商汤科技面试准备
秋招收到了东软医疗算法，明略科技算法，云从算法的Offer
但是在我沉淀了整个求职季之后
心心念念的商汤，终终终终终终终终终于给我发起面试邀请了
商汤一直是我最想进的企业，没有之一

一些长久以来，秋招面试的相关知识点，各种原文链接总结在这

我有很努力去争取
希望世界上最好的商汤科技的明天的面试
顺利通过，fighting and praying

一.医学影像方向相关知识

1. dicom图像的各种指标

参考原文

• Patient Tag：包含患者的信息，比如身高体重之类的
• Study Tag：检查的信息，比如检查的日期这样的
• Series Tag：包含唯一识别的序列号和层厚这样的信息
• Image Tag：图像的信息，比如图像的窗宽窗位和坐标原点这样的

---

2. CTA图像的特点

• 全称Computer Tomography Angiography
• 计算机断层造影图像
• 打造影剂使得血管的对比度比其他组织的高，呈现白色
• 有运动伪影，灰度值分布不均的问题

---

3. MRI图像的特点

• 全称Magnetic Resonance Imaging
• 磁共振造影图像
• 不需注射造影剂
• 磁共振信号愈强，则亮度愈大
• 流动液体不产生信号。因此血管是灰白色，而血液为黑色。

---

4. 世界坐标和人体坐标及其相互转换

参考博客原文，基本的示例如下：

• 从左到右依次是世界坐标系，解剖坐标系和图像坐标系
• Dicom图像中通过在DICOM标准中通过Image Position(Patient)和Image Orientation(Patient)两个字段来确定患者Patient的空间定位.
• Image Position:表示图像的左上角在空间坐标系中的x,y,z坐标，单位是毫米.
• Image Orientation:表示图像坐标与解剖学坐标体系对应坐标的夹角余弦值.
• 将需要转换的世界坐标减去origin,再除以spacing就是对应的图像中的坐标

---

5. 超声图像的特点

• 通过对反射信号的接收、处理，以获得体内器官的图象
• 噪声相对于其余两种就比较大，声伪影，操作伪影，环境干扰
• 直接探测法，耦合剂

---

二.传统图像处理算法

1. 区域生长法

• 在8邻域（2D）或者26邻域（3D）进行相似像素/体素的搜索，分类
  

---

2. 水平集算法CV模型及snake模型

通过定义初始化零水平集，演化能量泛函，进行曲线的演化，在指定的迭代次数范围内，收缩到一个误差在指定范围内的边界停止达到分割的目的

---

3. 血管增强的Frangi算法及Hessian矩阵的特征值含义

3维图像的Hessian矩阵的是哪个特征值，代表了物体在空间中的形状，不同的特征值分别代表了长短，粗细以及凸扁，因此可以通过调节参数将图像中的管状结构增强，达到预处理的目的。

---

4. 各种去噪算法（各向异性扩散滤波，小波滤波，中值滤波，其余的带过）

• 各向异性扩散滤波（Anisotropic diffusion）：将热能的方程引入图像中，类似平均的思想，在指定迭代次数之后，会将图像操作成“烧糊”的状态，达到去除异常点的效果
• 小波滤波：将小波变换引入图像之中，变换到频域上剔除异常点
• 中值滤波：主要去除图像中的椒盐噪声

---

5.霍夫变换检测直线和圆

参考博客1（检测直线讲的好）：https://blog.csdn.net/weixin_40196271/article/details/83346442
参考博客2（检测圆讲得好）：https://blog.csdn.net/shanchuan2012/article/details/74010561

• 核心思想：找参数空间中曲线交点最多的位置，作为检测出的基准点确定圆或者直线
• 采用极坐标系的方式表示直线（$r\theta$）同时检测当前点的比如八邻域，计算出$r\theta$曲线相交的位置代表拥有相同长度和相同x轴的点，就是利用点共线检测出的直线位置
• 采用（a,b,r）表示圆，假设半径已知的话（一般初始化为某个范围），可以表示出圆，利用多点共圆来检测出最可能是圆心的位置，作为检测出的圆形的圆心

