面经｜经典算法面试题&知识点汇总（附答案）
极市导读
总结分享了一些CV算法与机器学习相关的经典面试知识点。 >>加入极市CV技术交流群，走在计算机视觉的最前沿
干货篇
----【目录先行】----
深度学习基础：
-
深度学习中有哪些经典的优化器？ -
有哪些提高GAN训练稳定性的Tricks？
经典模型&&热门模型：
-
U-Net模型的结构和特点？ -
RepVGG模型的结构和特点？
机器学习基础：
-
Accuracy、Precision、Recall、F1 Scores的相关概念？ -
梯度爆炸和梯度消失产生的原因及解决方法?
Python/C/C++知识：
-
Python中的None代表什么？ -
Python中和的区别？ -
C/C++中面向对象和面向过程的区别？
模型部署：
-
主流AI端侧硬件平台有哪些？ -
主流AI端侧硬件平台一般包含哪些模块？
图像处理基础：
-
图像噪声的种类？ -
Python中OpenCV和PIL的区别？
计算机基础：
-
Git，GitLab，SVN的相关知识 -
协程的相关概念
开放性问题：
-
如何保持数据持续稳定的支持业务？ -
如何分辨demo业务，一次性业务以及外包业务？
----【深度学习基础】----
【一】深度学习中有哪些经典的优化器？
SGD（随机梯度下降）
随机梯度下降的优化算法在科研和工业界是很常用的。
很多理论和工程问题都能转化成对目标函数进行最小化的数学问题。
举个例子：梯度下降（Gradient Descent）就好比一个人想从高山上奔跑到山谷最低点，用最快的方式奔向最低的位置。
SGD的公式：
动量（Momentum）公式：
基本的mini-batch SGD优化算法在深度学习取得很多不错的成绩。然而也存在一些问题需解决：
-
选择恰当的初始学习率很困难。 -
学习率调整策略受限于预先指定的调整规则。 -
相同的学习率被应用于各个参数。 -
高度非凸的误差函数的优化过程，如何避免陷入大量的局部次优解或鞍点。
AdaGrad（自适应梯度）
AdaGrad优化算法（Adaptive Gradient，自适应梯度），它能够对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。
AdaGrad公式：
表示时刻的 梯度。
表示t时刻参数 的梯度平方和。
与SGD的核心区别在于计算更新步长时, 增加了分母: 梯度平方累积和的平方根。 此项能够累积各个参数 的历史梯度平方, 频繁更新的梯度, 则累积的分母逐渐偏大, 那么更新的步长相对就会变小, 而稀疏的梯度, 则导致累积的分母项中对应值比较小, 那么更新的步长则相对比较大。
AdaGrad能够自动为不同参数适应不同的学习率 (平方根的分母项相当于对学习率 进进 行了自动调整, 然后再乘以本次梯度）, 大多数的框架实现采用默认学习率 即可 完成比较好的收敛。
优势： 在数据分布稀疏的场景，能更好利用稀疏梯度的信息，比标准的SGD算法更有效地收敛。
缺点： 主要缺陷来自分母项的对梯度平方不断累积，随时间的增加，分母项越来越大，最终导致学习率收缩到太小无法进行有效更新。
RMSProp
RMSProp结合梯度平方的指数移动平均数来调节学习率的变化。能够在不稳定的目标函数情况下进行很好地收敛。
计算t时刻的梯度：
计算梯度平方的指数移动平均数（Exponential Moving Average）， 是遗忘因子（或称为指数衰减率），依据经验，默认设置为0.9。
梯度更新的时候，与AdaGrad类似，只是更新的梯度平方的期望（指数移动均值），其中 , 避免除数为 0 。默认学习率 。
优势： 能够克服AdaGrad梯度急剧减小的问题，在很多应用中都展示出优秀的学习率自适应能力。尤其在不稳定(Non-Stationary)的目标函数下，比基本的SGD、Momentum、AdaGrad表现更良好。
Adam
Adam优化器结合了AdaGrad和RMSProp两种优化算法的优点。对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估计（Second Moment Estimation，即梯度的未中心化的方差）进行综合考虑，计算出更新步长。
