阿里一面

1.自我介紹下：

我是XXX的碩士，機(jī)器學(xué)習(xí)專業(yè)，我研究方向偏向于深度學(xué)習(xí)；然后我本科是XXX的物聯(lián)網(wǎng)工程專業(yè)，本科做過(guò)兩個(gè)項(xiàng)目：

（1）基于大數(shù)據(jù)的股票市場(chǎng)分析（2）基于用戶操作的推薦系統(tǒng) ；研究生階段目前印象最深是做了兩個(gè)項(xiàng)目：

1）機(jī)器人課程作業(yè)中的challenge

2）現(xiàn)在正在做的基于model的智能機(jī)器學(xué)習(xí)框架，著重介紹在***一個(gè)，然后問(wèn)了下實(shí)際工作，完成程度，貢獻(xiàn)度。***追問(wèn)了一個(gè)對(duì)于物聯(lián)網(wǎng)的看法。

2.hashmap介紹

先說(shuō)了下自己知道JAVA的hash map的用法，python中dictionary也是用hash表實(shí)現(xiàn)的：首先利用hash()將key和value映射到一個(gè)地址，它通過(guò)把key和value映射到表中一個(gè)位置來(lái)訪問(wèn)記錄，這種查詢速度非?？?，更新也快。而這個(gè)映射函數(shù)叫做哈希函數(shù)，存放值的數(shù)組叫做哈希表。 哈希函數(shù)的實(shí)現(xiàn)方式?jīng)Q定了哈希表的搜索效率。具體操作過(guò)程是：

1）數(shù)據(jù)添加：把key通過(guò)哈希函數(shù)轉(zhuǎn)換成一個(gè)整型數(shù)字，然后就將該數(shù)字對(duì)數(shù)組長(zhǎng)度進(jìn)行取余，取余結(jié)果就當(dāng)作數(shù)組的下標(biāo)，將value存儲(chǔ)在以該數(shù)字為下標(biāo)的數(shù)組空間里。

2）數(shù)據(jù)查詢：再次使用哈希函數(shù)將key轉(zhuǎn)換為對(duì)應(yīng)的數(shù)組下標(biāo)，并定位到數(shù)組的位置獲取value。

但是，對(duì)key進(jìn)行hash的時(shí)候，不同的key可能hash出來(lái)的結(jié)果是一樣的，尤其是數(shù)據(jù)量增多的時(shí)候，這個(gè)問(wèn)題叫做哈希沖突。如果解決這種沖突情況呢？通常的做法有兩種，一種是鏈接法，另一種是開(kāi)放尋址法，Python選擇后者。

開(kāi)放尋址法（open addressing）：

開(kāi)放尋址法中，所有的元素都存放在散列表里，當(dāng)產(chǎn)生哈希沖突時(shí)，通過(guò)一個(gè)探測(cè)函數(shù)計(jì)算出下一個(gè)候選位置，如果下一個(gè)獲選位置還是有沖突，那么不斷通過(guò)探測(cè)函數(shù)往下找，直到找個(gè)一個(gè)空槽來(lái)存放待插入元素。

3.算法：快排的時(shí)間復(fù)雜度和空間復(fù)雜度？平均多少？最差多少？還有那些排序的時(shí)間復(fù)雜度是O(nlogn)?知道排序中的穩(wěn)定性嗎？我：快排的時(shí)間復(fù)雜度我記很清楚是O(nlogn)，空間復(fù)雜度是O(1)，平均就是O(nlogn)，最差是O(n^2)，退化成了冒泡排序；此外還有時(shí)間復(fù)雜度為O（nlogn）的還有堆排序和歸并排序；排序的穩(wěn)定性知道是在排序之前，有兩個(gè)元素A1,A2,A1在A2之前，在排序之后還是A1在A2之前。

4.SVM和Logistic Regression對(duì)比：首先我介紹了下logistics regression的過(guò)程，就是把y=wx+b的結(jié)果放到sigmoid函數(shù)里，把sigmoid作為一個(gè)分類器，這樣做的原因是sigmoid函數(shù)能把所有范圍的值域控制在（0，1）區(qū)間內(nèi)，然后我們把0.5作為一個(gè)分類的閾值，大于0.5的作為正類，小于0.5的作為負(fù)類。然后SVM是一個(gè)利用超平面將數(shù)據(jù)隔開(kāi)分類的問(wèn)題，首先我們?cè)趍ax所有距離平面最近的點(diǎn)的margin，同時(shí)subject to y(wx+b)>0,意味著分類正確：

