文章目錄

1 深度學(xué)習(xí)基礎(chǔ)

2 經(jīng)典模型&&熱門模型

3 機(jī)器學(xué)習(xí)基礎(chǔ)

4 數(shù)據(jù)結(jié)構(gòu)&&算法

5 Python/C/C++知識(shí)

6 模型部署

7 圖像處理基礎(chǔ)

8 計(jì)算機(jī)基礎(chǔ)

9 開放性問題

【深度學(xué)習(xí)基礎(chǔ)】

【一】深度學(xué)習(xí)中有哪些經(jīng)典的優(yōu)化器？

SGD（隨機(jī)梯度下降）

1. 選擇恰當(dāng)?shù)某跏紝W(xué)習(xí)率很困難。
2. 學(xué)習(xí)率調(diào)整策略受限于預(yù)先指定的調(diào)整規(guī)則。
3. 相同的學(xué)習(xí)率被應(yīng)用于各個(gè)參數(shù)。
4. 高度非凸的誤差函數(shù)的優(yōu)化過程，如何避免陷入大量的局部次優(yōu)解或鞍點(diǎn)。

AdaGrad（自適應(yīng)梯度）

RMSProp

Adam

1. 實(shí)現(xiàn)簡單，計(jì)算高效，對(duì)內(nèi)存需求少。
2. 參數(shù)的更新不受梯度的伸縮變換影響。
3. 超參數(shù)具有很好的解釋性，且通常無需調(diào)整或僅需很少的微調(diào)。
4. 更新的步長能夠被限制在大致的范圍內(nèi)（初始學(xué)習(xí)率）。
5. 能自然地實(shí)現(xiàn)步長退火過程（自動(dòng)調(diào)整學(xué)習(xí)率）。
6. 很適合應(yīng)用于大規(guī)模的數(shù)據(jù)及參數(shù)的場景。
7. 適用于不穩(wěn)定目標(biāo)函數(shù)。
8. 適用于梯度稀疏或梯度存在很大噪聲的問題。

由于初始化為0，會(huì)導(dǎo)致偏向于0，尤其在訓(xùn)練初期階段。

所以，此處需要對(duì)梯度均值進(jìn)行偏差糾正，降低偏差對(duì)訓(xùn)練初期的影響。

同時(shí)也要進(jìn)行偏差糾正：

最后總的公式如下所示：

其中默認(rèn)學(xué)習(xí)率，避免除數(shù)變?yōu)?。

從表達(dá)式中可以看出，對(duì)更新的步長計(jì)算，能夠從梯度均值和梯度平方兩個(gè)角度進(jìn)行自適應(yīng)地調(diào)節(jié)，而不是直接由當(dāng)前梯度決定。

Adam的不足：

雖然Adam算法目前成為主流的優(yōu)化算法，不過在很多領(lǐng)域里（如計(jì)算機(jī)視覺的圖像識(shí)別、NLP中的機(jī)器翻譯）的最佳成果仍然是使用帶動(dòng)量（Momentum）的SGD來獲取到的。

【二】有哪些提高GAN訓(xùn)練穩(wěn)定性的Tricks？

1.輸入Normalize

1. 將輸入圖片Normalize到 之間。
2. 生成器最后一層的輸出使用Tanh激活函數(shù)。

Normalize非常重要，沒有處理過的圖片是沒辦法收斂的。圖片Normalize一種簡單的方法是（images-127.5）/127.5，然后送到判別器去訓(xùn)練。同理生成的圖片也要經(jīng)過判別器，即生成器的輸出也是-1到1之間，所以使用Tanh激活函數(shù)更加合適。

2.替換原始的GAN損失函數(shù)和標(biāo)簽反轉(zhuǎn)

1. 原始GAN損失函數(shù)會(huì)出現(xiàn)訓(xùn)練早期梯度消失和Mode collapse（模型崩潰）問題?？梢允褂肊arth Mover distance（推土機(jī)距離）來優(yōu)化。

