如何判断一个面试者的深度学习水平

一、理论基础

基础部分

• 了解前项传播反向传播，以及链式求导，举个例子，能不能通过一个简单的二维向量推导出Forward propagation 再用链式规则推导出反向back propagation（反向传播）；
• 了解常见的损失函数，激活函数和优化算法，并且知道其各自的优劣势；relu相比tanh优势在哪？，Adam对于SGD做了哪些改进，交叉熵损失公式是什么；
• 了解常见的评价指标以及他们的区别；accury和precision F1 AUC，混淆矩阵的意义，或者自身使用过什么算法
• 有哪些防止过拟合的策略？
• 了解梯度下降的算法原理，并可以说出来，梯度下降、随机梯度下降、和批量梯度下降的区别
• 如何合理的设置训练的batch，学习率的设置、一般设置为多少？是不是越大越好？
• 了解基础的神经网络，多层感知机、卷积神经网络、RNN，注意力机制等等
• 明白各个网络的优缺点，
• 数据预处理的方法，数据分布不均匀的解决办法
• 了解基本的数据冷启动和数据增强策略；

2.进阶篇（图像识别为例）

• 熟悉图像识别骨干网络发展过程，改进的原因
• 熟悉inceptionNET 网络及优化技巧
• 熟悉残差网络结构，特点优缺点
• 熟悉图像预处理办法
• 熟悉目标检测与语义分割区别，并掌握一该领域经典的神经网络模型；

二、项目经验

这里主要针对手上还没有顶会论文的同学，项目经历将是面试中的考查重点，往往会占据至少一半的面试时间。

实验室项目、实习经历、算法比赛等都可以看作是项目。由于每个人的研究方向有差异，这一小节主要归纳一些共性问题。

1）这个项目的背景以及最大亮点是什么？

2）自己负责了哪些具体任务？

3）项目中碰到最大的挑战是什么，最后如何克服的？

4）除了采用深度学习，有没有尝试其他解决方案，例如传统的机器学习算法？

这里由此因为没回答好，被刷了

5）项目最终的评测结果如何？是否部署上线？

通过上面几个问题，面试官基本可以摸清面试者在项目中的角色，是核心骨干还是浑水摸鱼，有创新价值还是仅仅跑了一遍开源代码。

如果我是面试官，会非常希望同学有基础的深度学习项目经验，最好熟悉完整的算法开发流程、GPU训练和服务器调用指令，这样可以帮助公司减少很多培训成本。

三、编程能力

面试中手撕代码是近几年技术岗的必备环节，甚至是面试通过与否的硬门槛之一，可以快速考查编程基本功。之前网上流传，pony马化腾每周还会在leetcode上刷一道编程题！

而考查的类型大致可以分为以下3种：

1）1-2道数据结构算法题，类似于leetcode；难度一般为medium，偶尔穿插easy和hard，考查的数据结构以二叉树、动态规划、数组、字符串、二分查找等为主；

2）用深度学习框架（TF、Keras、Pytorch等）实现一个简单的任务，要求定义类、损失函数、优化器、前向传播等，考查对框架的熟悉程度；

3）用Python或深度学习框架手推一个机器学习算法，例如KNN、KMeans、LR等。

四、行业认知

经过3个环节的考查，面试官已经基本掌握了你的深度学习水平。如果前面答的都不错，恭喜你离offer仅一步之遥了。

在某些公司的总监或boss面中，一般不会再问技术细节，但是会对全局认知能力再次考核。面试者是仅仅站在程序员的角度思考问题，还是会有更高层次的全局观、更长远的见解和规划。

而这种宏观认知，只需要询问几个问题：

1）该领域未来发展方向有哪些，会在哪发力？

2）目前的瓶颈或痛点在哪？

3）针对这些难点有没有好的思路？

面试就像是老师和学生们围坐在一起面对面探讨问题，大家依次发表自己的想法，最终老师会选出思路敏捷清晰、专业基础扎实的同学当课代表（发offer）。

上面列的问题并不全面，也没有面面俱到。大家可以参考这几个维度查漏补缺，注意和面试官的交流与反馈，最后offer就会属于你啦！

如有遇见相似的，评论区补充

参考链接：https://www.zhihu.com/question/41233373/answer/2021166640