傳音集團演算法工程師面試

❶ 計算機視覺演算法工程師常見面試題1

參考： https://www.hu.com/column/c_1170719557072326656

反卷積也稱為轉置卷積，如果用矩陣乘法實現卷積操作，將卷積核平鋪為矩陣，則轉置卷積在正向計算時左乘這個矩陣的轉置WT，在反向傳播是左乘W，與卷積操作剛好相反，需要注意的是，反卷積不是卷積的逆運算。
[知乎問題+caffe實現]

實現上采樣；近似重構輸入圖像，卷積層可視化。

只要激活函數選擇得當，神經元的數量足夠，至少有一個隱含層的神經網路可以 逼近閉區間上任意一個連續函數到任意指定的精度。

判別模型，直接輸出類別標簽，或者輸出類後驗概率p(y|x)
[ https://www.hu.com/question/268906476]
[ https://zhuanlan.hu.com/p/40024110]
[ https://zhuanlan.hu.com/p/159189617]

BN是在 batch這個維度上進行歸一化，GN是計算channel方向每個group的均值方差.

檢測結果與 Ground Truth 的交集比上它們的並集，即為檢測的准確率 IoU

內存/顯存佔用；模型收斂速度等

Hessian矩陣是n*n， 在高維情況下這個矩陣非常大，計算和存儲都是問題。

mini-batch太小會導致收斂變慢，太大容易陷入sharp minima，泛化性不好。

可以把dropout看成是 一種ensemble方法，每次做完dropout相當於從原網路中找到一個更瘦的網路。

pooling操作雖然能增大感受野，但是會丟失一些信息。空洞卷積在卷積核中插入權重為0的值，因此每次卷積中會skip掉一些像素點；

空洞卷積增大了卷積輸出每個點的感受野，並且不像pooling會丟失信息，在圖像需要全局信息或者需要較長sequence依賴的語音序列問題上有著較廣泛的應用。

表達式為：

使用BN的原因是網路訓練中每一層不斷改變的參數會導致後續每一層輸入的分布發生變化，而學習的過程又要使每一層去適應輸入的分布，因此不得不降低網路的學習率，並且要小心得初始化（internal covariant shift）
如果僅通過歸一化方法使得數據具有零均值和單位方差，則會降低層的表達能力（如使用Sigmoid函數時，只使用線性區域）
BN的具體過程（注意第三個公式中分母要加上epsilon）

最好的解釋是通過1 * 1卷積核能實現多個channel間的解耦合，解耦cross-channel correlation和spatial correlation。
【但是因為解耦不徹底，因此後續有了mobile net的組卷積方式和shuffle net組卷積方式】

由於 1×1 並不會改變 height 和 width，改變通道的第一個最直觀的結果，就是可以將原本的數據量進行增加或者減少。改變的只是 height × width × channels 中的 channels 這一個維度的大小而已。

1*1卷積核，可以在保持feature map尺度不變的（即不損失解析度）的前提下大幅增加非線性特性（利用後接的非線性激活函數），把網路做的很deep。

備註：一個filter對應卷積後得到一個feature map，不同的filter(不同的weight和bias)，卷積以後得到不同的feature map，提取不同的特徵，得到對應的specialized neuron。

例子：使用1x1卷積核，實現降維和升維的操作其實就是channel間信息的線性組合變化，3x3，64channels的卷積核後面添加一個1x1，28channels的卷積核，就變成了3x3，28channels的卷積核，原來的64個channels就可以理解為跨通道線性組合變成了28channels，這就是通道間的信息交互

注意：只是在channel維度上做線性組合，W和H上是共享權值的sliding window

並不能說明這個模型無效導致模型不收斂的原因可能有

A. 在實際場景下，應盡量使用ADAM，避免使用SGD
B. 同樣的初始學習率情況下，ADAM的收斂速度總是快於SGD方法
C. 相同超參數數量情況下，比起自適應的學習率調整方式，SGD加手動調節通常會取得更好效果
D. 同樣的初始學習率情況下，ADAM比SGD容易過擬合

A.保證每一層的感受野不變，網路深度加深，使得網路的精度更高
B.使得每一層的感受野增大，學習小特徵的能力變大
C.有效提取高層語義信息，且對高層語義進行加工，有效提高網路准確度
D.利用該結構有效減輕網路的權重