2. 實(shí)際工程中用反轉(zhuǎn)標(biāo)簽來訓(xùn)練生成器更加方便，即把生成的圖片當(dāng)成real的標(biāo)簽來訓(xùn)練，把真實(shí)的圖片當(dāng)成fake來訓(xùn)練。

3.使用具有球形結(jié)構(gòu)的隨機(jī)噪聲作為輸入

1. 不要使用均勻分布進(jìn)行采樣

2. 使用高斯分布進(jìn)行采樣

4.使用BatchNorm

1. 一個(gè)mini-batch中必須只有real數(shù)據(jù)或者fake數(shù)據(jù)，不要把他們混在一起訓(xùn)練。
2. 如果能用BatchNorm就用BatchNorm，如果不能用則用instance normalization。

5.避免使用ReLU，MaxPool等操作引入稀疏梯度

1. GAN的穩(wěn)定性會(huì)因?yàn)橐胂∈杼荻仁艿胶艽笥绊憽?/span>
2. 最好使用類LeakyReLU的激活函數(shù)。（D和G中都使用）
3. 對(duì)于下采樣，最好使用：Average Pooling或者卷積+stride。
4. 對(duì)于上采樣，最好使用：PixelShuffle或者轉(zhuǎn)置卷積+stride。

最好去掉整個(gè)Pooling邏輯，因?yàn)槭褂肞ooling會(huì)損失信息，這對(duì)于GAN訓(xùn)練沒有益處。

6.使用Soft和Noisy的標(biāo)簽

1. Soft Label，即使用和兩個(gè)區(qū)間的隨機(jī)值來代替正樣本和負(fù)樣本的Hard Label。
2. 可以在訓(xùn)練時(shí)對(duì)標(biāo)簽加一些噪聲，比如隨機(jī)翻轉(zhuǎn)部分樣本的標(biāo)簽。

7.使用Adam優(yōu)化器

1. Adam優(yōu)化器對(duì)于GAN來說非常有用。
2. 在生成器中使用Adam，在判別器中使用SGD。

8.追蹤訓(xùn)練失敗的信號(hào)

1. 判別器的損失=0說明模型訓(xùn)練失敗。
2. 如果生成器的損失穩(wěn)步下降，說明判別器沒有起作用。

9.在輸入端適當(dāng)添加噪聲

1. 在判別器的輸入中加入一些人工噪聲。
2. 在生成器的每層中都加入高斯噪聲。

10.生成器和判別器差異化訓(xùn)練

1. 多訓(xùn)練判別器，尤其是加了噪聲的時(shí)候。

11.Two Timescale Update Rule (TTUR)

對(duì)判別器和生成器使用不同的學(xué)習(xí)速度。使用較低的學(xué)習(xí)率更新生成器，判別器使用較高的學(xué)習(xí)率進(jìn)行更新。

12. Gradient Penalty （梯度懲罰）

使用梯度懲罰機(jī)制可以極大增強(qiáng) GAN 的穩(wěn)定性，盡可能減少mode collapse問題的產(chǎn)生。

13. Spectral Normalization（譜歸一化）

Spectral normalization可以用在判別器的weight normalization技術(shù)，可以確保判別器是K-Lipschitz連續(xù)的。

14. 使用多個(gè)GAN結(jié)構(gòu)

