标签题目
算法相关面试题第 4 页
如何手写 Beam Search，并处理候选扩展、剪枝和停止条件？
这题考如何手写 Beam Search，回答重点是维护 beam 候选、逐步扩展、按累计分数 top-k 剪枝、处理 EOS 停止并返回最优序列。
AIGC 图像生成中 GAN 和 Diffusion Model 的训练目标、生成过程和优劣势有什么区别？
这题考的是能否从训练目标、推理路径、质量多样性、稳定性、可控性和成本把 GAN 与 Diffusion Model 讲成两类生成范式，而不是只背“GAN 快、Diffusion 好”。
Diffusion 模型常见采样方法 DDIM、DPM++、LCM 和 Turbo 的核心思路与取舍是什么？
这题考的是能否把 Diffusion 采样讲成从多步去噪到数值求解、再到蒸馏加速的质量-速度取舍，而不是把 DDIM、DPM++、LCM、Turbo 只当成模型菜单。
SDXL 相比 Stable Diffusion 主要改进了哪些模块，这些改动分别解决什么生成质量问题？
这题考的是能否把 SDXL 相比 Stable Diffusion 的改进拆到模型容量、文本条件、分辨率训练、尺寸条件、refiner 和数据训练策略，并说明每一项在解决什么生成质量问题。
3D Gaussian Splatting 重建中的主要误差来源有哪些，如何从相机位姿、点云初始化和优化过程定位？
这题把“高斯重建”明确放在高斯重建 / 3D Gaussian Splatting 类重建语境下，重点考误差归因能力：相机、初始化、可见性、材质、Gaussian 参数优化和评估调试都可能成为重建误差来源。
MVS 点云采样和 NeRF 采样在 3D 重建中各有什么优势和局限，如何按场景选择？
这题考的是 3D 重建方法取舍：MVS 更偏显式几何和多视图匹配点云，NeRF 更偏沿射线做体渲染采样和隐式辐射场优化，选择要看视角密度、纹理、材质、速度、输出形态和下游需求。
如何用 PyTorch/CUDA 思路实现四线性插值，说明索引、权重计算和边界处理伪代码？
这题考实现思路而不是背库函数：先声明把“四线性插值”按 4D/quadrilinear interpolation 理解，即 4 个连续维度上各取 floor/ceil 共 16 个邻居，再讲索引映射、权重乘积、边界策略、CUDA 并行和反向传播验证。
StyleGAN 相比普通 GAN 做了哪些结构改进，mapping network、style modulation / AdaIN、噪声注入等分别解决什么问题？
这题考的是能否从生成器结构角度解释 StyleGAN：它把潜变量先映射到更可解耦的中间空间，再用逐层风格调制控制语义尺度，用噪声注入补充随机细节。
CycleGAN 如何用无配对数据做图像风格迁移，循环一致性损失为什么关键？
这题考的是能否说明 CycleGAN 为什么不需要成对样本：它用两个方向的生成器和判别器匹配目标域分布，再用循环一致性约束保留原图内容，避免任意映射。
Faster R-CNN 相比 R-CNN / Fast R-CNN 改进了什么，RPN 为什么能让目标检测更快？
这题考的是两阶段检测器的演进逻辑：R-CNN 慢在每个候选框重复跑 CNN，Fast R-CNN 共享卷积但仍依赖外部候选框，Faster R-CNN 用 RPN 在共享特征上生成候选框从而端到端加速。
Transformer 和 CNN 的核心区别是什么，在视觉任务中如何从局部归纳偏置、全局建模、数据规模和计算成本做选择？
这题考的是能否把 CNN 和 Transformer 的差异讲到建模假设与工程选择：CNN 强局部归纳偏置、参数共享和高效滑动计算，Transformer 强全局关系建模和可扩展表征但更依赖数据与算力。
语音增强模型常用哪些损失函数，时域损失、频域损失、感知指标和多任务损失应如何取舍？
这题考语音增强目标函数设计：时域损失约束波形和尺度，频域损失约束谱结构，感知或识别相关损失对齐用户体验，多任务损失则要防止辅助目标压过主目标。
评估实时语音模型复杂度时，参数量、FLOPs/MACs、实时率 RTF、端到端延迟、内存和功耗分别怎么看？
这题考实时语音模型的工程评估口径：参数量看存储和权重内存，FLOPs/MACs 看理论计算，RTF 看吞吐，端到端延迟看交互体验，内存和功耗决定能否在目标设备稳定运行。
音频模型板端推理选择 CPU 还是 NPU 时，延迟、吞吐、算子支持、内存搬运和功耗如何比较？
这题考的是端侧推理决策能力：CPU 胜在灵活、启动开销低、算子覆盖广；NPU 胜在大规模规则算子吞吐和能效，但真实选择要看计算图是否能连续下沉、内存搬运是否可控、流式延迟和功耗是否达标。
ReID 训练采样时如何保证每个身份的图像数一致，为什么这种 P-K 采样有利于度量学习？
这题考的是 ReID 训练中 batch 构造和度量学习损失的关系。P-K 采样不是简单凑 batch，而是每个 batch 选 P 个身份、每个身份取 K 张图，保证 anchor 有正样本、batch 内有足够负身份，并让 triplet、contrastive、circle、batch-hard 等损失能够稳定挖掘正负样本，同时缓解身份样本数不均衡带来的训练偏置。
图像滤波如何通过卷积实现，如何从频域理解低频平滑和高频边缘信息？