Adam的优势：
-
实现简单，计算高效，对内存需求少。 -
参数的更新不受梯度的伸缩变换影响。 -
超参数具有很好的解释性，且通常无需调整或仅需很少的微调。 -
更新的步长能够被限制在大致的范围内（初始学习率）。 -
能自然地实现步长退火过程（自动调整学习率）。 -
很适合应用于大规模的数据及参数的场景。 -
适用于不稳定目标函数。 -
适用于梯度稀疏或梯度存在很大噪声的问题。
Adam的实现原理：
计算t时刻的梯度：
然后计算梯度的指数移动平均数, 初始化为 0 。
类似于Momentum算法, 综合考虑之前累积的梯度动量。
系数为指数衰减率, 控制动量和当前梯度的权重分配, 通常取接近于 1 的值。默认为 。
接着, 计算梯度平方的指数移动平均数, 初始化为 0 。
系数为指数衰减率, 控制之前的梯度平方的影响情况。默认为 。
类似于RMSProp算法, 对梯度平方进行加权均值。
由于 初始化为 0 , 会导致 偏向于 0 , 尤其在训练初期阶段。
所以, 此处需要对梯度均值 进行偏差纠正, 降低偏差对训练初期的影响。
同时 也要进行偏差纠正:
最后总的公式如下所示：
其中默认学习率 ，避免除数变为0。
从表达式中可以看出，对更新的步长计算，能够从梯度均值和梯度平方两个角度进行自适应地调节，而不是直接由当前梯度决定。
Adam的不足：
虽然Adam算法目前成为主流的优化算法，不过在很多领域里（如计算机视觉的图像识别、NLP中的机器翻译）的最佳成果仍然是使用带动量（Momentum）的SGD来获取到的。
【二】有哪些提高GAN训练稳定性的Tricks？
1.输入Normalize
-
将输入图片Normalize到 之间。 -
生成器最后一层的输出使用Tanh激活函数。
Normalize非常重要，没有处理过的图片是没办法收敛的。图片Normalize一种简单的方法是（images-127.5）/127.5，然后送到判别器去训练。同理生成的图片也要经过判别器，即生成器的输出也是-1到1之间，所以使用Tanh激活函数更加合适。
2.替换原始的GAN损失函数和标签反转
-
原始GAN损失函数会出现训练早期梯度消失和Mode collapse（模型崩溃）问题。可以使用Earth Mover distance（推土机距离）来优化。 -
实际工程中用反转标签来训练生成器更加方便，即把生成的图片当成real的标签来训练，把真实的图片当成fake来训练。
3.使用具有球形结构的随机噪声作为输入
-
不要使用均匀分布进行采样
-
使用高斯分布进行采样
4.使用BatchNorm
-
一个mini-batch中必须只有real数据或者fake数据，不要把他们混在一起训练。 -
如果能用BatchNorm就用BatchNorm，如果不能用则用instance normalization。
5.避免使用ReLU，MaxPool等操作引入稀疏梯度
-
GAN的稳定性会因为引入稀疏梯度受到很大影响。 -
最好使用类LeakyReLU的激活函数。（D和G中都使用） -
对于下采样，最好使用：Average Pooling或者卷积+stride。 -
对于上采样，最好使用：PixelShuffle或者转置卷积+stride。
最好去掉整个Pooling逻辑，因为使用Pooling会损失信息，这对于GAN训练没有益处。
6.使用Soft和Noisy的标签
-
Soft Label，即使用 和 两个区间的随机值来代替正样本和负样本的Hard Label。 -
可以在训练时对标签加一些噪声，比如随机翻转部分样本的标签。
7.使用Adam优化器
-
Adam优化器对于GAN来说非常有用。 -
在生成器中使用Adam，在判别器中使用SGD。
8.追踪训练失败的信号
-
判别器的损失=0说明模型训练失败。 -
如果生成器的损失稳步下降，说明判别器没有起作用。
9.在输入端适当添加噪声
-
在判别器的输入中加入一些人工噪声。 -
在生成器的每层中都加入高斯噪声。