可以使用多個(gè)GAN/多生成器/多判別器結(jié)構(gòu)來讓GAN訓(xùn)練更穩(wěn)定，提升整體效果，解決更難的問題。

【經(jīng)典模型&&熱門模型】

【一】U-Net模型的結(jié)構(gòu)和特點(diǎn)？

U-Net網(wǎng)絡(luò)結(jié)構(gòu)如下所示：

U-Net網(wǎng)絡(luò)的特點(diǎn)：

1. 全卷積神經(jīng)網(wǎng)絡(luò)：使用卷積完全取代了全連接層，使得模型的輸入尺寸不受限制。
2. 左半部分網(wǎng)絡(luò)是收縮路徑（contracting path）：使用卷積和max pooling層，對(duì)feature map進(jìn)行下采樣。
3. 右半部分網(wǎng)絡(luò)是擴(kuò)張路徑（expansive path）：使用轉(zhuǎn)置卷積對(duì)feature map進(jìn)行上采樣，并將其與收縮路徑對(duì)應(yīng)層產(chǎn)生的特征圖進(jìn)行concat操作。上采樣可以補(bǔ)充特征信息，加上與左半部分網(wǎng)絡(luò)收縮路徑的特征圖進(jìn)行concat（通過crop操作使得兩個(gè)特征圖尺寸一致），這就相當(dāng)于在高分辨率和高維特征當(dāng)中做一個(gè)融合折中。
4. U-Net提出了讓人耳目一新的編碼器-解碼器整體結(jié)構(gòu)，讓U-Net充滿了生命力與強(qiáng)適應(yīng)性。

U-Net在醫(yī)療圖像，缺陷檢測以及交通場景中有非常豐富的應(yīng)用，可以說圖像分割實(shí)際場景，U-Net是當(dāng)仁不讓的通用Baseline。

U-Net的論文地址：https:///pdf/1505.04597.pdf

【二】RepVGG模型的結(jié)構(gòu)和特點(diǎn)？

RepVGG模型的基本架構(gòu)由20多層卷積組成，分成5個(gè)stage，每個(gè)stage的第一層是stride=2的降采樣，每個(gè)卷積層用ReLU作為激活函數(shù)。

RepVGG的主要特點(diǎn)：

1. 卷積在GPU上的計(jì)算密度（理論運(yùn)算量除以所用時(shí)間）可達(dá)1x1和5x5卷積的四倍.
2. 直筒型單路結(jié)構(gòu)的計(jì)算效率比多路結(jié)構(gòu)高。
3. 直筒型單路結(jié)構(gòu)比起多路結(jié)構(gòu)內(nèi)存占用少。
4. 單路架構(gòu)靈活性更好，容易進(jìn)一步進(jìn)行模型壓縮等操作。
5. RepVGG中只含有一種算子，方便芯片廠商設(shè)計(jì)專用芯片來提高端側(cè)AI效率。

那么是什么讓RepVGG能在上述情形下達(dá)到SOTA效果呢？

答案就是結(jié)構(gòu)重參數(shù)化（structural re-parameterization）。

在訓(xùn)練階段，訓(xùn)練一個(gè)多分支模型，并將多分支模型等價(jià)轉(zhuǎn)換為單路模型。在部署階段，部署單路模型即可。這樣就可以同時(shí)利用多分支模型訓(xùn)練時(shí)的優(yōu)勢（性能高）和單路模型推理時(shí)的好處（速度快、省內(nèi)存）。

更多結(jié)構(gòu)重參數(shù)化細(xì)節(jié)知識(shí)將在后續(xù)的篇章中展開介紹，大家盡情期待！

【機(jī)器學(xué)習(xí)基礎(chǔ)】

【一】Accuracy、Precision、Recall、F1 Scores的相關(guān)概念？

首先介紹一下相關(guān)名詞：

1. TP（True Positive）: 預(yù)測為正，實(shí)際為正
2. FP（False Positive）: 預(yù)測為正，實(shí)際為負(fù)
3. TN（True Negative）：預(yù)測為負(fù)，實(shí)際為負(fù)
4. FN（false negative）: 預(yù)測為負(fù)，實(shí)際為正

Accuracy、Precision、Recall、F1 Scores的公式如下所示：

Accuracy（準(zhǔn)確率）：分類正確的樣本數(shù)占樣本總數(shù)的比例。

Precision（精準(zhǔn)度/查準(zhǔn)率）：當(dāng)前預(yù)測為正樣本類別中被正確分類的樣本比例。

Recall（召回率/查全率）：預(yù)測出來的正樣本占正樣本總數(shù)的比例。

F1-score是Precision和Recall的綜合。F1-score越高，說明分類模型越穩(wěn)健。

【二】梯度爆炸和梯度消失產(chǎn)生的原因及解決方法?