图像滤波可以从空间域和频域两条线理解：空间域里，卷积核在局部邻域加权求和，改变每个像素与周围像素的关系；频域里，卷积等价于频谱相乘，滤波器是在保留或抑制不同频率成分。低频通常对应缓慢变化的亮度和大块结构，低通滤波会平滑噪声和细节；高频通常对应边缘、纹理和突变，高通或梯度滤波会强化轮廓但也可能放大噪声。
高斯卷积核如何用可分离卷积等方式优化，时间复杂度和效果会怎样变化？
高斯卷积核优化的核心是利用数学结构和硬件特性减少重复计算。二维高斯核可分解为横向一维高斯和纵向一维高斯的外积，因此一次 K×K 卷积可以改成两次长度 K 的一维卷积，理论复杂度从每像素 O(K²) 降到 O(2K)，效果在同一离散核和边界策略下基本等价。进一步还可以通过截断半径、缓存、SIMD、定点化、近似盒滤波或递归滤波继续提速，但要说明精度、边缘和伪影取舍。
积分图如何实现均值滤波，为什么能把窗口求和从面积相关降到常数时间？
积分图用于均值滤波的关键是把每个像素左上方矩形区域的累计和预先存起来。这样任意轴对齐窗口的像素和都可以由四个角的积分值相加相减得到，不再需要逐个遍历窗口内所有像素。对半径为 r 的均值滤波，朴素方法每个像素要累加 (2r+1)² 个值，而积分图在预处理 O(HW) 后，每个窗口求和只需常数次读取和加减，再除以窗口面积即可得到均值。
图像融合算法怎么实现？像素级、特征级和决策级融合分别适合什么场景？
这题考的是对图像融合任务的完整建模能力：不仅要说把多张图加权平均，还要能区分像素级、特征级和决策级融合在信息粒度、配准要求、鲁棒性、可解释性、计算代价和适用场景上的差异，并给出可落地的实现、评估和故障排查思路。
BEVDet 这类纯视觉 BEV 感知算法如何通过 View Transformer 把图像特征转换到 BEV 空间？
这道题考察纯视觉 BEV 感知中从多相机图像特征到鸟瞰图特征的几何建模能力。好答案要讲清 BEVDet 的三段式链路：Image-view Encoder 提取每个相机的 2D 特征，View Transformer 结合深度分布、相机内外参和数据增强矩阵，把像素特征 lift 到三维 frustum，再 splat 或 pooling 到 ego 坐标系下的 BEV 网格，最后 BEV Encoder 在鸟瞰空间做融合和检测。回答边界应覆盖深度离散、特征加权、标定误差、分辨率取舍、遮挡和验证指标，不能把 View Transformer 误讲成普通 NLP Transformer。
FCOS 作为 anchor-free 目标检测算法，整体流程和正负样本分配如何设计？
这题考的是候选人是否真正理解 anchor-free 检测从“预设框匹配”切换到“特征图位置预测”的建模方式。好答案不能只说 FCOS 不用 anchor，而要讲清 backbone 与 FPN 生成多尺度特征、每个位置预测类别和到框四边距离、正负样本如何由位置落入目标中心区域和尺度范围决定、重叠目标如何消歧、centerness 如何压低低质量框，以及训练损失和推理 NMS 的完整闭环。边界是以公开 FCOS 机制为准，不把其它 anchor-free 方法的关键点检测或 Transformer 查询机制混进来。
机器学习中的偏差和方差分别指什么，如何判断并降低它们？
这题考偏差-方差分解和模型泛化诊断，重点是能用欠拟合、过拟合、训练/验证误差曲线解释问题，并给出对应降低方法。
DBSCAN 的原理是什么？如何用伪代码描述其聚类过程？
这道题考察 DBSCAN 的密度聚类思想和过程表达能力。核心是用 eps 邻域和 minPts 定义核心点、边界点和噪声点，从核心点出发把密度可达的点扩展成簇；它不需要预先指定簇数，能发现任意形状簇和离群点，但对参数、距离度量和密度差异敏感。
SIM 在推荐系统长序列兴趣建模中改进了什么问题？
这题考推荐系统长序列兴趣建模的核心矛盾。SIM 改进的问题不是多任务学习本身，而是传统 DIN/DIEN 等模型通常只能使用较短历史行为，直接建模超长序列又计算重、噪声多、目标相关性弱。
ASR 语音识别流程中，WFST、HMM、GMM-HMM、DNN-HMM 和 CTC 分别解决什么问题？
这道题考察候选人是否理解传统 ASR 到深度学习 ASR 的主线：语音识别不是一个单一模型，而是从声学信号到文字序列的建模与搜索问题。HMM 负责把连续语音拆成带隐状态的时间序列；GMM-HMM 用高斯混合建模每个声学状态的观测概率；DNN-HMM 用神经网络替代 GMM 做更强的声学判别；WFST 把发音词典、语言模型、上下文相关音素和解码约束组合成可搜索图；CTC 则用 blank 和条件独立假设直接学习帧到标签序列的对齐，弱化了 HMM 依赖的人工状态对齐。高质量答案要能讲清“各模块解决的问题、它们在链路中的位置、为什么从 GMM-HMM 演进到 DNN-HMM/CTC、以及评估时如何看 WER、RTF、延迟和 OOV”等指标。
用 Qwen 做大模型评测裁判时，如何证明选择合理，并通过消融实验和人工一致性指标评估效果？
这题考候选人是否能把 LLM-as-judge 从“用了一个模型打分”提升到可证明、可复现、可交付的评测系统。回答要说明为什么 Qwen 适合当前评测任务，并用版本、参数、提示词、评分维度、人工一致性和交付指标证明选择不是拍脑袋。