10.生成器和判别器差异化训练
-
多训练判别器，尤其是加了噪声的时候。
11.Two Timescale Update Rule (TTUR)
对判别器和生成器使用不同的学习速度。使用较低的学习率更新生成器，判别器使用较高的学习率进行更新。
12. Gradient Penalty （梯度惩罚）
使用梯度惩罚机制可以极大增强 GAN 的稳定性，尽可能减少mode collapse问题的产生。
13. Spectral Normalization（谱归一化）
Spectral normalization可以用在判别器的weight normalization技术，可以确保判别器是K-Lipschitz连续的。
14. 使用多个GAN结构
可以使用多个GAN/多生成器/多判别器结构来让GAN训练更稳定，提升整体效果，解决更难的问题。
【经典模型&&热门模型】
【一】U-Net模型的结构和特点？
U-Net网络结构如下所示：
U-Net网络的特点：
-
全卷积神经网络：使用 卷积完全取代了全连接层，使得模型的输入尺寸不受限制。 -
左半部分网络是收缩路径（contracting path）：使用卷积和max pooling层，对feature map进行下采样。 -
右半部分网络是扩张路径（expansive path）：使用转置卷积对feature map进行上采样，并将其与收缩路径对应层产生的特征图进行concat操作。上采样可以补充特征信息，加上与左半部分网络收缩路径的特征图进行concat（通过crop操作使得两个特征图尺寸一致），这就相当于在高分辨率和高维特征当中做一个融合折中。 -
U-Net提出了让人耳目一新的编码器-解码器整体结构，让U-Net充满了生命力与强适应性。
U-Net在医疗图像，缺陷检测以及交通场景中有非常丰富的应用，可以说图像分割实际场景，U-Net是当仁不让的通用Baseline。
U-Net的论文地址：https://arxiv.org/pdf/1505.04597.pdf
【二】RepVGG模型的结构和特点？
RepVGG模型的基本架构由20多层 卷积组成，分成5个stage，每个stage的第一层是stride=2的降采样，每个卷积层用ReLU作为激活函数。
RepVGG的主要特点：
-
卷积在GPU上的计算密度（理论运算量除以所用时间）可达1x1和5x5卷积的四倍. -
直筒型单路结构的计算效率比多路结构高。 -
直筒型单路结构比起多路结构内存占用少。 -
单路架构灵活性更好，容易进一步进行模型压缩等操作。 -
RepVGG中只含有一种算子，方便芯片厂商设计专用芯片来提高端侧AI效率。
那么是什么让RepVGG能在上述情形下达到SOTA效果呢？
答案就是结构重参数化（structural re-parameterization）。
在训练阶段，训练一个多分支模型，并将多分支模型等价转换为单路模型。在部署阶段，部署单路模型即可。这样就可以同时利用多分支模型训练时的优势（性能高）和单路模型推理时的好处（速度快、省内存）。
更多结构重参数化细节知识将在后续的篇章中展开介绍，大家尽情期待！
【机器学习基础】
【一】Accuracy、Precision、Recall、F1 Scores的相关概念？
首先Rocky介绍一下相关名词：
-
TP（True Positive）: 预测为正，实际为正 -
FP（False Positive）: 预测为正，实际为负 -
TN（True Negative）：预测为负，实际为负 -
FN（false negative）: 预测为负，实际为正
Accuracy、Precision、Recall、F1 Scores的公式如下所示：
Accuracy（准确率）：分类正确的样本数占样本总数的比例。
Precision（精准度/查准率）：当前预测为正样本类别中被正确分类的样本比例。
Recall（召回率/查全率）：预测出来的正样本占正样本总数的比例。
F1-score是Precision和Recall的综合。F1-score越高，说明分类模型越稳健。
【二】梯度爆炸和梯度消失产生的原因及解决方法?