梯度爆炸和梯度消失問題

一般在深層神經(jīng)網(wǎng)絡(luò)中，我們需要預(yù)防梯度爆炸和梯度消失的情況。

梯度消失（gradient vanishing problem）和梯度爆炸（gradient exploding problem）一般隨著網(wǎng)絡(luò)層數(shù)的增加會(huì)變得越來越明顯。

例如下面所示的含有三個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，梯度消失問題發(fā)生時(shí)，接近輸出層的hiden layer3的權(quán)重更新比較正常，但是前面的hidden layer1的權(quán)重更新會(huì)變得很慢，導(dǎo)致前面的權(quán)重幾乎不變，仍然接近初始化的權(quán)重，這相當(dāng)于hidden layer1沒有學(xué)到任何東西，此時(shí)深層網(wǎng)絡(luò)只有后面的幾層網(wǎng)絡(luò)在學(xué)習(xí)，而且網(wǎng)絡(luò)在實(shí)際上也等價(jià)變成了淺層網(wǎng)絡(luò)。

產(chǎn)生梯度爆炸和梯度消失問題的原因

我們來看看看反向傳播的過程：

（假設(shè)網(wǎng)絡(luò)每一層只有一個(gè)神經(jīng)元，并且對(duì)于每一層）

可以推導(dǎo)出：

而sigmoid的導(dǎo)數(shù)如下圖所示：

可以知道，的最大值是，而我們初始化的權(quán)重通常都小于1，因此，而且鏈?zhǔn)角髮?dǎo)層數(shù)非常多，不斷相乘的話，最后的結(jié)果越來越小，趨向于0，就會(huì)出現(xiàn)梯度消失的情況。

梯度爆炸則相反，時(shí)，不斷相乘結(jié)果變得很大。

梯度爆炸和梯度消失問題都是因?yàn)榫W(wǎng)絡(luò)太深，網(wǎng)絡(luò)權(quán)重更新不穩(wěn)定造成的，本質(zhì)上是梯度方向傳播的連乘效應(yīng)。

梯度爆炸和梯度消失的解決方法

1. 使用預(yù)訓(xùn)練加微調(diào)策略。
2. 進(jìn)行梯度截?cái)唷?/span>
3. 使用ReLU、LeakyReLU等激活函數(shù)。
4. 引入BN層。
5. 使用殘差結(jié)構(gòu)。
6. 使用LSTM思想。

【Python/C/C++知識(shí)】

【一】Python中的None代表什么？

None是一個(gè)特殊的常量，表示空值，其和False，0以及空字符串不同，它是一個(gè)特殊Python對(duì)象, None的類型是NoneType。

None和任何其他的數(shù)據(jù)類型比較返回False。

我們可以將None復(fù)制給任何變量，也可以給None賦值。

【二】Python中和的區(qū)別？

和主要用于函數(shù)定義。我們可以將不定數(shù)量的參數(shù)傳遞給一個(gè)函數(shù)。

這里的不定的意思是：預(yù)先并不知道函數(shù)使用者會(huì)傳遞多少個(gè)參數(shù), 所以在這個(gè)場景下使用這兩個(gè)關(guān)鍵字。

是用來發(fā)送一個(gè)非鍵值對(duì)的可變數(shù)量的參數(shù)列表給一個(gè)函數(shù)。

我們直接看一個(gè)例子：

def test_var_args(f_arg, *argv):
    print('first normal arg:', f_arg)
    for arg in argv:
        print('another arg through *argv:', arg)

test_var_args('hello', 'python', 'ddd', 'test')

-----------------結(jié)果如下-----------------------
first normal arg: hello
another arg through *argv: python
another arg through *argv: ddd
another arg through *argv: test

允許我們將不定長度的鍵值對(duì), 作為參數(shù)傳遞給一個(gè)函數(shù)。如果我們想要在一個(gè)函數(shù)里處理帶名字的參數(shù), 我們可以使用。