A.計算簡單
B.非線性
C.具有飽和區
D.幾乎處處可微
【relu函數在0處是不可微的。】

A.Adam的收斂速度比RMSprop慢
B.相比於SGD或RMSprop等優化器，Adam的收斂效果是最好的
C.對於輕量級神經網路，使用Adam比使用RMSprop更合適
D.相比於Adam或RMSprop等優化器，SGD的收斂效果是最好的
【SGD通常訓練時間更長，容易陷入鞍點，但是在好的初始化和學習率調度方案的情況下，結果更可靠。如果在意更快的收斂，並且需要訓練較深較復雜的網路時，推薦使用學習率自適應的優化方法。】

A.使用ReLU做為激活函數，可有效地防止梯度爆炸
B.使用Sigmoid做為激活函數，較容易出現梯度消失
C.使用Batch Normalization層，可有效的防止梯度爆炸
D.使用參數weight decay，在一程度上可防止模型過擬合

對結果存疑。認為二者皆可防止。

A.SGD
B.FTRL
C.RMSProp
D.L-BFGS

L-BFGS（Limited-memory BFGS，內存受限擬牛頓法）方法：
所有的數據都會參與訓練，演算法融入方差歸一化和均值歸一化。大數據集訓練DNN，容易參數量過大 (牛頓法的進化版本，尋找更好的優化方向，減少迭代輪數）從LBFGS演算法的流程來看，其整個的核心的就是如何快速計算一個Hesse的近似：重點一是近似，所以有了LBFGS演算法中使用前m個近似下降方向進行迭代的計算過程；重點二是快速，這個體現在不用保存Hesse矩陣上，只需要使用一個保存後的一階導數序列就可以完成，因此不需要大量的存儲，從而節省了計算資源；重點三，是在推導中使用秩二校正構造了一個正定矩陣，即便這個矩陣不是最優的下降方向，但至少可以保證函數下降。
FTRL(Follow-the-regularized-Leader)是一種適用於處理超大規模數據的,含大量稀疏特徵的在線學習的常見優化演算法，方便實用，而且效果很好，常用於更新在線的CTR預估模型；FTRL在處理帶非光滑正則項（如L1正則）的凸優化問題上表現非常出色，不僅可以通過L1正則控制模型的稀疏度，而且收斂速度快；

A.LSTM在一定程度上解決了傳統RNN梯度消失或梯度爆炸的問題
B.CNN相比於全連接的優勢之一是模型復雜度低，緩解過擬合
C.只要參數設置合理，深度學習的效果至少應優於隨機演算法
D.隨機梯度下降法可以緩解網路訓練過程中陷入鞍點的問題

實際上，現在有很多針對小目標的措施和改良，如下：

最常見的是Upsample來Rezie網路輸入圖像的大小；

用dilated/astrous等這類特殊的卷積來提高檢測器對解析度的敏感度；（空洞卷積是針對圖像語義分割問題中下采樣會降低圖像解析度、丟失信息而提出的一種卷積思路。利用添加空洞擴大感受野，讓原本3 x3的卷積核，在相同參數量和計算量下擁有5x5（dilated rate =2）或者更大的感受野，從而無需下采樣。在保持參數個數不變的情況下增大了卷積核的感受野）

有比較直接的在淺層和深層的Feature Map上直接各自獨立做預測的，這個就是我們常說的尺度問題。

用FPN這種把淺層特徵和深層特徵融合的，或者最後在預測的時候，用淺層特徵和深層特徵一起預測；

SNIP（Scale Normalization for Image Pyramids）主要思路：

在訓練和反向傳播更新參數時，只考慮那些在指定的尺度范圍內的目標，由此提出了一種特別的多尺度訓練方法。

❷ 研發工程師的面試經驗

關於研發工程師的面試經驗

上周完成了在加拿大的第一次真正意義上的工作面試，五位面試官車輪戰面試我一個人，一共用了差不多四個小時。無論最後成功與否，以下是自己總結的一些面試經驗：

1. 跨專業找工作還是很有難度的。這次應聘的是一個跨國軟體公司的研發工程師(以前在國內從來沒想過去軟體行業，甚至排斥IT民工這樣的職業，可憐的是計算機依然是中國學生在國外的第一謀生手段)。第一個小時是編程能力的面試，面試官是兩個資深的軟體工程師。他們似乎根本不關心我的學歷，經歷，以及研究成果。上來就了用考察軟體編程能力的問題狂轟濫炸。所幸的是問的問題比較隨意，沒有那種經過精心設計的題，基本上都還是應付過來了。

