Interview：算法岗位面试—10.12上午—上海某科技公司图像算法岗位(偏图像算法，互联网AI行业)技术面试考点之LoR逻辑回归的底层代码实现、特征图计算公式

ML岗位面试：10.12上午—上海某科技公司图像算法岗位(偏图像算法，互联网AI行业)技术面试考点之LoR逻辑回归的底层代码实现、特征图计算公式

Interview：算法岗位面试—10.12上午—上海某科技公司图像算法岗位(偏图像算法，互联网AI行业)技术面试考点之LoR逻辑回归的底层代码实现、特征图计算公式

导读：其实，考察的知识点，博主都做过，但是，emmm，这些知识点，在我写代码中，几乎不会用到，so，会遗忘。所以，还需要下功夫，去多回忆回忆啦。
      此次面试过程中，直接手推了整个CNN的发展历史，写满了整个黑板，还分开了单步骤、多步骤经典架构及其它们之间的关系。但是，面我的技术貌似没怎么理解，好像很不屑，此次面试，给我的整个感觉不太舒服。还包括，他才开始让我手推LoR模型，但是我说，我想采用数学公式推导，推导出来以后，说看不懂我写的数学公式，其实，LoR符合伯努利分布，可以数MLE化，取个log损失再平均，接着对系数进行求偏导。what？面试官竟然没看懂数学的推导，我讲解了一遍，并说出了为什么采用log损失，但是，他让我用Tensorfow写出该公式，这时候，我就感觉，这个面试官，emmmm。
      还有个细节，在即将结束的时候，他应该让HR进来和我聊，但该面试官离开面试房间之前，要求让我把手推的CNN知识点—整个黑板，都全部擦掉。其实是可以在我最后离开面试房间的时候擦掉的，但是写完就让我擦掉，真是搞不懂该面试官的逻辑……
       补充一句，让进入下一轮技术面的郑HR，感觉很nice，虽然没见过其人(可能在复旦叶耀珍楼面试中有见到过)，但是通过短信或者邮件联系过程中，感觉该HR非常舒服哒。

---

知识点考察

1、特征图计算公式

往期文章：DL之CNN：卷积神经网络算法简介之原理简介(步幅/填充/特征图)、七大层级结构(动态图详解卷积/池化+方块法理解卷积运算)、CNN各层的作用等之详细攻略

2、RetinaNet的focal loss损失函数意义

往期文章：DL之RetinaNet：RetinaNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

手撕代码

1、机器学习岗位技术面试考点之LoR逻辑回归的底层代码实现

思维导图

代码实现
ML之LoR：利用LoR算法(tensorflow)对mnist数据集实现手写数字识别