我們同樣舉一個(gè)例子：

【三】C/C++中面向?qū)ο蠛兔嫦蜻^程的區(qū)別？

面向?qū)ο螅∣bject Oriented Programming，OOP）編程模型首先抽象出各種對(duì)象（各種類），并專注于對(duì)象與對(duì)象之間的交互，對(duì)象涉及的方法和屬性都封裝在對(duì)象內(nèi)部。

面向?qū)ο蟮木幊趟枷胧且环N依賴于類和對(duì)象概念的編程方式，一個(gè)形象的例子是將大象裝進(jìn)冰箱：

1. 冰箱是一個(gè)對(duì)象，大象也是一個(gè)對(duì)象。
2. 冰箱有自己的方法，打開、存儲(chǔ)、關(guān)閉等；大象也有自己的方法，吃、走路等。
3. 冰箱有自己的屬性：長、寬、高等；大象也有自己的屬性：體重、高度、體積等。

面向過程（Procedure Oriented Programming，POP）編程模型是將問題分解成若干步驟（動(dòng)作），每個(gè)步驟（動(dòng)作）用一個(gè)函數(shù)來實(shí)現(xiàn)，在使用的時(shí)候，將數(shù)據(jù)傳遞給這些函數(shù)。

面向過程的編程思想通常采用自上而下、順序執(zhí)行的方式進(jìn)行，一個(gè)形象的例子依舊是將大象裝進(jìn)冰箱：

1. 打開冰箱。
2. 把大象裝進(jìn)冰箱。
3. 關(guān)閉冰箱。

面向?qū)ο蠛兔嫦蜻^程的區(qū)別：

1. 安全性角度。面向?qū)ο蟊让嫦蜻^程安全性更高，面向?qū)ο髮?shù)據(jù)訪問隱藏在了類的成員函數(shù)中，而且類的成員變量和成員函數(shù)都有不同的訪問屬性；而面向過程并沒有辦法來隱藏程序數(shù)據(jù)。

2. 程序設(shè)計(jì)角度。面向過程通常將程序分為一個(gè)個(gè)的函數(shù)；而面向?qū)ο缶幊讨型ǔＪ褂靡粋€(gè)個(gè)對(duì)象，函數(shù)通常是對(duì)象的一個(gè)方法。

3. 邏輯過程角度。面向過程通常采用自上而下的方法；而面向?qū)ο笸ǔ２捎米韵露系姆椒ā?/span>

4. 程序擴(kuò)展性角度。面向?qū)ο缶幊谈菀仔薷某绦颍菀滋砑有鹿δ堋?/span>

【模型部署】

【一】主流AI端側(cè)硬件平臺(tái)有哪些？

1. 英偉達(dá)
2. 海思
3. 寒武紀(jì)
4. 比特大陸
5. 昇騰
6. 登臨
7. 聯(lián)詠
8. 安霸
9. 耐能
10. 愛芯
11. 瑞芯

【二】主流AI端側(cè)硬件平臺(tái)一般包含哪些模塊？

1. 視頻編解碼模塊
2. CPU核心處理模塊
3. AI協(xié)處理器模塊
4. GPU模塊
5. DSP模塊
6. DDR內(nèi)存模塊
7. 數(shù)字圖像處理模塊

【圖像處理基礎(chǔ)】

【一】圖像噪聲的種類？

常規(guī)噪聲

1. 高斯噪聲
2. 脈沖噪聲
3. 泊松噪聲
4. 乘性噪聲
5. 瑞利噪聲
6. 伽馬噪聲
7. 指數(shù)噪聲
8. 均勻噪聲
9. 椒鹽噪聲
10. 散粒噪聲
11. 泊松噪聲

