamW就是Adam加了權(quán)重衰減。一般現(xiàn)在都用AdamW，效果最好。

為什么這么回答不好：

1.AdamW的核心改進(jìn)沒講對：僅僅說“加了權(quán)重衰減”是不準(zhǔn)確的。Adam也有L2正則，

AdamW的區(qū)別在于解耦（Decoupled）了WeightDecay和梯度更新，這才是關(guān)鍵。

2.缺乏對“二階動量”的描述：解釋Adam時(shí)未提及它利用了梯度的均值（一階）和未中心化

的方差（二階）來動態(tài)調(diào)整學(xué)習(xí)率。

3.SGD的優(yōu)勢未提及：雖然Adam快，但SGD+Momentum往往能收斂到更好的泛化解，很

多Top級論文（如ResNet,ViT）最終SOTA還是靠SGD跑出來的。

高分回答示例：

這幾種優(yōu)化器的演進(jìn)主要圍繞加速收斂和提升泛化能力展開。

1.SGD與Momentum：

SGD更新方向完全依賴當(dāng)前Batch，震蕩大。Momentum引入了一階動量（慣

性），更新量由當(dāng)前梯度和歷史更新方向共同決定。這不僅加速了收斂，還能借

慣性沖出鞍點(diǎn)或局部極小值。

2.Adam（AdaptiveMomentEstimation）：

結(jié)合了Momentum（一階動量）和RMSProp（二階動量，即梯度的平方）。它

能為每個(gè)參數(shù)自適應(yīng)調(diào)整學(xué)習(xí)率：梯度大的參數(shù)步長小，梯度小的步長大了。

缺點(diǎn)：這里的L2正則化通常被實(shí)現(xiàn)為加在梯度上，這在自適應(yīng)學(xué)習(xí)率下會導(dǎo)致正則化

力度不均勻，導(dǎo)致泛化性往往不如SGD。

3.AdamW（AdamwithDecoupledWeightDecay）：

這是Transformer訓(xùn)練的標(biāo)配。它修正了Adam中L2正則化的實(shí)現(xiàn)方式，將

WeightDecay直接作用于權(quán)重參數(shù)本身，而不是混合在梯度中。這種解耦讓權(quán)

重衰減獨(dú)立于學(xué)習(xí)率，使得模型在保持Adam快速收斂的同時(shí)，獲得了類似SGD

的優(yōu)異泛化性能。

Q16：手撕代碼：實(shí)現(xiàn)K-Means聚類算法

?不好的回答示例：

K-Means就是先隨機(jī)選K個(gè)點(diǎn)當(dāng)中心。然后算每個(gè)點(diǎn)到這K個(gè)中心的距離，離誰近

就歸誰。分好類之后，算每個(gè)類的平均值，變成新的中心。一直重復(fù)，直到中心不

動了。代碼的話寫個(gè)while循環(huán)，里面算距離，更新中心，判斷一下如果不動了就

break。

為什么這么回答不好：

1.初始化風(fēng)險(xiǎn)未提及：K-Means對初始化非常敏感，隨機(jī)初始化可能導(dǎo)致陷入局部最優(yōu)