三.深度学习基础知识点

1. 深度学习的历史，各种神经网络优缺点

引用我自己的博客1和博客2，里面有原文链接，下面的论述想到什么写什么，没有严格按照时间顺序：

• lenet： 参数共享，局部感知，平均池化降采样
• zfnet ：做了很多细小的试验，验证深度学习的可行性
• vgg：证明网络深度是很有影响力的，但是太深会梯度爆炸
• google net： 多种大小卷积并联,在增加宽度的同时增加网络对尺度的适应性
• inception：加入了BN层,后续扩宽了网络的维度
• resnet：引入了残差模块，解决了梯度消失和爆炸的问题
• renext：用更少的参数实现了和resnet差不多的效果
• senet：提出了se模块，在残差模块中加入了全局池化，提升效果
• mobilnet：可分离卷积
• shufflenet：分组卷积，参数量变为原来的1/组数
• xception：深度可分离卷积，将传统卷积分成了深度卷积和逐点卷积，参数量变为原来的1/N+1/k^2,N是输出的通道数，k是卷积核的长宽（假设一样）
• fcn：从分类到分割，同层的特征图对应相加
• segnet：考虑了时间和内存，改进了fcn，看上去更规整
• unet：适用于医学影像，在fcn的基础上，将同层的相加改成了concat
• attention unet：在unet的基础上在上采样部分加入了注意力机制，挖掘特征
• unet++：下采样改进的极致，充分利用了下采样过程中的中间信息
• danet：引入了位置注意力机制和通道注意力机制，更加充分的挖掘了特征信息
• DFN和BISENET：充分利用了SENet的SE模块，阐述的方面不同，但是将global pooling运用到了极致
• deeplab123+：1运用了带孔卷积条件随机场，2用了resnet和多尺度带孔卷积，3去掉了条件随机场用了BN，3+优化了decode部分，还原特征

---

2. BN层的用法和实现

• 全称：Batch Normalization，翻译为批量归一化
• 一种训练优化方法，加快网络学习速率，解决的问题是梯度消失与梯度爆炸
• 求均值和方差，数据标准化（类似正态分布），BN层有两个需要学习的参数，平移因子和缩放因子调整参数，输出值

---

3. 各种正则化

引用自博客

• L1范数：符合拉普拉斯分布，完全不可微菱形去切等高线，会造成最优的值出现在坐标轴上，出现大量的0，造成稀疏，防止过拟合

• L2范数：符合高斯分布，完全可微的，圆形去切等高线，一般最优值不会出现在坐标轴上，L2让系数缩小但不为0，加速优化。

• L1会趋向于产生少量的特征，而其它特征都是0。
  L2会选择更多的特征，这些特征都会趋近于0。

• L1在特征选择时非常有用，而L2只是一种防止过拟合的方法。

• 在所有特征中只有少数特征起重要作用的情况下，选择L1范数比较合适。
  而如果所有特征中，大部分特征都能起作用，而且起的作用很平均，那么使用L2范数也许更合适。

---

4. 梯度消失和梯度爆炸及其解决方法

• 训练过程中，正向传播的参数和反向传播的梯度计算可能会导致小数越来越小，或者大数越来越大
• 解决方法有：残差模块，使用合理的损失函数和非线性的激活函数，合理控制网络的深度

---

5. 过拟合及欠拟合及其解决方法

• 防止过拟合：正则化，减小模型复杂度,数据增强，dropout，学习策略
• 防止欠拟合：增加数据量，减小正则化参数

---

6. 优化算法和优化的策略

• 参数初始化，采用何凯明的方式初始化
• adam的优化算法，动量
• 每过几个epochs学习率衰减一些

---

7. 输出尺寸计算，网络参数量FLOPS计算

引用我自己的博客

• 参考链接，输出尺寸：（f-k+2p）/s+1，same的情况，f/s向上取整，valid的情况用p=0来计算
• 参考链接，参数量的计算，卷积层用$K^2\times C_{in}\times C_{out}+C_{out}$，BN层用$2\times C_{in}$
• Flops计算：参数量xHxW，详细的推导参考这里

---

8. 感受野的计算，反向传播的梯度推导

引用我自己的博客

• $r{f}_k=r{f}_{k-1}+(f_k-1)\times s_0\times s_1...\times s_k-1$其中k代表第k层，$s_0$初始化为1，$r{f}_0$初始化为1
• y=wx+b正向推导，反向梯度推导参照链式法则
• relu表达式为：$relu(x)=max(0,x)$，relu的导数是小于0的都是0，大于0的都是1
• sigmoid的表达式：$g(z)=\frac{1}{1+e^x}$,导数为：$g^{\prime }(z)=g(z)\times (1-g(z))$

---

9. 常见损失函数的作用和用法

• 指导深度学习方向的一盏灯，度量预测结果和实际结果之间的差距
• log loss：伯努利分布，大多数情况等价于交叉熵函数
• dice loss：-dice指数过来的损失函数
• focal loss：log loss的改进版本，乘上了负样本的指数幂次，使得样本均衡一些
• tversky loss：Tversky系数是Dice系数和 Jaccard 系数的一种广义系数，通过调参控制假阳性和假阴性之间的权衡
• generalized dice loss：通过定义每个类别的权重，实现了类似于归一化的操作，解决了样本不平衡的问题