梯度爆炸和梯度消失问题
一般在深层神经网络中，我们需要预防梯度爆炸和梯度消失的情况。
梯度消失（gradient vanishing problem）和梯度爆炸（gradient exploding problem）一般随着网络层数的增加会变得越来越明显。
例如下面所示的含有三个隐藏层的神经网络，梯度消失问题发生时，接近输出层的hiden layer3的权重更新比较正常，但是前面的hidden layer1的权重更新会变得很慢，导致前面的权重几乎不变，仍然接近初始化的权重，这相当于hidden layer1没有学到任何东西，此时深层网络只有后面的几层网络在学习，而且网络在实际上也等价变成了浅层网络。
产生梯度爆炸和梯度消失问题的原因
我们来看看看反向传播的过程：
（假设网络每一层只有一个神经元，并且对于每一层 ）
可以推导出：
而sigmoid的导数 如下图所示：
可以知道, 的最大值是 , 而我们初始化的权重 通常都小于 1 , 因此 , 而且链式求导层数非常多, 不断相乘的话, 最后的结果越来越小, 趋向 于0, 就会出现梯度消失的情况。
梯度爆炸则相反, 时, 不断相乘结果变得很大。
梯度爆炸和梯度消失问题都是因为网络太深，网络权重更新不稳定造成的，本质上是梯度方向传播的连乘效应。
梯度爆炸和梯度消失的解决方法
-
使用预训练加微调策略。 -
进行梯度截断。 -
使用ReLU、LeakyReLU等激活函数。 -
引入BN层。 -
使用残差结构。 -
使用LSTM思想。
【Python/C/C++知识】
【一】Python中的None代表什么？
None是一个特殊的常量，表示空值，其和False，0以及空字符串不同，它是一个特殊Python对象, None的类型是NoneType。
None和任何其他的数据类型比较返回False。
>>> None == 0
False
>>> None == ' '
>>> False
>>> None == None
>>> True
>>> None == False
>>> False
>>>
我们可以将None复制给任何变量，也可以给None赋值。
【二】Python中和的区别？
和 主要用于函数定义。我们可以将不定数量的参数传递给一个函数。这里的不定的意思是：预先并不知道函数使用者会传递多少个参数, 所以在这个场景下使用这两个关键字。
是用来发送一个非键值对的可变数量的参数列表给一个函数。
我们直接看一个例子：
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')
-----------------结果如下-----------------------
first normal arg: hello
another arg through *argv: python
another arg through *argv: ddd
another arg through *argv: test
允许我们将不定长度的键值对, 作为参数传递给一个函数。如果我们想要在一个函数里处理带名字的参数, 我们可以使用 。
我们同样举一个例子：
def greet_me(**kwargs):
for key, value in kwargs.items():
print("{0} == {1}".format(key, value))
greet_me(name="yasoob")
-----------结果如下-------------
name == yasoob
【三】C/C++中面向对象和面向过程的区别？
面向对象（Object Oriented Programming，OOP）编程模型首先抽象出各种对象（各种类），并专注于对象与对象之间的交互，对象涉及的方法和属性都封装在对象内部。
面向对象的编程思想是一种依赖于类和对象概念的编程方式，一个形象的例子是将大象装进冰箱：
-
冰箱是一个对象，大象也是一个对象。 -
冰箱有自己的方法，打开、存储、关闭等；大象也有自己的方法，吃、走路等。 -
冰箱有自己的属性：长、宽、高等；大象也有自己的属性：体重、高度、体积等。
面向过程（Procedure Oriented Programming，POP）编程模型是将问题分解成若干步骤（动作），每个步骤（动作）用一个函数来实现，在使用的时候，将数据传递给这些函数。
面向过程的编程思想通常采用自上而下、顺序执行的方式进行，一个形象的例子依旧是将大象装进冰箱：
-
打开冰箱。 -
把大象装进冰箱。 -
关闭冰箱。
面向对象和面向过程的区别：
-
安全性角度。 面向对象比面向过程安全性更高，面向对象将数据访问隐藏在了类的成员函数中，而且类的成员变量和成员函数都有不同的访问属性；而面向过程并没有办法来隐藏程序数据。 -
程序设计角度。 面向过程通常将程序分为一个个的函数；而面向对象编程中通常使用一个个对象，函数通常是对象的一个方法。 -
逻辑过程角度。 面向过程通常采用自上而下的方法；而面向对象通常采用自下而上的方法。 -
