面经自己汇总（三维视觉算法）——持续更新

1.pytorch和tensorflow的区别？

1、首先是图的创建和调试
pytorch图结构的创建是动态的，即图是运行时创建的，，更容易调试pytorch代码
tensorflow图结构的创建是静态的，即图首先被“编译”，然后再运行。
（一个好的框架应该要具备三点：
——方便实现大计算图；
——可自动求变量的导数；
——可简单的运行在GPU上；
pytorch都做到了，但是现在很多公司用的都是TensorFlow，而pytorch由于比较灵活，在学术科研上用得比较多一点。鄙人认为可能，Google可能下手早一些，而Facebook作后来者，虽然灵活，但是很多公司已经入了TensorFlow的坑了，要全部迁移出来还是很费功夫；而且，TensorFlow在GPU的分布式计算上更为出色，在数据量巨大时效率比pytorch要高一些，我觉得这个也是一个重要的原因吧。）

2、在灵活性方面
pytorch是动态计算图，数据参数在CPU和GPU之间迁移十分灵活，调试简便
tensorflow是静态计算图，数据参数在CPU和GPU之间迁移麻烦，调试麻烦

3、设备管理方面——（内存，显存）
tensorflow：不需要手动调整，简单
TensorFlow的设备管理非常好用。通常你不需要进行调整，因为默认的设置就很好。例如，TensorFlow会假设你想运行在GPU上（如果有的话）；
TensorFlow设备管理唯一的缺点是，默认情况下，它会占用所有的GPU显存。简单的解决办法是指定CUDA_VISIBLE_DEVICES。有时候大家会忘了这一点，所以GPU在空闲的时候，也会显得很忙。
pytorch：需要明确启用的设备，启用CUDA时，需要明确把一切移入设备；
缺点：代码需要频繁的检查CUDA是否可用，及明确的设备管理，在编写能同时在CPU和GPU上运行的代码时尤其如此

4、在部署方面
tensorflow强于pytorch
tensorflow的分布式训练要比pytorch性能更好

5、数据并行方面
PyTorch 是声明式数据并行：用 torch.nn.DataParellel 封装任何模型，模型能在批处理维度上实现并行，这样你就可以毫不费力的使用多个 GPU；
tensorflow需要手动调整数据并行
note: 两个框架都支持分布式执行，提供用于定义集群的高水平界面

2. 什么是Tensorboard？

Tensorboard原本是Google TensorFlow的可视化工具，可以用于记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络的过程非常有帮助。
PyTorch也推出了自己的可视化工具——torch.utils.tensorboard。

3.pytroch多卡训练的实现方法

pytorch单机多卡最简单的实现方法就是使用nn.DataParallel类，其几乎仅使用一行代码net = torch.nn.DataParallel(net)就可让模型同时在多张GPU上训练。

4.C++中的虚函数

C++中的虚函数的作用主要是实现了多态的机制。关于多态，简而言之就是用父类型别的指针指向其子类的实例，然后通过父类的指针调用实际子类的成员函数。这种技术可以让父类的指针有“多种形态”，这是一种泛型技术。
虚函数（Virtual Function）是通过一张虚函数表（Virtual Table）来实现的。简称为V-Table。 在这个表中，主是要一个类的虚函数的地址表，这张表解决了继承、覆盖的问题，保证其容真实反应实际的函数。这样，在有虚函数的类的实例中这个表被分配在了 这个实例的内存中，所以，当我们用父类的指针来操作一个子类的时候，这张虚函数表就显得由为重要了，它就像一个地图一样，指明了实际所应该调用的函数。

5.C++中的static关键字

static是C++中的关键字之一，是常用的函数与变量（C++中还有类）的修饰符，它常被用来控制变量的存储方式和作用范围。
static可以修饰静态局部变量和静态全局变量
当static修饰局部变量时：
1.变量的存储区域由栈变为静态常量区
2.变量的生命周期由局部变为全局
3.变量的作用域不变
当 static 修饰全局变量时：
1.变量的存储区域在全局数据区的静态常量区。
2.变量的作用域由整个程序变为当前文件。（extern声明也不行）
3.变量的生命周期不变。