（如兩個(gè)中心擠在一起）。雖然不要求寫K-Means++，但口頭必須提到這點(diǎn)。

2.收斂條件單一：僅說“中心不動”，實(shí)際代碼中通常還需要設(shè)置最大迭代次數(shù)（Max

Iterations），防止死循環(huán)。

3.距離計(jì)算細(xì)節(jié)：未提及利用廣播（Broadcasting）機(jī)制批量計(jì)算距離，如果是寫Python

代碼，用for循環(huán)逐點(diǎn)計(jì)算距離是極其低效的，面試官會認(rèn)為工程能力弱。

高分回答示例：

K-Means的核心是EM算法思想（Expectation-Maximization）。代碼實(shí)現(xiàn)主要包

含三個(gè)步驟：

1.初始化：

隨機(jī)選擇K個(gè)樣本作為初始質(zhì)心（Centroids）。為了避免局部最優(yōu)，實(shí)際工程中

我會使用**K-Means++**策略（即選距離已有中心越遠(yuǎn)的點(diǎn)越大概率成為新中

心），但手寫基礎(chǔ)版可先隨機(jī)選。

2.迭代循環(huán)（Assignment&Update）：

E步（歸類）：計(jì)算所有樣本與個(gè)質(zhì)心的歐氏距離。這里利用

廣播機(jī)制：dist=((X[:,None]-Centroids[None,:])**2).sum(axis=2)，得

到矩陣，通過argmin找到每個(gè)樣本所屬的簇。

M步（更新）：對歸屬同一簇的樣本求均值，作為新的質(zhì)心。注意處理空簇的情況

（即某簇沒有樣本），需重新隨機(jī)初始化該質(zhì)心。

3.終止條件：

判斷新舊質(zhì)心的位移變化是否小于閾值（Tol），或者達(dá)到最大迭代次數(shù)

（Max_Iter）。

Q17：講一下L1正則化和L2正則化的區(qū)別及幾何解釋

?不好的回答示例：

L1是絕對值，L2是平方。L1能讓權(quán)重變成0，產(chǎn)生稀疏解，可以用來做特征選擇。

L2是讓權(quán)重變小，但是不會變成0，叫權(quán)重衰減。幾何上，L1是菱形，L2是圓形。

因?yàn)榱庑斡屑饨?，所以容易相交在坐?biāo)軸上，就是0了。圓形不容易碰到軸，所以

只是變小。

為什么這么回答不好：

1.描述過于通俗：“不容易碰到軸”這種說法不夠數(shù)學(xué)化。應(yīng)該解釋等高線（Contour）**與

**約束域的相切問題。

2.貝葉斯視角缺失：高級算法崗?fù)ǔＦ诖牭截惾~斯先驗(yàn)的解釋（L1對應(yīng)拉普拉斯先驗(yàn)，

L2對應(yīng)高斯先驗(yàn)）。

3.應(yīng)用場景不明：未結(jié)合深度學(xué)習(xí)現(xiàn)狀——為什么現(xiàn)在主流（如ResNet/Transformer）多

用L2（WeightDecay）而少用L1？（因?yàn)長1不可導(dǎo)，且現(xiàn)代網(wǎng)絡(luò)更傾向于保留所有特征

但抑制幅值）。

高分回答示例：

它們都是在Loss中引入罰項(xiàng)以限制模型復(fù)雜度，防止過擬合。

1.數(shù)學(xué)與功能區(qū)別：

L1(Lasso)：添加權(quán)重絕對值之和。它的梯度是常數(shù)（符號函數(shù)），能使權(quán)

重強(qiáng)行歸零，產(chǎn)生稀疏解，常用于特征選擇。

L2(Ridge)：添加權(quán)重平方和。它的梯度與線性相關(guān)，使權(quán)重趨向于0但

不為0（平滑），防止單個(gè)特征主導(dǎo)模型，提升魯棒性。

2.幾何解釋（帶約束的優(yōu)化）：

將正則化視為約束條件（或）。

Loss函數(shù)的等高線向中心收縮時(shí)，會與約束域相切。

L2的約束域是圓/球，切點(diǎn)通常在圓周上，很難正好落在坐標(biāo)軸上。

L1的約束域是菱形/多面體，其“尖角”突起在坐標(biāo)軸上。等高線極大概率優(yōu)先接觸到這

些尖角，導(dǎo)致部分維度權(quán)重為0。

3.貝葉斯視角：

L1相當(dāng)于引入了拉普拉斯先驗(yàn)（LaplacePrior），L2相當(dāng)于引入了高斯先驗(yàn)

（GaussianPrior）。

Q18：在目標(biāo)檢測中，mAP是如何計(jì)算的？Precision和Recall的定義是什么？

?不好的回答示例：

Precision是查準(zhǔn)率，Recall是查全率。Precision=TP/(TP+FP)，Recall=

TP/(TP+FN)。mAP就是MeanAveragePrecision。先算每個(gè)類的AP，然后取

平均。AP就是PR曲線下的面積。TP就是檢測對了，F(xiàn)P是檢測錯(cuò)了。FN是漏檢

了。計(jì)算的時(shí)候要看IoU，IoU大于0.5就算TP。

為什么這么回答不好：

1.TP定義不嚴(yán)謹(jǐn)：僅僅說“IoU大于0.5”是不夠的。必須強(qiáng)調(diào)“IoU>閾值且置信度>閾值”

