1.用numpy实现bicubic插值，bilinear插值。
2.阐述常见边缘提取算子，并介绍下CANNY算子的具体步骤？
3.机器学习中overfitting的常用解决方法。
4.BN的原理和具体实现，用Pytorch实现一下BN层。
BN训练的时候，均值和方差的统计量都是在batch维度上统计得到的，但是测试的时候batch size一般是1，没办法得到统计量，因此一般会保存最后一个训练批次得到的统计量，或者对最后几个批次的统计量进行moving average，用于最后的测试。
5、Dropout前传和后传的差异。
答案是按照概率将输出的feature置零，就可以同时解决前传和反传了。
6、BN和Dropout一起用的时候会出现什么问题？
主要是Dropout会使得BN要用的统计量产生误差，因此Dropout直接在BN前面用会有问题，具体的可以参考链接BN和Dropout一起用的问题。
7、用较快的办法找到一个未排序数组第k大的数字。
答案参考：其实用冒泡排序就行了，冒k次就可以找到第k大的数字，给一个经典排序算法的链接：十大经典排序算法。
8、用均匀分布随机整数生成器rand(7)来实现rand(10)。
应该用两个rand(7)，构成一个二维的平面，然后将其中的一些点均分成10份，每一份代表1-10中的一个数字，就实现rand(10)了。
答案参考：这是leetcode里面的一道中等难度题目，Leetcode-470。
9、计算机中一般常见的是均匀分布的（伪）随机数，如果要用正态分布，就需要用均匀分布去生成，那么如何用均匀分布生成正态分布？或者给出数学推导。
答案参考：其实上一问给出了一点提示的，可以通过类似的拒绝采样的方式来求解，不过在计算机编程语言中比较常用的还是Box-Muller方法，参考链接：均匀分布构造其他分布的方法。
10、用过GAN吗？用过什么样的GAN？目前在用的GAN是什么？
11、你对网络结构的设计有什么心得？
要么就借鉴最新的、来自其他领域的、被证明了有效的框架和模块，如ResBlock、Channel Attention之类的，要么就根据当前任务的数据结构、图像模式、图像特征进行专门化的模块设计。
12、怎么做网络轻量化？
回答是有三种方法，一种是设计轻量化的模块和结构，一种是对模型进行剪枝或者量化，一种是利用知识蒸馏技术用大模型教育小模型。随后他问了一下我了解过的轻量化模块，提了一下超分辨率里面用过的IMDB，他就让我介绍了一下IMDB的设计思路。
13、你对attention机制的理解是什么？attention机制的优势和劣势分别在哪里？
我认为attention机制是对卷积局部性、位移不变性这两种特性的补充，通过全局的attention计算来实现较大的感受野。attention机制的优势是能够以较大的感受野来实现任务性能的提升，可以解决卷积的一些暂时不好解决的问题，但是它的劣势也比较明显，一来是计算量的问题，二来是不一定所有任务都需要attention，它也不是万能的东西。
14、视频超分与图像超分之间的区别？
图像超分主要利用的是单张图像内部的局部、非局部特性作为约束和信息补充的渠道，而视频超分则在此基础上还要用到来自其他帧的信息，具体方法上二者的区别也体现在此，视频超分往往致力于怎么去更好地利用各帧之间的关系。
15、给定一个整数数组和一个目标值，返回数组中了两数之和等于目标值的数的下标。
用python，通过建立字典来做的，最后是新建了一个字典来去重，面试官觉得我建立新字典太耗费空间，我说可以通过merge字典的方式来避免新建，他提议可以双重遍历。
16、如果想给抖音的一个视频做封面，可以怎么设计算法，让我讲两种不同的思路。
一个是根据视频内容，利用视频总结的方法(video summarization)提取出关键帧作为封面，第二个是根据大众的喜好，从视频中选取最容易引起高点击率的帧作为封面。
17、有100盏灯，一开始都是亮的，第一次隔1盏灯按一下开关，第二次隔两盏，第99次隔99盏，问99次之后哪些灯是亮的。
从整数的因数角度回答了出来。
答案参考：这个其实是leetcode的一道中等难度的编程题，Leetcode-319。