---

10. 常见的核函数及其解决的问题

• 将数据映射到了高维的空间，使得其能够线性可分或者更容易剔除异常的数据
• 线性核函数：$k(x,y)=x^{T}y+c$
• 多项式核函数：$k(x,y)=(a{x}^{T}y+c{)}^4$
• RBF核函数：$k(x,y)=exp(-\frac{(x-y{)}^2}{2\sigma })$
• 拉普拉斯核函数：$k(x,y)=exp(-\frac{|x-y|}{\sigma })$

---

11. TP,FP,TN,FN的解释及常用的评价指标

• 前面的字母表示实际的情况，后面的字母表示预测的情况
• TP：实际为1，预测为1
• FP：实际为0，预测为1
• TN：实际为1，预测为0
• FN：实际为0，预测为1
• Recall = TP/(TP+FN)
• Precision=TP/(TP+FP)
• $F1=\frac{2\times recall\times precision}{recall+precision}$
• $Dicecoefficient(A,B)=\frac{2A\cap B}{A\cup B}$

---

12. SVM推导

分为五个步骤：

• 假设超平面
• 正确分类的超平面的条件
• 满足函数间隔最大
• 带参数的优化问题，使用拉格朗日对偶函数解决
• 带回原式得到超平面实现分类
• 软间隔增加了惩罚项，惩罚项越大，支持向量越少，反之同理
• 软间隔的惩罚项约大越容易过拟合
• SVM的损失函数为hinge损失函数加上一个惩罚项，公式近似为：$\sum _{j!=y_i}^{n}max(0,s_j-s_{y_j}+\Delta )$
  转换为对偶问题的原因：
  合并为一个表达式相对简单，解决原函数非凸的情况，引入核函数解决部分线性不可分

---

13. LR推导

分为以下步骤：

• 根据sigmoid函数构建伯努利分布的概率表达式
• 根据概率表达式构建似然函数
• 根据似然函数构建损失函数（此处和交叉熵损失函数表达式一致）
• 计算导数，根据导数更新参数即可

14. K-MEANS推导

参考链接：https://www.cnblogs.com/bourneli/p/3645049.html
分为以下四个步骤：

• 第1步，随机选取k个中心点
• 第2步，遍历所有数据，将每个数据划分到最近的中心点中
• 第3步，计算每个聚类的平均值（其它博客中提到的质心），并作为新的中心点
• 第4步，重复2-3，直到这k个中线点不再变化（收敛了），或执行了足够多的迭代

以下对于Kmeans的特点的论述内容引用自另一篇博客

• 结果不一定是全局最优，只能保证局部最优
• 对K值敏感
• 对于不是凸的数据集比较难收敛

15. KNN推导

引用自博客：https://zhuanlan.zhihu.com/p/29925372具体的步骤如下：

• 计算已知类别数据集中的点与当前点之间的距离
• 按照距离递增次序排序
• 选取与当前点距离最小的k个点
• 确定前k个点所在类别的出现频率
• 返回前k个点出现频率最高的类别作为当前点的预测分类

四.基础数据结构

1. C++的内存机制

引用自博客：https://blog.csdn.net/isunbin/article/details/93722162
在C++中，内存分成5个区，堆、栈、自由存储区、全局/静态存储区和常量存储区。

内存区	作用
堆	new的对象在这里，若不delete系统自动回收
栈	存放函数内局部变量，集成在CPU上，容量有限
自由存储	malloc分配的空间在这里，需要free掉
全局/静态存储	存放全局变量和静态变量
常量存储	不能被修改的常量(const)

一个原博客中的例子：

void f() 
{ int* p=new int[5]; 
}
在栈内存中新建了一个指向堆的指针

2. C++的继承多态虚函数

参考的原博客：https://www.cnblogs.com/qxxnxxFight/p/11131385.html
根据原博客的例子来说明问题：
定义了三个类，普通飞机（父类），直升机（子类），喷气式飞机（子类）
每个类都有一个叫fly和land的方法代表起飞和降落
因此同名函数的调用会涉及二义性，需要在继承中用虚函数来进行解决
一方面体现了继承，另一方面也体现了多态
具体例子参考原文
虚函数的定义需要注意一下几点：

