问题1、介绍transformer
Transformer是一种用于处理序列数据的模型，特别适用于自然语言处理任务。它由编码器和解码器组成，其中核心结构包括自注意力机制和前馈神经网络。
编码器：包含多个相同的层，每个层都有两个子层，分别是多头自注意力机制和前馈神经网络。这些层之间通过残差连接和层归一化进行连接。
解码器：同样由多个相同的层组成，每个层包含三个子层，分别是多头自注意力机制、多头注意力机制（用于处理编码器输出），和前馈神经网络。
问题2、过拟合怎么解决？
过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的现象。解决过拟合的方法包括：
数据增强：增加训练数据的多样性，如图像旋转、翻转等。
正则化：在损失函数中添加正则化项（如 L1 或 L2 正则化）。
提前停止：在验证集上监控模型性能，提早终止训练以避免过拟合。
减少模型复杂度：减少模型参数数量，如减少层数或每层的神经元数量。
使用 Dropout：在训练过程中随机忽略一部分神经元，防止过拟合。
问题3、正则化方式有什么？
常见的正则化方法包括：
L1 正则化：在损失函数中添加权重绝对值的和作为正则化项。
L2 正则化：在损失函数中添加权重平方和作为正则化项。
Dropout：在训练过程中随机忽略部分神经元。
问题4、L1、L2正则化区别
1正则化：
增加的正则化项为权重向量的绝对值之和。
促使模型参数变得稀疏，即某些权重变为零，从而实现特征选择的效果。
L2正则化：
增加的正则化项为权重向量的平方和。
通过减小权重的同时保持它们都非零，对权重进行平滑调整。
区别：
L1正则化倾向于产生稀疏权重，对于特征选择有利；
L2正则化则更倾向于在所有特征上产生较小但非零的权重。
问题5、BN、LN区别
批归一化（Batch Normalization, BN） 和 层归一化（Layer Normalization, LN） 都是用于加速神经网络训练并提高模型稳定性的方法，但它们在具体实现和应用场景上有所不同。
功能：
BN：对小批量数据（batch）进行归一化，通过减去均值和除以标准差，使得每个特征在一个批次内均值为 0，方差为 1。
LN：对每个样本的每一层的所有神经元进行归一化，独立于批量数据，使得每层输出的均值为 0，方差为 1。
区别：
计算方式：BN 计算的是一个批次内的均值和方差，适合小批量大数据训练；LN 则是对每个样本的每层输出进行归一化，不依赖于批量大小。
应用场景：BN 通常用于 CNN 和大批量训练场景；LN 更适用于 RNN、Transformer 等需要处理变长序列的小批量数据场景。
问题6、单阶段、二阶段目标检测区别
单阶段检测：如 YOLO 和 SSD，直接在一个网络中完成目标检测任务，效率高，但精度可能较低。
二阶段检测：如 Faster R-CNN，先生成候选区域（Region Proposals），然后对这些区域进行分类和回归，精度较高，但计算复杂度较大。
问题7、什么是focal loss？
Focal Loss 是一种用于解决类别不平衡问题的损失函数，尤其适用于目标检测任务。它在交叉熵损失的基础上增加了一个调节因子，使得容易分类的样本损失较小，难分类的样本损失较大，从而使模型更加关注难分类的样本。
问题8、除了yolo还了解过什么检测方法？
Faster R-CNN：二阶段检测方法，首先生成候选区域，然后对这些区域进行分类和回归。
SSD（Single Shot MultiBox Detector）：单阶段检测方法，通过多尺度特征图进行目标检测。
RetinaNet：结合了单阶段检测的高效性和 Focal Loss 的有效性，解决类别不平衡问题。
问题9、介绍swin transformer
Swin Transformer 是一种基于 Transformer 的新型图像分类和检测模型。它引入了分层的、窗口化的自注意力机制，使得模型可以高效地处理高分辨率图像。通过在局部窗口内计算自注意力，Swin Transformer 大大减少了计算复杂度，同时保留了 Transformer 模型的全局建模能力。
问题10、什么是注意力机制？
注意力机制（Attention Mechanism）是一种让模型在处理数据时能够聚焦于重要部分的技术。它通过为输入数据的不同部分分配不同的权重，使模型能够更有效地捕捉相关信息。
问题11、介绍SEnet
Squeeze-and-Excitation Network（SENet）是一种引入了注意力机制的卷积神经网络（CNN）结构。SENet 通过“挤压”（Squeeze）操作捕捉全局信息，并通过“激励”（Excitation）操作为每个通道分配一个权重，使得网络能够自动关注重要特征。SENet 在多个计算机视觉任务中表现优异。
问题12、代码题：最大子数组和
defmax_sub_array(nums):max_sum = float('-inf')current_sum =0fornuminnums:current_sum = max(num, current_sum + num)max_sum = max(max_sum, current_sum)returnmax_sum# 测试nums = [-2,1,-3,4,-1,2,1,-5,4]print(max_sub_array(nums))# 输出: 6