且“同一GT只能被匹配一次”（去重邏輯），否則多重檢測會被誤算為多個(gè)TP。

2.AP計(jì)算邏輯簡化：現(xiàn)在的COCO標(biāo)準(zhǔn)mAP不是簡單的曲線積分，而是平滑插值（比如11

點(diǎn)插值或101點(diǎn)插值）后的面積，這點(diǎn)細(xì)節(jié)能體現(xiàn)專業(yè)度。

3.mAP的具體含義混淆：COCOmAP通常指mAP@[.5:.95]，即在不同IoU閾值下的平均

值，而不僅僅是IoU=0.5的情況。

高分回答示例：

mAP（MeanAveragePrecision）是衡量檢測器綜合性能的指標(biāo)。

1.基礎(chǔ)定義：

Precision(精確率)：，即“檢出的框里有多少是對的”。

Recall(召回率)：，即“所有的真值里檢出了多少”。

TP判定：預(yù)測框與GT的IoU>閾值（如0.5），且該GT未被其他更高分的預(yù)測框匹配

（唯一性）。

2.AP（AveragePrecision）計(jì)算：

我們將所有預(yù)測框按置信度排序，逐個(gè)納入計(jì)算，得到一系列(R,P)點(diǎn)，繪制P-

R曲線。AP即為該曲線下的面積。

平滑處理：實(shí)際上，通常采用插值法（如PascalVOC的11點(diǎn)或COCO的101點(diǎn)），即

對每個(gè)Recall值，取，保證曲線單調(diào)遞減，消除“鋸

齒”波動。

3.mAP@[.5:.95]：

現(xiàn)在的標(biāo)準(zhǔn)（如COCO）不僅計(jì)算IoU=0.5時(shí)的AP，而是計(jì)算IoU從0.5到0.95

（步長0.05）共10個(gè)閾值下的AP，然后求平均。這要求模型不僅要“框住”，還

要“框得準(zhǔn)（位置貼合）”，這對自動駕駛等高精場景尤為重要。

Q19：對于小目標(biāo)檢測難點(diǎn)，你有什么具體的改進(jìn)思路？

?不好的回答示例：

小目標(biāo)難檢測是因?yàn)橄袼靥倭?，特征都沒了。改進(jìn)的話，可以把圖片放大再輸進(jìn)

去?；蛘哂枚喑叨扔?xùn)練。還可以用FPN，把深層和淺層特征融合一下。另外就是

Loss上面改一下，把小目標(biāo)的權(quán)重調(diào)大一點(diǎn)。我覺得數(shù)據(jù)增強(qiáng)也很重要，比如多復(fù)

