记录一下面试算法岗过程中问到的问题，部分想不起了。
1.交叉熵是怎么回事？公式是什么？
在机器学习中，我们需要评估label和predicts之间的差距，使用KL散度刚刚好，即
由于KL散度中的前一部分−H(y)不变，故在优化过程中，只需要关注交叉熵就可以了。所以一般在机器学习中直接用用交叉熵做loss，评估模型。
等式的前一部分恰巧就是p的熵，等式的后一部分，就是交叉熵：
- 详细见：https://blog.csdn.net/lison_zhu/article/details/97234817
2.介绍非最大值抑制。
定义：
在模型预测阶段，我们先为图像生成多个锚框，并为这些锚框一一预测类别和偏移量。随后，我们根据锚框及其预测偏移量得到预测边界框。当锚框数量较多时，同一个目标上可能会输出较多相似的预测边界框。了使结果更加简洁，我们可以移除相似的预测边界框。常用的方法叫作非极大值抑制（non-maximum suppression，NMS）。
计算流程：
- 根据置信度得分进行排序
- 选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除
- 计算所有边界框的面积
- 计算置信度最高的边界框与其它候选框的IoU。
- 删除IoU大于阈值的边界框
- 重复上述过程，直至边界框列表为空。
计算公式：
可参考：目标检测---IoU计算公式_A big bliss的博客-CSDN博客_iou计算公式
3.正则化的方法有哪些？
L1，L2；Dropout；data augmentation（数据增强）；early stopping
参考：总结-深度学习中的正则化方法（regularization）_沐埜专栏-CSDN博客_正则化方法
4.调参经验。
不同情况因人而异
5.极大似然概率和后验概率的区别是什么？
参考：最大似然概率和后验概率的区别_mousever的专栏-CSDN博客
朴素贝叶斯基本原理和预测过程
6.精确度和准确度的区别是什么？
参考：https://blog.csdn.net/anliu1/article/details/112789315
7.介绍一下python中匿名函数lambda函数。
在Python中有两种函数，一种是def定义的函数，另一种是lambda函数，也就是大家常说的匿名函数。今天我就和大家聊聊lambda函数，在Python编程中，大家习惯将其称为表达式。
先举一个例子：将一个列表里的每个元素都平方。
先用def来定义函数，代码如下
def sq(x):
return x*x
map(sq,[y for y in range(10)])再用lambda函数来编写代码
map(lambda x: x*x,[y for y in range(10)])从这个简单的例子，我们可以看出，用lambda函数首先减少了代码的冗余，其次，用lambda函数，不用费神地去命名一个函数的名字，可以快速的实现某项功能，最后，lambda函数使代码的可读性更强，程序看起来更加简洁。
从上面这个简单的例子，也可以看出来lambda函数的语法是唯一的，其形式如下：
lambda argument_list:expersion参考：细说Python的lambda函数用法，建议收藏 - 知乎
8.说一下1x1卷积的作用。
1x1卷积实际上是对每个像素点,在不同的channels上进行线性组合(信息整合) ,且保留了图片的原有平面结构,调控depth,从而完成升维或降维的功能。