程序扩展性角度。 面向对象编程更容易修改程序，更容易添加新功能。
【模型部署】
【一】主流AI端侧硬件平台有哪些？
-
英伟达 -
海思 -
寒武纪 -
比特大陆 -
昇腾 -
登临 -
联咏 -
安霸 -
耐能 -
爱芯 -
瑞芯
【二】主流AI端侧硬件平台一般包含哪些模块？
-
视频编解码模块 -
CPU核心处理模块 -
AI协处理器模块 -
GPU模块 -
DSP模块 -
DDR内存模块 -
数字图像处理模块
【图像处理基础】
【一】图像噪声的种类？
常规噪声
-
高斯噪声 -
脉冲噪声 -
泊松噪声 -
乘性噪声 -
瑞利噪声 -
伽马噪声 -
指数噪声 -
均匀噪声 -
椒盐噪声 -
散粒噪声 -
泊松噪声
对抗噪声
-
白盒对抗噪声 -
黑盒查询对抗噪声 -
黑盒迁移噪声 -
物理对抗噪声
【二】Python中OpenCV和PIL的区别？
-
在读取图片时，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。 -
OpenCV性能较优，可以作为算法与工程的必备模块。
OpenCV的一些常用操作：
import cv2 # 导入OpenCV库
import numpy as np
img = cv2.imread('xxx.jpg', 0) # 读取图片：灰度模式
img = cv2.imread('xxx.jpg', -1) # 读取图片：BGRA模式(BGR+Alpha通道)
img = cv2.imread('xxx.jpg', 1) # 读取图片：BGR模式
img = cv2.imread('xxx.jpg') # 读取图片：第二参数默认为1，BGR模式
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将颜色通道从BGR转为RGB
if img == None: # 读取图片失败
print('image failed to load')
cv2.imshow('src', img) # 图片源src为img
print(img.shape) # 输出图片(高度h,宽度w,通道c)
print(img.size) # 像素总数目
print(img.dtype) # 输出图片类型,uint8为[0-255]
print(img) # 输出所有像素的RGB值
cv2.waitKey() # 按键关闭窗口
# waitKey(delay)函数的功能是不断刷新图像，频率时间为delay，单位为ms，返回值为当前键盘按键值
# waitKey() 是在一个给定的时间内(单位ms)等待用户按键触发; 如果用户没有按下键,则接续等待(循环)
imgL = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 读取img灰度图
cv2.imshow('gray',imgL) # 图片源gray为imgL
cv2.imwrite('imgL.jpg',imgL) # 将imgL储存名为imgL.jpg的图片
img = img.transpose(2,0,1) # 图片矩阵变换为(通道c,高度h,宽度w)
img = np.expand_dims(img, axis=0) # 图片矩阵扩展维度添加在第一维
print(img.shape) # (1,通道c,高度h,宽度w)
print(img[10,10]) # 访问图片img像素[10,10],输出 [0-255 0-255 0-255]
print(imgL[10,10]) # 访问灰色图片img像素[10,10],输出 0-255
img[10,10] = [255,255,255] # 修改图片img像素点[10,10]为[255,255,255]
imgL[10,10] = 255 # 修改灰色图片img像素点[10,10]为255
img[:,:,2] = 0 # 将R通道全部修改为0
roi = img[200:550,100:450,:] # ROI操作,坐标(高度范围,宽度范围,通道范围)
cv2.imshow('roi',roi) # 图片源roi为roi
PIL的一些常用操作：
from PIL import Image #导入PIL库
import numpy as np
img = Image.open('../xx.jpg') # 读取图片
imgL = Image.open('../xx.jpg').convert('L') # 读取图片灰度图
imgL.show() # 展示灰度图
img1 = img.copy() # 复制图片
print(img.format) # 输出图片格式
print(img.size) # 输出图片(宽度w,高度h)
print(img.mode) # 输出图片类型,L为灰度图,RGB为真彩色,RGBA为RGB+Alpha透明度
im.show() # 展示画布
imgData = np.array(img) # 将对象img转化为RGB像素值矩阵