制幾個(gè)小目標(biāo)貼到圖里。

為什么這么回答不好：

1.思路散亂：缺乏系統(tǒng)性框架（輸入端、模型端、Loss端、后處理端）。

2.技術(shù)術(shù)語匱乏：“復(fù)制幾個(gè)貼進(jìn)去”應(yīng)該表述為Copy-Paste或Mosaic。

3.未觸及本質(zhì)：沒提到下采樣率（Stride）的問題?，F(xiàn)有網(wǎng)絡(luò)通常下采樣32倍，小目標(biāo)可

能在FeatureMap上只剩不到1個(gè)點(diǎn)，這才是核心痛點(diǎn)。

高分回答示例：

小目標(biāo)檢測（如遠(yuǎn)處的交通燈、行人）主要難在特征在下采樣中丟失及正樣本匹配

匱乏。我的改進(jìn)思路主要分為三點(diǎn)：

1.數(shù)據(jù)增強(qiáng)與輸入端：

Copy-Paste/Mosaic：增加小目標(biāo)出現(xiàn)的頻次和背景多樣性。

SAHI(SlicingAidedHyperInference)：針對高分辨率圖，采用切片推理。將大圖

切成重疊小塊分別推理，再合并結(jié)果，相當(dāng)于物理上放大了小目標(biāo)，這在工程上極有

效。

2.模型架構(gòu)優(yōu)化：

減少下采樣倍率：很多Backbone最后Stride=32，我會在FPN中利用空洞卷積

（DilatedConv）替代部分下采樣，或者專門增加P2層（Stride=4）的高分辨率分支，

保留細(xì)粒度特征。

特征融合：加強(qiáng)FPN的橫向連接，甚至使用BiFPN（EfficientDet）來更好地融合深層

語義和淺層紋理。

3.匹配策略與Loss：

Anchor策略：如果是Anchor-based，需重新聚類設(shè)計(jì)更小的Anchor。

動態(tài)匹配（SimOTA）：小目標(biāo)IoU通常很低，傳統(tǒng)IoU匹配容易將其丟棄。使用基于

Cost的動態(tài)匹配策略，能讓小目標(biāo)更容易分配到正樣本。

Q20：Python基礎(chǔ)：裝飾器（Decorator）的作用和生成器（Generator）的

區(qū)別

?不好的回答示例：

裝飾器就是@那個(gè)符號，寫在函數(shù)上面。它可以給函數(shù)加功能，比如記日志、算時(shí)

間，不用改原來的代碼。生成器就是用yield的函數(shù)。它不會一下把數(shù)據(jù)都算出

來，是用一個(gè)算一個(gè)，省內(nèi)存。比如range就是一個(gè)生成器。區(qū)別就是裝飾器是改

函數(shù)的，生成器是產(chǎn)生數(shù)據(jù)的。

為什么這么回答不好：

1.定義不準(zhǔn)確：range在Python3中是迭代器（Iterator）對象，雖然行為像生成器，但嚴(yán)

格來說生成器是指帶yield的函數(shù)。

2.裝飾器原理未解釋：沒說清楚裝飾器本質(zhì)是閉包（Closure），即接收一個(gè)函數(shù)返回一

個(gè)新函數(shù)。

3.應(yīng)用場景單一：生成器除了省內(nèi)存，在深度學(xué)習(xí)DataLoader中的流式讀取數(shù)據(jù)流

（Streaming）也是核心應(yīng)用，未結(jié)合崗位背景。

高分回答示例：

這兩者是Python的高級特性，在深度學(xué)習(xí)框架開發(fā)中非常常見。

1.裝飾器（Decorator）：

原理：本質(zhì)是閉包。它接收一個(gè)函數(shù)作為參數(shù)，并返回一個(gè)新的函數(shù)，實(shí)現(xiàn)在不修改

原函數(shù)代碼的前提下擴(kuò)展功能（AOP面向切面編程思想）。

應(yīng)用：在我之前的項(xiàng)目中，我寫了一個(gè)@time_limit裝飾器來監(jiān)控推理函數(shù)的耗時(shí)；

在PyTorch中，@torch.no_grad()也是典型的上下文管理器/裝飾器用法，用于推理階

段關(guān)閉梯度計(jì)算。

2.生成器（Generator）：

原理：使用yield關(guān)鍵字。與普通函數(shù)一次性返回（return）所有結(jié)果不同，生成器

保存執(zhí)行狀態(tài)，每次調(diào)用next()時(shí)計(jì)算并返回一個(gè)值，實(shí)現(xiàn)惰性求值（Lazy

Evaluation）。

應(yīng)用：這對AI訓(xùn)練至關(guān)重要。當(dāng)處理TB級的數(shù)據(jù)集時(shí)，無法一次性讀入內(nèi)存。我們需

要自定義Dataset，利用生成器機(jī)制，在訓(xùn)練過程中流式（Streaming）讀取硬盤數(shù)據(jù)

并動態(tài)進(jìn)行Augmentation，從而用有限內(nèi)存訓(xùn)練海量數(shù)據(jù)。

Q21：講一下VisionTransformer(ViT)的PatchEmbedding是如何實(shí)現(xiàn)的？

?不好的回答示例：

PatchEmbedding就是把一張圖切成很多小方塊。比如圖片是224x224，Patch大

小是16x16，那就切成了14x14個(gè)塊。然后把每個(gè)塊拉平成一條向量，再經(jīng)過一個(gè)