2. 第二輪是研發部門的頭和一個研發工程師，好像都有博士學位。開始向我詳細的介紹了他們部門的一些情況。然後就開始出一些技能考察的題。全是編程的演算法題，至於編程是否規范和清晰，他們似乎倒是不關心，只著重演算法的考察。起初的題目還算簡單，很快一個小時就用完了。他們好像還有很多問題要問，只能安排第二天讓我再去。

3. 第三輪是另外一個部門的頭。只有這一輪的面試和我想像的差不多。面試官跟著我的節奏走，聽我在那裡滔滔不絕的說我博士期間的豐功偉績，偶爾還問一兩個外行人問的問題。然後就是一些普遍可以預測的問題，比如為什麼要離開學術界，為什麼要進他們公司，這些問題的答案估計面試者都爛熟於心的。

4. 最難的考驗是第二天繼續的技能考察，一個很難的演算法，非常復雜。對於一個本科不是計算機專業，連離散數學，數據結構和演算法等課程都沒有學過的`我來說，是一個不可能完成的任務。十分鍾搞不出來，面試官們失去了耐心，當場給我講了講解法。再後來的幾個題也比較困難，回答勉強滿意吧。總體感覺，第二天比一天的表現還是要差了不少。

總之，進入計算機軟體行業，外國公司對於軟體工程師幾乎沒有什麼學歷要求，在乎的是真材實料，比如思路是否清晰，書寫是否規范。應聘再高級一點的職位，會多少種編程語言也不重要，我說我用Linux和Python，他們也沒有表現出多少興趣，我說我以前MATLAB用的最多，他們也表示認可。最早重要的還是軟體的精髓--演算法。當然，如果到了項目管理和架構師級別，肯定又是另一種情況了，貌似離我還非常遙遠。

最最重要的一點。那就是一顆平常心看待面試的成敗。成功了固然可喜，失敗了也不可悲，一定還有更好更合適的機會。

❸ 我是應用數學專業，要參加浙江中控集團的筆試，我應聘的是演算法工程師，誰知道筆試會考些什麼

我應聘了硬體工程師，筆試題全是行測和情感題，面試技術方面比較多

❹ 諾瓦星雲演算法圖像工程師面試好過沒

好過。
1、諾瓦星雲演算法圖像工程師的面試首先是電話面試，回答一些基本問題。
2、然後是自我介紹和最後的反問，真正的面試時間就十幾分鍾，側重點在項目上，沒有關於通用能力的問題，所以好過。

❺ 如何准備數據分析師面試

1. 理論知識(概率統計、概率分析等)

掌握與數據分析相關的演算法是演算法工程師必備的能力，如果你面試的是和演算法相關的工作，那麼面試官一定會問你和演算法相關的問題。比如常用的數據挖掘演算法都有哪些，EM 演算法和 K-Means 演算法的區別和相同之處有哪些等。

有些分析師的工作還需要有一定的數學基礎，比如概率論與數理統計，最優化原理等。這些知識在演算法優化中會用到。

除此以外，一些數據工程師的工作更偏向於前期的數據預處理，比如 ETL 工程師。這個職位考察你對數據清洗、數據集成的能力。雖然它們不是數據分析的“煉金”環節，卻在數據分析過程中佔了 80% 的時間。

2. 具體工具(sklearn、Python、Numpy、Pandas 等)

工程師一定需要掌握工具，你通常可以從 JD 中了解一家公司採用的工具有哪些。如果你做的是和演算法相關的工作，最好還是掌握一門語言，Python 語言最適合不過，還需要對 Python 的工具，比如 Numpy、Pandas、sklearn 有一定的了解。

數據 ETL 工程師還需要掌握 ETL 工具，比如 Kettle。

如果是數據可視化工作，需要掌握數據可視化工具，比如 Python 可視化，Tableau 等。

如果工作和數據採集相關，你也需要掌握數據採集工具，比如 Python 爬蟲、八爪魚。

3. 業務能力(數據思維)