print(imgData.shape) # 输出图片(宽度w,高度h,通道c)
print(imgData.dtype) # 输出图片类型,uint8为[0-255]
print(imgData) # 输出所有像素的RGB值
imgN = Image.fromarray(imgData) # 将RGB像素值矩阵转化为对象imgN
imgN.save('xxx.jpg') # 储存为文件xxx.jpg
r ,g ,b = img.split() # 分离通道
img = Image.merge("RGB", (b, g, r)) # 合并通道
# ROI(region of interest),只对ROI区域操作
roi = img.crop((0, 0, 300, 300)) # (左上x，左上y，右下x，右下y)坐标
roi.show() # 展示ROI区域
#捕捉异IOError,为读取图片失败
try:
img = Image.open('xxx.jpg')
except IOError:
print('image failed to read')
【计算机基础】
【一】Git，GitLab，SVN的相关知识
Git
Git是当前主流的一种开源分布式版本控制系统，可以有效、快速的进行项目版本管理。
Git没有中央服务器，不同于SVN这种需要中央服务器的集中式版本控制系统。
Git的功能：版本控制（版本管理，远程仓库，分支协作）
Git的工作流程：
Git的常用命令：
git init 创建仓库
git clone 克隆github上的项目到本地
git add 添加文件到缓存区
git commit 将缓存区内容添加到仓库中
GitLab
GitLab是一个基于Git实现的在线代码仓库软件，可以基于GitLab搭建一个类似于GitHub的仓库，但是GitLab有完善的管理界面和权限控制，有较高的安全性，可用于企业和学校等场景。
SVN
SVN全名Subversion，是一个开源的版本控制系统。不同于Git，SVN是集中式版本控制系统。
SVN只有一个集中管理的服务器，保存所有文件的修订版本，而协同工作的人们都通过客户端连到这台服务器，取出最新的文件或者提交更新。
SVN的特点是安全，效率，资源共享。
SVN的常用操作：
Checkout 检出代码
Update 更新代码
Commit 提交代码
Add 提交新增文件
Revert to this version + commit 撤销已经提交的代码
【二】协程的相关概念
协程（Coroutine，又称微线程）运行在线程之上，更加轻量级，协程并没有增加线程总数，只是在线程的基础之上通过分时复用的方式运行多个协程，大大提高工程效率。
协程的特点：
-
协程类似于子程序，但执行过程中，协程内部可中断，然后转而执行其他的协程，在适当的时候再返回来接着执行。协程之间的切换不需要涉及任何系统调用或任何阻塞调用。 -
协程只在一个线程中执行，发生在用户态上的一个逻辑。并且是协程之间的切换并不是线程切换，而是由程序自身控制，协程相比线程节省线程创建和切换的开销。 -
协程中不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不加锁，只需要判断状态就好了，所以执行效率比多线程高很多。
协程适用于有大量I/O操作业务的场景，可以到达很好的效果，一是降低了系统内存，二是减少了系统切换开销，因此系统的性能也会提升。
在协程中尽量不要调用阻塞I/O的方法，比如打印，读取文件等，除非改为异步调用的方式，并且协程只有在I/O密集型的任务中才会发挥作用。
【开放性问题】
这些问题基于我的思考提出，希望除了能给大家带来面试的思考，也能给大家带来面试以外的思考。这些问题没有标准答案，我相信每个人心中都有自己灵光一现的创造，你的呢？
【一】如何保持数据持续稳定的支持业务？
在“CV兵器”基本上都是开源的情况下，数据成为了支持业务迭代最重要的一部分，如何建立数据护城河，形成业务与数据双向正反馈，是AI行业从业者必须要面对的课题。
【二】如何分辨demo业务，一次性业务以及外包业务？
这个问题不仅可以考察面试者，面试者也可以用来反向判断面试官及其背后公司的运行逻辑。陷入demo业务，一次性业务以及外包业务的循环中是无法成长的，也不利于建立业务/产品的护城河。知道了这一点，那么如何去选择部门，如何去选择公司，如何去看需求，就变成了非常值得研究的事情。
# CV技术社群邀请函 #
备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳）
即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群
极市&深大CV技术交流群已创建，欢迎深大校友加入，在群内自由交流学术心得，分享学术讯息，共建良好的技术交流氛围。
“
点击阅读原文进入CV社区
收获更多技术干货
相关内容
微信扫码咨询专知VIP会员