面试问题
一面：
- 把数字倒序写出，123->321，同时避免溢出，leetcode第7题
- SVM的原理、写出SVM的优化目标，优化方法（SMO）
- U-net结构，除了跨层连接，还有哪些优点？(优化梯度流 融合高层语义特征和底层纹理特征)
- pooling层的作用？
- ResNet的思想
- 简述那篇苏医生的文章，我做了哪些部分。
- 简述HERO机器人团队经历
- 简述Dijkstra算法
二面：
- 什么是前序、后序、中序遍历。手写二叉树后序遍历非递归
- CNN除了卷积层、池化层还有什么层？
- 卷积层有哪些可调超参数，这些参数的影响。卷积后feature_map的shape，卷积核大小大了好还是小了好？
- 怎么用33的卷积核怎么达到和77卷积核一样的效果(VGGNet, 3层33的卷积层, 参数更少 C333 v.s. C77，网络更深，引入更丰富的非线性关系)
- batchnorm作用（GoogLeNet提出）
- ResNet的结构，batchnorm层的位置，batchnorm层有哪参数是可学习的（我以为没有，其实有）？
- FCN/U-net的结构，输出的shape。反卷积什么含义。
- 局部感受野
- 用过哪些框架，是否读过源码。是否构建过网络，pytorch如何构建一个网络
- pytorch用的哪个版本，0.4和1.0什么区别。
- 图像分类问题，主干网络完成后，需要接什么网络（全连接层，softmax）
- 分类问题最后的softmax层公式的写法
- 全连接层有什么作用，卷积层后最少需要几层全连接（2层）？
- 为什么用ReLu，relu的改进以及为什么改进。
- 什么是神经元死亡、梯度消失、梯度爆炸
- 激活函数的作用（引入非线性）
面试官评价：
建议我不要只停留在理论，多实践。（但是我没有什么GPU啊啊）
两个算法手写都被批评太粗糙。被批评术语掌握不准确，如feature_map.
说的一些想当然的东西，出发点很有道理，但是实际上不是这样的。
我的反思：
主要关心我在深度学习上的了解情况和算法能力，并不太关心我的本科经历。
算法能力太菜，需要学C++、数据结构
面试过程用用了很多“好像、大概、应该是”类似词语"，基本功不扎实。
面试时间非常长，后期一定不要不耐烦，抗压能力要足够强，气场不要弱。
自己不太熟练的东西不要主动说，避免给自己挖坑，比如COX什么的。
阿聪面试：
动态规划背包问题阐述一下
python中不变与可变类型
斐波那契数列可以缓存的写代码
卷积操作
batch normalization作用
c++多态
卷积多通道
阿聪面试2
一面
1、简单介绍一下自己
2、说一说自己做过的和机器学习深度学习相关的项目
3、深度优先搜索和广度优先搜索是什么，写写图的深度优先搜索算法
4、二叉树的遍历：写写前序中序后序中的一个代码
5、BN是什么，有什么作用，可以训练的参数
6、softmax公式，损失怎么计算，假设一个预测结果是（1，-1）另一个结果是（10，-10），哪个的损失更大
7、概率题目：8个人围在一个桌子吃饭，计算左边是左撇子右边是右撇子的期望（和马尔可夫扯关系）
8、LSTM的结构
二面
1、简单介绍一下自己
2、什么是监督学习和非监督学习
3、logistic回归的原理是什么
4、什么是参数模型和非参数模型
5、说说几个熟知网络的结构
6、给定一个二叉树，给定一个数，如何判断树中是否有着个长度的路径，写代码
7、什么是信息熵，信息量
8、感受野是什么，推导两个3*3的卷积核的感受野的公式（卷积核大小，stride，padding）
9、sigmoid的公式，relu的优势
网友评论