對(duì)抗噪聲

1. 白盒對(duì)抗噪聲
2. 黑盒查詢對(duì)抗噪聲
3. 黑盒遷移噪聲
4. 物理對(duì)抗噪聲

【二】Python中OpenCV和PIL的區(qū)別？

1. 在讀取圖片時(shí)，OpenCV按照BGR的色彩模式渲染通道，而PIL按照RGB的色彩模式渲染通道。
2. OpenCV性能較優(yōu)，可以作為算法與工程的必備模塊。

OpenCV的一些常用操作：

import cv2 # 導(dǎo)入OpenCV庫

import numpy as np

img = cv2.imread('xxx.jpg', 0) # 讀取圖片：灰度模式

img = cv2.imread('xxx.jpg', -1) # 讀取圖片：BGRA模式(BGR+Alpha通道)

img = cv2.imread('xxx.jpg', 1) # 讀取圖片：BGR模式

img = cv2.imread('xxx.jpg') # 讀取圖片：第二參數(shù)默認(rèn)為1，BGR模式

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 將顏色通道從BGR轉(zhuǎn)為RGB

if img == None: # 讀取圖片失敗
  print('image failed to load') 

cv2.imshow('src', img) # 圖片源src為img

print(img.shape) # 輸出圖片(高度h,寬度w,通道c)

print(img.size) # 像素總數(shù)目

print(img.dtype) # 輸出圖片類型,uint8為[0-255]

print(img) # 輸出所有像素的RGB值

cv2.waitKey()  # 按鍵關(guān)閉窗口
# waitKey(delay)函數(shù)的功能是不斷刷新圖像，頻率時(shí)間為delay，單位為ms，返回值為當(dāng)前鍵盤按鍵值
# waitKey() 是在一個(gè)給定的時(shí)間內(nèi)(單位ms)等待用戶按鍵觸發(fā); 如果用戶沒有按下鍵,則接續(xù)等待(循環(huán))

imgL = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 讀取img灰度圖

cv2.imshow('gray',imgL) # 圖片源gray為imgL

cv2.imwrite('imgL.jpg',imgL) # 將imgL儲(chǔ)存名為imgL.jpg的圖片

img = img.transpose(2,0,1) # 圖片矩陣變換為(通道c,高度h,寬度w)

img = np.expand_dims(img, axis=0) # 圖片矩陣擴(kuò)展維度添加在第一維

print(img.shape) # (1,通道c,高度h,寬度w)

print(img[10,10]) # 訪問圖片img像素[10,10],輸出 [0-255 0-255 0-255]

print(imgL[10,10]) # 訪問灰色圖片img像素[10,10],輸出 0-255

img[10,10] = [255,255,255]  # 修改圖片img像素點(diǎn)[10,10]為[255,255,255]

imgL[10,10] = 255 # 修改灰色圖片img像素點(diǎn)[10,10]為255

img[:,:,2] = 0 # 將R通道全部修改為0

roi = img[200:550,100:450,:]  # ROI操作,坐標(biāo)(高度范圍,寬度范圍,通道范圍)

cv2.imshow('roi',roi) # 圖片源roi為roi

PIL的一些常用操作：

【計(jì)算機(jī)基礎(chǔ)】

【一】Git，GitLab，SVN的相關(guān)知識(shí)

Git

Git是當(dāng)前主流的一種開源分布式版本控制系統(tǒng)，可以有效、快速的進(jìn)行項(xiàng)目版本管理。

Git沒有中央服務(wù)器，不同于SVN這種需要中央服務(wù)器的集中式版本控制系統(tǒng)。

Git的功能：版本控制（版本管理，遠(yuǎn)程倉庫，分支協(xié)作）

Git的工作流程：

Git的常用命令：

git init 創(chuàng)建倉庫

git clone 克隆github上的項(xiàng)目到本地

git add  添加文件到緩存區(qū)

git commit 將緩存區(qū)內(nèi)容添加到倉庫中

GitLab

GitLab是一個(gè)基于Git實(shí)現(xiàn)的在線代碼倉庫軟件，可以基于GitLab搭建一個(gè)類似于GitHub的倉庫，但是GitLab有完善的管理界面和權(quán)限控制，有較高的安全性，可用于企業(yè)和學(xué)校等場景。