全連接層（Linear）映射到想要的維度。最后再加上位置編碼輸入到Transformer

里面去。代碼里通常就用循環(huán)或者切片來實(shí)現(xiàn)這個(gè)過程。

為什么這么回答不好：

1.工程實(shí)現(xiàn)認(rèn)知偏差：雖然邏輯上是“切片+全連接”，但在PyTorch等框架的實(shí)際高效實(shí)現(xiàn)

中，幾乎沒人用循環(huán)或切片操作，而是直接使用步長等于核大小的卷積（Conv2d）。

2.遺漏關(guān)鍵Token：忘記提及CLSToken（分類Token）的拼接。ViT在序列頭部加了一個(gè)

可學(xué)習(xí)的CLSToken用于最終分類，這是復(fù)刻BERT的關(guān)鍵設(shè)計(jì)。

3.維度變化描述不清：沒有清晰描述Tensor的維度變換流程（

），這在面試中是考察對數(shù)據(jù)流理解的關(guān)鍵。

高分回答示例：

PatchEmbedding是將2D圖像轉(zhuǎn)化為Transformer能夠處理的1D序列數(shù)據(jù)的關(guān)鍵

步驟。

1.核心實(shí)現(xiàn)（Conv2dTrick）：

雖然理論上是分塊鋪平，但在代碼落地時(shí)，最高效的方法是使用一個(gè)卷積層。

假設(shè)輸入為，PatchSize為16，輸出維度為768。我們會定義一

個(gè)nn.Conv2d(in=3,out=768,kernel_size=16,stride=16)。

這個(gè)卷積層的步長和核大小一致，意味著它在每個(gè)Patch上滑動一次且不重疊，

直接完成了“分塊+特征映射”兩步。輸出為。

2.Flatten與維度變換：

接著將空間維度拉平（Flatten），得到的序列。

3.特殊Token與位置編碼：

CLSToken：拼接一個(gè)可學(xué)習(xí)的向量到序列頭部，用于后續(xù)匯聚全局分

類信息，此時(shí)序列長度變?yōu)?97。

PositionEmbedding：最后加上一個(gè)同樣形狀的LearnablePositionEmbedding，

以保留空間位置信息，因?yàn)門ransformer本身不具備平移不變性。

Q22：什么是梯度消失和梯度爆炸？如何緩解？

?不好的回答示例：

梯度消失就是網(wǎng)絡(luò)太深了，反向傳播的時(shí)候梯度越乘越小，最后變成0了，前面幾

層就沒法更新參數(shù)。梯度爆炸就是反過來，梯度越乘越大，變成NaN了。緩解的方

法就是用ReLU激活函數(shù)，因?yàn)樗鼘?dǎo)數(shù)是1。還有就是用BatchNormalization。或

者把網(wǎng)絡(luò)層數(shù)弄少一點(diǎn)。

為什么這么回答不好：

1.數(shù)學(xué)本質(zhì)解釋不清：未能從鏈?zhǔn)椒▌t（ChainRule）的角度解釋連乘效應(yīng)。即，

當(dāng)多項(xiàng)小于1時(shí)消失，大于1時(shí)爆炸。

2.解決方案不系統(tǒng)：只是零散提到了ReLU和BN，未涵蓋初始化策略（He/Xavier）和網(wǎng)絡(luò)

結(jié)構(gòu)設(shè)計(jì)（ResNetShortcut）這兩個(gè)極其重要的方面。

3.爆炸的解法缺失：針對梯度爆炸，最直接且標(biāo)準(zhǔn)的工程解法是梯度裁剪（Gradient

Clipping），回答中未提及。

高分回答示例：

這兩個(gè)問題都源于深度神經(jīng)網(wǎng)絡(luò)反向傳播中的鏈?zhǔn)椒▌t。梯度計(jì)算涉及連續(xù)矩陣乘

法：。

1.成因：

消失：當(dāng)激活函數(shù)導(dǎo)數(shù)（如Sigmoid飽和區(qū)）或權(quán)重初始化過小，連乘后

梯度指數(shù)級衰減趨近于0，導(dǎo)致淺層參數(shù)無法更新。

爆炸：當(dāng)權(quán)重初始化過大，連乘后梯度呈指數(shù)級增長，導(dǎo)致權(quán)重更新幅度過大，網(wǎng)絡(luò)

