秋招经历 | 一个名校跨专业的算法研究生的几十场面试

参考目录：

• 跟谁学

• 阿里

• 网易互娱

• 作业帮

• 阿里

• 快手 机器学习工程师

• 拼多多

• 网易互联网

• 网易游戏

• 商汤

整个经历是这样，我一直对自己图像处理CV不太自信，而且大家都说CV内卷严重，所以就一开始退成目标找ML的工作，但是机器学习工程师屡次碰壁。后来无意中面了CV后发现问的问题也挺简单的。所以在某一个时间节点之后都开始面试CV岗位，然后成功率大幅提升。其实不要光听当上传言，CV岗位没有那么内卷的感觉。

这里分享的面试经历只是我在秋招中的一小部分，秋招前前后后面试了几十次吧（拿到offer的不能公开、有的我也忘记及时记录后来就忘记了），其实大家问的问题都差不多，都是重复相同的东西。个人感觉，我在【机器学习炼丹术】中整理的一些知识点，至少已经覆盖了我自己面试时候回答的70%的内容了。

我也不是什么大佬，跨专业学了一年AI没论文没实习就参加了几个竞赛就赶鸭子上架了，有工作能混口饭吃就行了。（海外读研就一年）面试最后有大厂的offer，也有小厂的offer。但是不管去哪一个，都希望大家可以好好考虑，不负年华。

我是炼丹兄，一个Top学校的跨专业的应届研究生，不是什么集卡大佬，就是一个在灰飞烟灭的战场中苟且的普通人。

跟谁学

1. 项目

2. LightGBM和XGBoost的区别

3. GBDT模型和XGB的区别

4. LGB做了哪些优化

5. 为什么选择他们的公司

阿里

1. 项目

2. XGBoost的并行优化的两种方法；

3. LightGBM的优势

4. 比赛中和top3的方案的区别，如果让我重新做这个项目，我会做出哪些优化。

5. 处理时间序列的模型有哪些

6. 对优化方法是否了解。牛顿法和梯度下降法。

7. 如何处理过拟合问题

8. 如何处理梯度爆炸问题

9. 模型的参数过大会导致什么问题，怎么解决

10. 如何处理样本不均衡的问题

11. 在研究生期间的项目

12. 算法题1：一个数组找到其中的和最大的子数组

13. 算法题2：一个数字中找到其中所有不重复的元素

14. 开放题：假设有1000个人同时定了外卖，有100个骑手，你要如何处理这个问题。

网易互娱

1. 自我介绍

2. 项目介绍

3. linux了解吗？回答不了解，面试官说那我不问了

4. 问你个计算机基础知识，知道C语言的大端和小端吗？不知道

5. 知道IO设备读写速度哪个快吗？不知道（到这里三连不知道让我非常难受）

6. 数学题：每一次随机抽取0，1，2，3随机一个数字，然后抽取k次出现两个相同的数字。这个k的期望是多少？我在面试官的引导下，算出来的结果两次都是错的。凉的更厉害了

7. KNN和K-means的区别？一个有监督一个无监督，一个迭代一个查找

8. BN层和LN层的区别？一个图像一个序列处理，LN可以batch_size=1但是BN不可以。

9. 什么情况下BN和LN的使用情况相同？这个我还真不知道，就想当然的回答：在图像事先经过means/std处理之后，在batch_size为1或者较小的情况下，两者的效果相近。（我也不知道对不对）

作业帮

1. 算法题1：

2. 算法题2：还有一道题是，找到一组数据中的最长递增子数组。比如：【1，2，4，2，5，3】，最长递增子数组是【1，2，4，5】

3. CART决策树中可以对同一个特征进行两次分类吗？

4. CART决策树如何处理类别变量和连续变量

5. 遇到正负样本不均衡要如何处理？

6. 后来跟面试官讨论作业帮现在在做的事情，其实还是非常有意思的。先是OCR提取，然后要用NLP理解题意。实际情况中要处理千分类问题。实际场景还是非常有挑战性的！

阿里

1. 项目讨论。依然是LGB那个项目。

2. 先问LGB的histogram直方图优化，为什么降低精度了，有的时候华能提高预测效果？我回答的是因为相当于增加了一个正则化，造成模型效果的提升。

3. 在回归任务中，为什么对y做一个变换，比方说增加了一个log，可以提高决策树的预测效果？这个问题一开始没有想明白，就说在神经网络中经常会用这样的方法，因为防止网络参数出现个别过大的情况，从而造成过拟合。后来经过老师的提示，发现决策树其实有一样的效果，通过变换来增强决策树对异常值的容忍程度。

4. 实际场景问题，有多件商品，预测商品的销售量。但是商品之间会存在依赖关系，比方说一个商品的销量高了，他的互斥品的销量就会下降。

快手 机器学习工程师

1. 自我介绍+项目

2. 样本不均衡的处理方法 之前文章讲过了

3. 随机森林中随机的意义？随机对数据进行样本降采样和特征降采样。

4. 卷积层的缺点？反向传播更新参数对数据的需求量非常大；卷积的没有平移不变性，稍微改变同一物体的朝向或者位置，会对结果有巨大的改变，虽然数据增强会有一定缓解；池化层让大量图像特丢失，只关注整体特征，而忽略到局部。比方说，在识别人脸的时候，只要人的五官同时出现，那么就会认为这是人脸，因此按照泽中卷积池化的判别方式，下面两种情况可能会被判断成同一图片.

