17051255602
问题1：对Transformer的理解
Transformer本身是一个典型的encoder-decoder模型，Encoder端和Decoder端均有6个Block，Encoder端的Block包括两个模块，多头self-attention模块以及一个前馈神经网络模块；
Decoder端的Block包括三个模块，多头self-attention模块，多头Encoder-Decoder attention交互模块，以及一个前馈神经网络模块；
需要注意：Encoder端和Decoder端中的每个模块都有残差层和Layer Normalization层。
问题2：Leetcode—搜索旋转排序数组
思路一：暴力解法
直接遍历整个数组，找到目标值target
代码如下：
时间复杂度：O(n)
空间复杂度：O(1)
思路二：二分查找
先要设置整个数组的左右两端端点：left = 0，right = len(nums) - 1
1、若 target == nums[mid]，直接返回
2、若 nums[left] <= nums[mid]，说明左侧区间 [left,mid]「连续递增」。此时：
若 nums[left] <= target <= nums[mid]，说明 target 位于左侧。令 right = mid-1，在左侧区间查找；否则，令 left = mid+1，在右侧区间查找
3、否则，说明右侧区间 [mid,right]「连续递增」。
此时：
若 nums[mid] <= target <= nums[right]，说明 target 位于右侧区间。令 left = mid+1，在右侧区间查找
否则，令 right = mid-1，在左侧区间查找
代码如下：
时间复杂度：O(logn)
空间复杂度：O(1)
问题3：Leetcode—二叉树层序遍历
思路：
1、如果 root 为空，直接返回 [ ]
2、定义一个数组queue，并将 root 添加到 queue中，再定义一个res 数组保存结果
3、遍历 当前层 queue 的每个左子节点，右子节点，入队列，且要把 queue 更新成当前层的孩子节点列表，直到 queue 为空。
代码如下：
问题4：Coding · 最小标记代价（类似Leetcode的72题：编辑距离）
参考：https://www.cnblogs.com/lintcode/p/14208525.html
思路：动态规划
1、已知每个整数范围[1,100]，那么对于每个元素，为了调整到该元素和与之相邻的元素的差不大于target，该元素调整的范围就在[1,100]。所以对于数组A[]的每一位元素，我们都需要进行[1,100]范围内的可能状态的转移。
2、令dp[i][j]表示元素A[i]=j时，A[i]与A[i-1]差值不大于target所需要付出的最小代价。
3、当A[i]=j时，可行的A[i-1]的范围为[max(1, j - target)，min(100, j + target)]。而dp[i][j]为所有可行的A[i-1]中，花费代价最小的一种可能，再加上A[i]调整到 j 所需花费abs(j - A[i])。
4、当A[i]=j时，k在[max(1, j - target)，min(100, j + target)]范围内时，我们可以写出以下式子：
(1) 临界值：dp[0][j] = abs(j - A[0])
(2) 状态转移方程：dp[i][j] = min(dp[i][j], dp[i - 1][k] + abs(j - A[i]))
最后在所有最后一位的可能解dp[n-1][i]中的最小值，就是我们所求的最小代价。
代码如下：
复杂度
1、假设数组长度为n
2、空间复杂度O(10000*n)
3、时间复杂度O(n^2)
问题5：防止过拟合的方法
降低模型复杂度
增加更多的训练数据：使用更大的数据集训练模型
数据增强
正则化：L1、L2、添加BN层
添加Dropout策略
Early Stopping
问题6：数据不平衡问题处理
欠采样：从样本较多的类中再抽取，仅保留这些样本点的一部分；
过采样：复制少数类中的一些点，以增加其基数；
生成合成数据：从少数类创建新的合成点，以增加其基数。
添加额外特征：除了重采样外，我们还可以在数据集中添加一个或多个其他特征，使数据集更加丰富，这样我们可能获得更好的准确率结果。
原价￥599【关键点检测实战】限时1元秒杀
还剩18个名额！手慢无！
https://www.julyedu.com/course/getDetail/262
课程直接从深度学习入手，从基础的目标识别与检测，过渡到关键点检测之人体骨骼检测，再一步步过渡到人脸特征点检测、手部关键点检测、3D物体关键点检测和图卷积网络。沿着深度学习的脚步，一步一步向下过渡，探索其关联，由浅入深地让学员快速掌握。
本课程侧重如下几点:
☑ 从零开始学习关键点检测技术，打牢基础，深入理解算法，熟悉Linux系统运维，提升Python编程能力，全面掌握关键点检测在各个分支的核心技术;
☑ 论文带读，代码复盘，本课程针对现在主流的深度学习框架Pytorch，同时对OpenCV,Numpy等常用第三方库让学员熟练使用，最终拥有可以独自完成一个复杂项目的终极能力;
☑ 通过多个项目的实战，熟悉关键点检测在主流分支上的算法及应用。 课程结束之后面试时，高薪就业选择领域宽泛。
17051255602
