一面 1h
狂轰滥炸，把我会的都问了，不会的也问了。。。
0.自我介绍
1.无人机项目介绍
2.深挖细节：YOLOv3的数据增强有哪些？
从config文件中可以看出有角度旋转，饱和度，曝光度(明度)和色度的参数调整，还有jitter参数=0.3。这里是随机调整宽高比的范围。
但是在源码image.c当中有这些数据增强的函数。
3.YOLOv3中的多尺度的anchors和ground truth是怎么得到最终的target的？grid？这是重点，关系到最后的训练。
因为YOLOv3是有1313个grid网格的，每一个grid都有3个不同大小比例的anchor，每一个尺度上就会有3（80+5）=255个boxes，然后三个尺度的框都沿着深度维度拼接起来，这样就能进行多尺度预测。其实我们要得到最后的target是目标检测的框，v3使用逻辑回归预测每个边界框的目标性得分。v3还改变了计算loss函数的方式。
4.YOLOv3的anchor是怎么来的，什么公式，聚类
通过聚类得到，但是这里需要写出公式
距离是通过IOU来计算的
5.YOLOv3的LOSS由哪几部分组成，分别是什么？LOSS如何做归一化？
box当中的xywh，类别class，置信度object confidence。
如何做归一化？
看上面的LOSS好了。。。。
6.YOLOv3中怎么解决样本不均衡的问题？
当时我记得公式的话是在noobject的那个类别预测的loss部分乘上一个0.5，进行抑制负样本，也就是背景
7.focal loss的原理，怎么在最后一层的时候在bias中做初始化？
交叉熵的变体，focal loss这块后续还要继续TODO
8.还有哪些解决样本不均衡的方法？
重采样，过采样
9.FPN原理，原始FPN论文与YOLOv3的FPN的区别。
原始的是在RPN上面实验的。
YOLO3只是借鉴了这个多尺度融合的思想
10.YOLOv3的结构，其中的激活函数，为什么要用激活函数？有哪些激活函数？激活函数解决什么问题？
darknet53，没有池化层和全连接层，还有shortcut layer，upsample，route拼接层。原先的darknet19仿造的是VGG
11.Batch normalization的原理，过程
12.过拟合和欠拟合的状况，如何解决过拟合？
13.dropout的原理，细节
14.batch normalization为什么可以缓解过拟合？
15.python当中赋值操作，深拷贝，浅拷贝，举了例子如果a = [1],b是a的浅拷贝，b改成[2]，a会不会变。
16.0.35/0.05 = 多少？从二进制的角度去考虑，结果应该是6.99999…计算机底层知识。
一面总结：YOLOv3原理深挖，要去恶补了。。。从数据处理，到损失函数，整个网络的训练细节都要熟悉！深度学习原理也要恶补，dropout的是怎么恢复神经元的又忘了。。。。python都有点没学好，更别说c++了。。。