总之，CNN最大的两个问题在于平移不变性和池化层。5. 为什么在图像中用最大池化层而不是平均池化层？

这个我不太确定，当时的回答是：平均池化层会让特征图变得更加模糊；最大池化层反向传播中，计算量会小于平均池化层；最大池化层会增加一定的平移不变性和旋转不变性给卷积网络。

根据相关理论，特征提取的误差主要来自两个方面：

1. 邻域大小受限造成的估计值方差增大；

2. 卷积层参数误差造成估计均值的偏移。

一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息，max-pooling能减小第二种误差，更多的保留纹理信息。

1. 随机森林中bagging的比例为什么是61.8%

2. 卷积网络感受野怎么扩大

3. 什么模型需要数据标准化？数据标准化的目的是什么？

4. 如果模型欠拟合怎么办？

5. 模型中dropout在训练和测试的区别？

6. 算法题：数组的回文遍历

拼多多

1. 项目（机器学习分类预测和DeepFake人脸检测）

2. EfficientNet的特点在哪里？说出来了

3. 手撕BN层前向算法。大概写出来了

4. python的线程和进程的区别？不会

5. SVM和逻辑回归在分类上的区别？不会

6. 有什么人脸检测的数据集？不会

7. YOLO训练的数据集是什么。ImageNet和VOC2007

8. Kaggle的GPU内核之类的？不会

9. CNN参数初始化的方法。我说了Xavier，然后均匀分布，0初始化，高斯分布初始化。突然发现什么都不会，感觉凉了。但是其实过了hh。

网易互联网

1. 项目 deepfake视频识别

2. 除了问项目的细节之外，还问到了EfficientNet模型的特点。以及这个模型和之前的模型的区别。

3. 在运行时间受限制的情况下，模型复杂度和数据复杂度如何权衡。

4. 项目 机器学习的项目。

5. 问道了LGB的优点和改进，我简单的说了和GBDT之间的共同点，然后说了和XGB在速度上的优化，就是直方图做差加速和GOSS和EFB等

6. 问了一个反转链表的题。我当时直接把所有链表用list存起来然后反转，柑橘这样子也没有开辟很多的空间，毕竟list存放的是object的地址。。

网易游戏（电话面）

1. 三个项目都问了一遍

2. 防止过拟合的办法

3. dropout在训练和测试的区别，这个之前忘记在哪个面试也问过一样的问题，这次可不会出错了。

4. BN层的原理，老生常谈的问题了。

5. 基于项目中的centerNet，问了一个损失函数为什么使用L1Loss，换句话说，L1Loss和L2Loss在生成模型或者超分辨率问题中的区别？这个我没说上来，面试官很友好，告诉我L2Loss的话，可能会生成更模糊的图片。

6. pytorch和tensorflow最大的区别是什么？这个问题给予我了近期学习一个极大的正反馈。最近在公众号上整理《小白学PyTorch》的时候，第一课就是说“浅谈动态图和静态图”，然后给面试官立刻整了一段。

7. 还问了LSTM和RNN的区别。对循环网络用的不多，而且好久没复习这个了，一开始挺蒙蔽的。然后突然意识到，LSTM之所以叫做LSTM，中文是长短期记忆，所以是解决RNN记忆周期过短的问题，通过LSTM中的细胞状态，来存储长期的记忆。

8. LSTM中使用的激活函数是什么？这个我其实想不起来LSTM那个三个门的那个结构图了。就说了tanh，然后面试官说就这？就这？我加上了sigmoid才算过关。他又问为什么要用sigmoid。这个其实我没有想明白，他解释道这个是为了将输出限制在0到1之内，三个门对细胞状态的修改，都是一个百分比的修改。而且限制到0和1可以避免梯度爆炸的问题。

9. 还问了PPO好像，强化学习中的内容。但是强化学习我学的不系统，只会用了DQN，然后Q-learning的一些细节也不了解。强化学习这个问题算是GG了。

10. 算法题是：Top-K问题，用推排序；以及路径问题的A*算法（这个我其实忘记了，说了一个临时想出来的基于启发的深度搜索遍历的解法）

整体来说，这个面试官特别友好，也挺健谈。而且你不会的题目他会先说没事，这个不重要他就问问，然后给一个解答，这个面试让我一整天心情都不错，面试体验在经过的几十次面试中排的上前三。

但是TM面试完半个月没消息了，淦。

商汤

1. 先问了一个MobileNet和EfficientNet的特点，我就这之前对这两个的理解，就直接说了说特色。MobileNet的倒残差结构和Efficientnet的复合缩放系数；

2. 问了我VAE中的一个变分推断，但是这个我知道但是没有详细了解；

3. 问了我到底有没有训练过模型，我说很少，我没有GPU所以没有用过ImageNet这样的大数据集，一般是做微调，但是训练过一个目标检测任务的CenterNet。

4. 问在训练的时候，学习率是怎么变化的，我说一般是从大到小，但是一般训练有一个warm up的概念，学习率是从小到大再到小的过程；

5. 问我了解什么模型？我就说从VGG到resnet到efficientNet这个图像处理的基本模型，然后YOLO和Faster CNN这两个体系的目标检测模型也都手撕过，然后最后MTCNN人脸检测模型。

6. 问了目标检测模型中怎么解决类别不均衡问题的，我说用何凯明大神的Focal Loss。主要思想是降低类别多样本的损失和降低易分类样本的损失，关注少样本和难样本；

7. NMS非极大抑制的一个情况。简单说就是选取置信度最大的候选框，然后把和这个候选框IoU大于一个阈值的其他候选框的置信度置零。

8. 代码题：写五个特征图，经过五个卷积层，然后输出cat拼接起来的代码，可以用PyTorch。挺简单的，写了一个模型类，然后用ModuleList创建5个卷积层，不细说了。

读者，你好！我们已经建立了微信交流群，欢迎对AI感兴趣的朋友进群！

你可以加我的微信，邀请你进群！