SVN

SVN全名Subversion，是一個(gè)開源的版本控制系統(tǒng)。不同于Git，SVN是集中式版本控制系統(tǒng)。

SVN只有一個(gè)集中管理的服務(wù)器，保存所有文件的修訂版本，而協(xié)同工作的人們都通過客戶端連到這臺(tái)服務(wù)器，取出最新的文件或者提交更新。

SVN的特點(diǎn)是安全，效率，資源共享。

SVN的常用操作：

【二】協(xié)程的相關(guān)概念

協(xié)程（Coroutine，又稱微線程）運(yùn)行在線程之上，更加輕量級(jí)，協(xié)程并沒有增加線程總數(shù)，只是在線程的基礎(chǔ)之上通過分時(shí)復(fù)用的方式運(yùn)行多個(gè)協(xié)程，大大提高工程效率。

協(xié)程的特點(diǎn)：

1. 協(xié)程類似于子程序，但執(zhí)行過程中，協(xié)程內(nèi)部可中斷，然后轉(zhuǎn)而執(zhí)行其他的協(xié)程，在適當(dāng)?shù)臅r(shí)候再返回來接著執(zhí)行。協(xié)程之間的切換不需要涉及任何系統(tǒng)調(diào)用或任何阻塞調(diào)用。
2. 協(xié)程只在一個(gè)線程中執(zhí)行，發(fā)生在用戶態(tài)上的一個(gè)邏輯。并且是協(xié)程之間的切換并不是線程切換，而是由程序自身控制，協(xié)程相比線程節(jié)省線程創(chuàng)建和切換的開銷。
3. 協(xié)程中不需要多線程的鎖機(jī)制，因?yàn)橹挥幸粋€(gè)線程，也不存在同時(shí)寫變量沖突，在協(xié)程中控制共享資源不加鎖，只需要判斷狀態(tài)就好了，所以執(zhí)行效率比多線程高很多。

協(xié)程適用于有大量I/O操作業(yè)務(wù)的場景，可以到達(dá)很好的效果，一是降低了系統(tǒng)內(nèi)存，二是減少了系統(tǒng)切換開銷，因此系統(tǒng)的性能也會(huì)提升。

在協(xié)程中盡量不要調(diào)用阻塞I/O的方法，比如打印，讀取文件等，除非改為異步調(diào)用的方式，并且協(xié)程只有在I/O密集型的任務(wù)中才會(huì)發(fā)揮作用。

【開放性問題】

這些問題基于我的思考提出，希望除了能給大家?guī)砻嬖嚨乃伎?，也能給大家?guī)砻嬖囈酝獾乃伎?。這些問題沒有標(biāo)準(zhǔn)答案，我相信每個(gè)人心中都有自己靈光一現(xiàn)的創(chuàng)造，你的呢？

【一】如何保持?jǐn)?shù)據(jù)持續(xù)穩(wěn)定的支持業(yè)務(wù)？

在“CV兵器”基本上都是開源的情況下，數(shù)據(jù)成為了支持業(yè)務(wù)迭代最重要的一部分，如何建立數(shù)據(jù)護(hù)城河，形成業(yè)務(wù)與數(shù)據(jù)雙向正反饋，是AI行業(yè)從業(yè)者必須要面對(duì)的課題。

【二】如何分辨demo業(yè)務(wù)，一次性業(yè)務(wù)以及外包業(yè)務(wù)？

這個(gè)問題不僅可以考察面試者，面試者也可以用來反向判斷面試官及其背后公司的運(yùn)行邏輯。陷入demo業(yè)務(wù)，一次性業(yè)務(wù)以及外包業(yè)務(wù)的循環(huán)中是無法成長的，也不利于建立業(yè)務(wù)/產(chǎn)品的護(hù)城河。知道了這一點(diǎn)，那么如何去選擇部門，如何去選擇公司，如何去看需求，就變成了非常值得研究的事情。