不穩(wěn)定甚至溢出（NaN）。

2.系統(tǒng)性緩解策略：

模型結(jié)構(gòu)：使用ResNet殘差連接。梯度可以通過Shortcut路徑直接無損回傳（

），是解決消失問題最有效的結(jié)構(gòu)手段。

激活函數(shù)：使用ReLU或LeakyReLU。在正區(qū)間導(dǎo)數(shù)恒為1，避免了Sigmoid導(dǎo)數(shù)最

大只有0.25導(dǎo)致的衰減。

歸一化：BatchNormalization將每層輸入拉回標(biāo)準(zhǔn)正態(tài)分布，保證輸入落在激活函

數(shù)的敏感區(qū)，且限制了權(quán)重的尺度。

初始化：采用He初始化（針對ReLU）或Xavier初始化（針對Tanh/Sigmoid），保持

每層輸出方差一致。

針對爆炸：直接使用GradientClipping（梯度裁剪），設(shè)定閾值強(qiáng)制截?cái)嗵荻确?/p>

數(shù)。

Q23：激活函數(shù)對比：Sigmoid、ReLU、LeakyReLU和GELU的優(yōu)缺點(diǎn)

?不好的回答示例：

Sigmoid是把輸壓縮到0到1，以前用的多，現(xiàn)在不怎么用了，因?yàn)樗刑荻认А?/p>

ReLU就是大于0的部分保留，小于0的變成0，計(jì)算很快，現(xiàn)在用的最多。

LeakyReLU就是給負(fù)數(shù)部分一個(gè)小斜率，不讓它死掉。GELU好像是BERT里用

的，效果比較好，比較平滑。

為什么這么回答不好：

1.Sigmoid缺點(diǎn)不全：除了梯度消失，Sigmoid還存在非零中心化（NotZero-centered）

的問題，這會導(dǎo)致收斂變慢（Zigzagpath），這點(diǎn)常被忽略。

2.DeadReLU解釋不清：提到“死掉”，但沒解釋清楚為什么會死掉（大梯度流經(jīng)導(dǎo)致權(quán)重

更新過猛，偏置變負(fù)，之后永遠(yuǎn)落入負(fù)區(qū)間）。

3.GELU原理缺失：GELU是目前Transformer的標(biāo)配，只說“平滑”不夠，需要提到其概率解

釋（Dropout思想+激活）。

高分回答示例：

激活函數(shù)的演進(jìn)體現(xiàn)了對優(yōu)化性質(zhì)的追求。

1.Sigmoid：

缺點(diǎn)：極易導(dǎo)致梯度消失（導(dǎo)數(shù)最大0.25）；輸出非零中心化，導(dǎo)致梯度更新方向震

蕩；包含冪運(yùn)算，計(jì)算昂貴。目前主要僅用于二分類輸出層。

2.ReLU(RectifiedLinearUnit)：

優(yōu)勢：正區(qū)間導(dǎo)數(shù)為1，解決梯度消失；計(jì)算極快（僅閾值判斷）；收斂速度快。

缺點(diǎn)：DeadReLU問題。如果某個(gè)神經(jīng)元輸入落入負(fù)區(qū)間，梯度為0，該神經(jīng)元可能

永遠(yuǎn)無法被激活。

3.LeakyReLU：

在負(fù)區(qū)間給予一個(gè)微小的斜率（如0.01），保證梯度能回傳，解決了DeadReLU問

題，通常比ReLU稍好。

4.GELU(GaussianErrorLinearUnit)：

特點(diǎn)：在Transformer中是SOTA。它結(jié)合了ReLU的性質(zhì)和Dropout的隨機(jī)性思想，可

以看作是期望下的ReLU：