阅文测开一面凉回答的不好，只面了15min，且无代码考核，根据项目来问，项目涉及图像，一直问图像1.自我介绍2.项目中python处理数据的具体功能点是什么，如何实现，实现逻辑？在这个项目中，Python 主要是用来处理频谱图的数据预处理部分，包括数据采集、图像转换、格式整理、批量生成训练数据集等操作。具体功能上，我做了这些事情：读取原始频谱信号数据，转换为灰度图像格式，方便后续输入模型；批量处理数据集，比如 resize 图像、标准化像素值，统一尺寸和格式；脚本化封装：写了 Python 脚本，支持一键批量生成训练数据和标签，并划分训练集和验证集；数据增强处理：做了一些图像增强，比如加噪声、裁剪等，提升模型泛化能力；最后配合 PyTorch 加载数据，做了 Dataset 类封装，用 DataLoader 提高训练效率。整体的实现逻辑就是：原始数据 → 脚本预处理 → 图像/张量 → 模型训练输入。3.原始数据存储在哪里的？本地文件系统里的，主要以频谱信号的原始数据文件或图像格式文件存在，文件组织是按场景和时间段分类的，比如不同频段、采集时间，放在不同的文件夹中。我在项目中会用 Python 脚本去遍历这些文件夹，读取 .csv、.npy 或者 .png 等格式的数据，然后统一转成模型训练需要的输入格式，比如张量或标准化后的灰度图像。4.读取图像之后，怎么去判断异常情况？在读取图像之后，我这边会做几步来判断有没有异常情况，主要从格式、尺寸、像素值这几个方面入手：格式校验：先判断文件是否真的是图像，比如用 Python 的 PIL.Image.open() 或 cv2.imread() 尝试读取，如果读出来是 None 或报错，就说明图像可能损坏或不是有效格式；尺寸检查：有些图像可能大小不一致，会影响模型训练，我会加一段逻辑去检查图像的宽高，比如不是标准的 128x128 或 256x256 的就当异常图过滤掉；像素值判断：会检查图像是否为空图或者全黑、全白，比如判断 np.mean(image) 的值是否极端偏高或偏低，超过阈值就认为异常；灰度值分布：我还做过统计像素分布直方图的方式，快速扫一批图看是否有明显噪声或干扰图，属于图像质量分析的一部分；5.给你一张图片，如何让判断这张图片他是包含空白区域想判断它是否包含空白区域（比如全白、全黑、透明、或边缘有大片空白），我可以用 Python + OpenCV 或 PIL 来处理。然后用 numpy 去判断像素值分布。如果一整块区域（比如边缘）像素值非常接近 255（白）或 0（黑），并且面积占比超过一定阈值，就可以认为这张图有明显的空白区域。比如我会计算：图片整体或边缘区域的平均值或者统计像素值大于某个阈值（比如 250）的像素点占总面积的比例如果比例超过 30%～50%，那就标记为“有空白”。6.自动化测试平台的搭建是怎么完成的，怎么实现的，自动化平台平台是为了干什么，怎么去实现这个平台。我们用 Python 写了测试脚本，把输入数据批量喂给模型，输出补全图像，再和原图进行对比，自动计算 PSNR、SSIM 等图像质量指标。然后我又做了一个简单的界面，用 Flask 写的，可以一键上传数据集，后台自动执行测试流程，跑完生成对比图和指标报告。这个平台主要是为了解放手动工作，让我们每次调模型结构或改参数后，都可以快速、统一地验证模型表现。同时也方便其他同学复现验证过程，不用每次都跑 notebook 或命令行。