• 类的成员函数，才能声明为虚函数
• virtual关键字，在虚函数的声明处，类外的实现不需要
• 静态成员函数不能声明为虚函数
• 内联函数不能声明为虚函数
• 构造函数也不能声明为虚函数
• 析构函数可以是虚函数而且通常声明为虚函数

3. 指针的用法及const和引用

const就近修饰，离const近的定义的变量类型对应的值，不能被修改
举例说明：

//定义指向常量的指针
const char * pstr = "str1"
//变量（char类型的）不能被改变，指针指向可以改变

//定义常指针
char * const pstr = "str1"
//指针（pstr）不能被改变，指向的变量的值可以改变

//定义指向常量的常指针
const char * const pstr = "str1"
//指针（pstr）不能被改变，指向的变量的值也不能改变

4. 各种排序算法

主要列举两种，其余的省略

• 快速排序

def par(a, sta, end):pivot = a[sta]# 左指针i，右指针ji, j = sta, endwhile i < j:# 从右往左找第一个比他小的数并交换位置while i < j and pivot <= a[j]:j -= 1a[i] = a[j]# 从左往右找第一个比他大的数并交换位置while i < j and pivot >= a[i]:i += 1a[j] = a[i]a[i] = pivotreturn idef quick_sort(a, sta, end):if sta < end:pivot = par(a, sta, end)quick_sort(a, sta, pivot - 1)quick_sort(a, pivot + 1, end)else:returnif __name__ == '__main__':arr = [6, 2, 7, 3, 8, 9]quick_sort(arr, 0, len(arr)-1)print(arr)

• 堆排序，参考链接：https://www.jianshu.com/p/d174f1862601

from collections import dequedef heap_adj(a, sta, end):key = a[sta]# i是当前节点的坐标，j是其左子树i, j = sta, 2*stawhile j < end:# 左子树小于右子树，让j指向较大的节点if a[j] < a[j+1]:j += 1# 当前的哨兵比较大的子树小，则交换位置，并且更新下标，继续判断if key < a[j]:a[i] = a[j]i = jj = 2*ielse:break# 最后交换哨兵到恰当的位置a[i] = keydef heap_sort(a):length = len(a) - 1first = length >> 1# 调整大根堆for i in range(first):heap_adj(a, first - i, length)# 交换最后一个元素，继续调整大根堆for i in range(length - 1):a[1], a[length - i] = a[length - i], a[1]heap_adj(a, 1, length - i - 1)return [a[k] for k in range(1, len(a))]if __name__ == '__main__':L = deque([50, 16, 30, 10, 60, 90, 2, 80, 70])L.appendleft(0)print(heap_sort(L))

6. 最长公共子序列

$dp(i,j)=\{\begin{array}{lr}0& i=0,j=0\\ dp(i-1,j-1)+1& s_1(i)=s_2(j)\\ max(dp(i-1,j),dp(i,j-1))& others\end{array}$

def find_lcsubstr(s1, s2):dp = [[0] * (len(s2) + 1) for _ in range(len(s1) + 1)]s_max = 0p = 0for i in range(len(s1)):for j in range(len(s2)):if s1[i] == s2[j]:dp[i + 1][j + 1] = dp[i][j] + 1if dp[i + 1][j + 1] > s_max:s_max = dp[i + 1][j + 1]p = i + 1return s1[p - s_max:p], s_maxprint(find_lcsubstr('abcdfg', 'abdfg'))

7. 最长公共子串

$dp(i,j)=\{\begin{array}{lr}0& i=0,j=0\\ dp(i-1,j-1)+1& s_1(i)=s_2(j)\\ 0& others\end{array}$

def find_lcseque(s1, s2):dp = [[0]*(len(s2) + 1) for _ in range(len(s1) + 1)]direction = [[None]*(len(s2) + 1) for _ in range(len(s1) + 1)]for i in range(len(s1)):for j in range(len(s2)):if s1[i] == s2[j]:dp[i + 1][j + 1] = dp[i][j] + 1direction[i + 1][j + 1] = 'ok'elif dp[i + 1][j] > dp[i][j + 1]:dp[i + 1][j + 1] = dp[i + 1][j]direction[i + 1][j + 1] = 'left'else:dp[i + 1][j + 1] = dp[i][j + 1]direction[i + 1][j + 1] = 'up'(i, j) = (len(s1), len(s2))s = []while dp[i][j]:c = direction[i][j]if c == 'ok':s.append(s1[i - 1])i -= 1j -= 1if c == 'left':j -= 1if c == 'up':i -= 1s.reverse()return ''.join(s)print(find_lcseque('abdfg', 'abcdfg'))