數據分析的本質是要對業務有幫助。因此數據分析有一個很重要的知識點就是用戶畫像。

用戶畫像是企業業務中用到比較多的場景，對於數據分析來說，就是對數據進行標簽化，實際上這是一種抽象能力。

關於如何准備數據分析師面試，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

❻ 軟體工程師面試時，HR都會問些什麼問題

軟體工程崗位面試大致可分為兩類:特定領域知識面試和計算機科學基礎知識面試

特定領域知識面試
特定領域知識面試通常涉及到你最熟悉的技術領域的具體知識點。例如，如果你主要使用Angular1.x進行前端開發，並且面試公司又有 Angular前端，那他們就可能問你關於 Angular控制器、指令和服務的相關內容。也就是說，你需要做好准備去建立、展示和討論Angular。
特定領域的面試重點關注的是你已經實際構建起來的東西，因此要想順利通過這些面試，最好是你已經構建過相關技術的項目。你應該為自己的工作而感到自豪，不必感覺不好意思，而應該深入探討具體項目的技術細節。項目最好是近階段完成的，沒人會願意去聽你去年寫的那些代碼，你自己也會對這種陳舊的項目感覺厭倦，面試效果也欠佳。
特定領域面試的另一個常見策略是看求職者能否構建一些非常棒的產品或者是排除實際存在的一些問題和故障。這通常是讓求職者帶回家去完成的一種測試，求職者一般有 24-48個小時的時間來完成這些測試。例如，如果你是一名 Laravel開發人員，並且你面試的公司恰好也使用 Laravel，那他們可能會要求你構建公司產品或者是公司定期創建的產品的微縮版本。對於這種帶回家做的測試，做好投入大量工作的心理准備。准備好啟動模板，不要抗拒去Google搜索答案，發送電子郵件尋求幫助和使用外部工具包這些做法。因為能否通過特定領域面試最重要的一個衡量標準是你能否構建出有效的產品。
計算機科學基礎知識面試
計算機科學和基礎編程面試明顯不同於上文所探討的特定領域面試。計算機科學和基礎編程面試是為了評估你解決問題的能力，更多的是關注找到最佳解決方案的能力，而不是簡單的去完成某些特定任務。因此，面試官通常也不會問關於你是誰、你過去的工作經歷或者你構建過的項目方面的問題。對於計算機科學基礎面試這一類型來說，面試官的工作就是評估你的原始編程能力，通常他們是通過數據結構和演算法相關的問題來進行評估。
計算機科學基礎面試的問題有章法可循。因為學習數據結構和演算法需要大量的准備工作和長時間的學習，你需要了解你所選擇的編程語言、數據結構和演算法來解決問題。計算機科學基礎知識面試通常可以用六種不同類型的演算法來解決:
深度優先搜索演算法/廣度優先搜索演算法
貪心演算法
滑動窗口演算法
分治演算法
遞歸演算法
動態規劃演算法
你需要研究每一種演算法，可以在 Pramp上與其他軟體工程師一起練習面試和面試問題。應對面試是一門獨立於軟體工程師之外的技能，你可以通過練習和重復來提升自己在面試時的表現。
計算機科學基礎知識面試通常遵循的那些問題結構對於求職者來說只有通過幾個小時的練習和准備才能發現。即便這些知識中的一部分並不適用於日常的編程任務，但只要你堅持這樣做，你就能抓住更多的面試機會，就能收到更多公司發來的 offer。如果你的目標是獲得更多的工作機會，那你一定要看一下《Cracking The Coding Interview》這本書，並且查看這一免費的面試資源來進行相應的准備工作。

❼ 都快2021年了，演算法崗位應該怎樣准備面試

說到演算法崗位，現在網上的第一反應可能就是內卷，演算法崗位也號稱是內卷最嚴重的崗位。針對這個問題，其實之前我也有寫過相關的文章。這個崗位競爭激烈不假，但我個人覺得稱作內卷有些過了。就我個人的感覺，這幾年的一個大趨勢是從迷茫走向清晰。

早在2015年我在阿里媽媽實習的時候，那個時候我覺得其實對於演算法工程師這個崗位的招聘要求甚至包括工作內容其實業內是沒有一個統一的標準的。可以認為包括各大公司其實對這個崗位具體的工作內容以及需要的候選人的能力要求都不太一致，不同的面試官有不同的風格，也有不同的標准。

我舉幾個例子，第一個例子是我當初實習面試的時候，因為是本科生，的確對機器學習這個領域了解非常非常少，可以說是幾乎沒有。但是我依然通過了，通過的原因也很簡單，因為有acm的獲獎背景，面試的過程當中主要也都是一些演算法題，都還算是答得不錯。但是在交叉面試的時候，一位另一個部門的總監就問我有沒有這塊的經驗？我很明確地說了，沒有，但是我願意學。

