上上周笔试了百度跟新浪还有腾讯，暂时腾讯的产品经理不说：
先来回顾一下百度的笔试题 ：
1.OSI 的七层模型：
2.简述进程通信的方式(至少3种)
(1)共享内存
(2)消息
(3)管道
3.简述SIFT 特征检测，匹配，
SIFT 描述子的形成的步骤：
1.构造高斯差分空间图像。
2.寻找极大极小值点
3、精确定位极值点
4、选取特征点主方向
5、 构造特征点描述算子。
Sift特征点匹配过程：
由步骤一我们已经获得了图片的特征点向量集合。现在来看看特征点匹配，特征点匹配的一个应用就是物体的识别，比如说我有2张图片A和B，图片的内容相同，只是图片的大小尺寸不同。假设A图片尺寸比较大，且我们已经采用sift算法对图片A和B都进行了检测，获得了它们的特征点集合，现在我们的问题是需要把A和B中相应的特征点给对应连线起来。
既然是匹配，当然每个特征点向量要相似才能匹配到一起，这里采用的是欧式距离来衡量其相似度。
对B中的特征点x，去寻找A中最相似的点y，最简单的方法就是拿x与A中所有点进行相似度比较，距离最小的那个为匹配点。但是如果图片中特征点数目很多的话，这样效率会很低。所以我们需要把A中特征点向量集合用一种数据结构来描述，这种描述要有利于x在A中的搜索，即减少时间复杂度。
见上面的博客地址：
算法题：
1. 打印数组的所有组合
我认为组合和排列是不同的，
组合：[a, b, c] == [b, a, c]
排列：[a, b, c] != [b, a, c]
有些人输出的结果是排列。
所以如果是组合的话那结果就简单多了
我的理解就是： 我用的是递归，我觉得可行
不知道别人怎么理解
第2道不记得考什么了
第三道是个概率：
1777年法国科学家Buffon提出下列著名问题：
(投针问题)平面上画着一些平行线，它们之间的距离都等于a，向此平面任投一长度为l(l小于a)，试求此针与任一平行线相交的概率。
解：以x表示针的中点到最近的一条平行线的距离，β表示针与平行线的交角。显然有0＜＝x＜＝a／2，0＜＝β＜＝Pi。用边长为a／2及Pi的长方形表示样本空间(构建直角坐标系，竖向是x长度变量,横向是β弧度变量)。为使针与平行线相交，必须x＜＝l*sinβ/2,
满足这个关系的区域面积是从0到Pi的l*sinβ对β的积分，可计算出这个概率的值是(2l)／(Pi*a)。实话说 我是没看懂
下面的是两道大题：
1.卷积神经网络在图像分类上面取的很大成功，为什么在最近一年才取得这样的成功
2.卷积神经网络与BOW 的异同点
3. 不记得
第二道大题：
1.旋转不变性的特征。1。lbp
2.gabor
2.人脸检测的步骤---不是记得
3.如果是两类分类问题，有没有比较快的方法
4.如果是两类训练问题，有没有比较快的方法