接著他告訴我，演算法工程師的工作內容主要和機器學習相關，因此機器學習是基本的。當時我就覺得我涼了，然而很意外地是還是通過了面試。

核心能力

由於我已經很久沒有接觸校招了，所以也很難說校招面試應該怎麼樣准備，只能說說如果是我來招聘，我會喜歡什麼樣的學生。也可以理解成我理解的一個合格優秀的演算法工程師應該有的能力。

模型理解

演算法工程師和模型打交道，那麼理解模型是必須的。其實不用說每一個模型都精通，這沒有必要，面試的時候問的模型也不一定用得到。但更多地是看重這個人在學習的時候的習慣，他是淺嘗輒止呢，還是會刨根究底，究竟能夠學到怎樣的地步。

在實際的工作當中我們可能會面臨各種各樣的情況，比如說新加了特徵但是沒有效果，比如升級了模型效果反而變差了等等，這些情況都是有可能發生的。當我們遇到這些情況之後，需要我們根據已知的信息來推理和猜測導致的原因從而針對性的採取相應的手段。因此這就需要我們對當前的模型有比較深入地了解，否則推導原因做出改進也就無從談起。

所以面試的時候問起哪個模型都不重要，重要的是你能不能體現出你有過深入的研究和理解。

數據分析

演算法工程師一直和數據打交道，那麼分析數據、清洗數據、做數據的能力也必不可少。說起來簡單的數據分析，這當中其實牽扯很多，簡單來說至少有兩個關鍵點。

第一個關鍵點是處理數據的能力，比如SQL、hive、spark、MapRece這些常用的數據處理的工具會不會，會多少？是一個都不會呢，還是至少會一點。由於各個公司的技術棧不同，一般不會抱著候選人必須剛好會和我們一樣的期待去招人，但是候選人如果一無所知肯定也是不行的。由於學生時代其實很少接觸這種實踐的內容，很多人對這些都一無所知，如果你會一兩個，其實就是加分項。

第二個關鍵點是對數據的理解力，舉個簡單的例子，比如說現在的樣本訓練了模型之後效果不好，我們要分析它的原因，你該怎麼下手？這個問題日常當中經常遇到，也非常考驗演算法工程師對數據的分析能力以及他的經驗。數據是水，模型是船，我們要把船駛向遠方，只懂船隻構造是不行的，還需要對水文、天象也有了解。這樣才能從數據當中捕捉到trick，對一些現象有更深入的看法和理解。

工程能力

雖然是演算法工程師，但是並不代表工程能力不重要，相反工程能力也很重要。當然這往往不會成為招聘的硬性指標， 比如考察你之前做過什麼工程項目之類的。但是會在你的代碼測試環節有所體現，你的代碼風格，你的編碼能力都是你面試的考察點之一。

並不只是在面試當中如此，在實際工作當中，工程能力也很關鍵。往小了說可以開發一些工具、腳本方便自己或者是團隊當中其他人的日常工作，往大了說，你也可以成為團隊當中的開發擔當，負責其團隊當中最工程的工作。比如說復現一篇paper，或者是從頭擼一個模型。這其實也是一種差異化競爭的手段，你合理地負擔起別人負擔不了的工作，那麼自然就會成為你的業績。

時代在變化，行業在發展，如今的校招會問些什麼早已經和當年不同了。但不管怎麼說，這個崗位以及面試官對於人才的核心訴求幾乎是沒有變過的，我們從核心出發去構建簡歷、准備面試，相信一定可以有所收獲。

❽ autox面試難度

autox面試難度一般。

autox（控制演算法工程師）面試是一對一技術面，面試是一個部門主管，面試開始先確認身份，然後讓自我介紹，然後開始對著簡歷問問題，項目、技能等，然後聊崗位了解情況，期望薪資、工作城市、最後開始對著簡歷問問題，第一個讓解釋項目結果，用到的軟體工具及各自的作用。也不算很難，一般難度。

面試簡介：

面試是通過書面、面談或線上交流（視頻、電話）的形式來考察一個人的工作能力與綜合素質，通過面試可以初步判斷應聘者是否可以融入自己的團隊。在特定場景下，以面試官對應聘者的交談與觀察為主要手段，由表及裡測評應聘者的知識、能力、經驗和綜合素質等有關素質的考試活動。

面試是公司挑選職工的一種重要方法。面試給公司和應聘者提供了進行雙向交流的機會，能使公司和應聘者之間相互了解，從而雙方都可更准確做出聘用與否、受聘與否的決定。

以上內容參考網路-面試