然后：我們可以的到最近點(diǎn)到平面的距離：

我們***再用拉格朗日乘子式將subjuct to 條件轉(zhuǎn)換成一個(gè)等式求解***的w,b 然后求得最有超平面。我說(shuō)SVM有很多kernel，這個(gè)有點(diǎn)像regulation，面試官說(shuō)錯(cuò)了，你講講kernel是什么干什么用的？我說(shuō)kernel是把數(shù)據(jù)把低維映射到高維，因?yàn)橛行?shù)據(jù)在低維不可分，映射高維可以找到超平面去劃分，更好準(zhǔn)確。

***說(shuō)了LR比較方便計(jì)算，SVM 高維kernel計(jì)算復(fù)雜，但是準(zhǔn)確。如果數(shù)據(jù)多，要求實(shí)時(shí)得到預(yù)測(cè)結(jié)果，用LR；如果數(shù)據(jù)不多，要求準(zhǔn)確率，我選擇SVM。另外SVM可以用于多分類，而LR只能用于二分類

5.解決Overfitting、regulation的方法：regulation，我才總結(jié)下了，大致主要聊了2點(diǎn)：

（1）dropout，介紹dropout的概念啊，問(wèn)了下train和test階段的不一樣過(guò)程細(xì)節(jié)。

      主要講了下test把a(bǔ)ctive function的輸出都乘以P，這樣就把train和test的輸出期望都scale到了一個(gè)range，這樣才是更加準(zhǔn)確的。

（2）Batch Normalisation:BN，BN的原理，問(wèn)什么好，好在哪里？

1）降低了樣本之間的差異，scale到（0，1）。

2）降低了層層之間的依賴，主要體現(xiàn)在前一層的輸出是下一層的輸入，那么我們把所有數(shù)據(jù)都scale到了（0，1）的distribution，那么降低了層層之間的依賴關(guān)系，從而使數(shù)據(jù)更加準(zhǔn)確。

全程聊了一個(gè)小時(shí)，我人都傻了，一面不是面簡(jiǎn)歷嗎？（內(nèi)心OS。***問(wèn)了面試官兩個(gè)問(wèn)題：1）我本來(lái)跟老板匯報(bào)了工作在路上走著，電話就來(lái)了，我就說(shuō)沒(méi)準(zhǔn)備好問(wèn)了下面試官對(duì)我的評(píng)價(jià)，然后面試官很nice說(shuō)基本面不錯(cuò)，給我評(píng)價(jià)偏正面；2）問(wèn)了面試官的部門(mén)工作內(nèi)容，balala講了一堆。然后跟我說(shuō)，后面可能有人聯(lián)系你，也可能沒(méi)人聯(lián)系你，有人聯(lián)系的話，可能是他同事。

二面

一，介紹自己及項(xiàng)目：主要介紹自己在TensorLayer框架的制作，貢獻(xiàn)，太細(xì)節(jié)了，導(dǎo)致面試官說(shuō)本來(lái)要問(wèn)我的都說(shuō)了。

二.基礎(chǔ)考察：

1.你知道感知野嗎？什么作用？你知道卷積的作用嗎？你用過(guò)池化層嗎？有哪些？

當(dāng)時(shí)一臉懵逼，感知野是神馬?。?**再次確認(rèn)了感知野其實(shí)就是在多個(gè)kernel做卷積的時(shí)候的窗口區(qū)域，就是3個(gè)33等于1個(gè)77的感知大小。

卷積的作用是提取特征，前面的卷積提取類似于人眼能識(shí)別的初步特征，后面的卷積是能夠提取更加不容易發(fā)現(xiàn)但是真實(shí)存在的特征。

Pooling 用過(guò)，max pooling， average pooling， global average pooling。再問(wèn)這兩個(gè)分別有什么用？

max pooling我蠢到說(shuō)提取最有特征的特征，其實(shí)就是***有代表性的特征；average pooling提取的是比較general 的特征；global average pooling用來(lái)分類的，因?yàn)楹竺婢W(wǎng)絡(luò)的加深，full connected layer參數(shù)太多了，不容易訓(xùn)練，為了快速準(zhǔn)確得到結(jié)果，采用global average pooling，沒(méi)有參數(shù)，但是得到的分類效果跟FC差不多。

2. 講到這里有點(diǎn)尬，你說(shuō)你做過(guò)爬蟲(chóng)，自己寫(xiě)的還是用的框架？

用的框架，現(xiàn)在基本不用java我覺(jué)得我還是要補(bǔ)一補(bǔ)，差不多都忘光了，我所做的就是用Xpath找到爬取的元素，然后保存下來(lái)，再用腳本轉(zhuǎn)成待用Jason。

3.你機(jī)器學(xué)習(xí)的，知道sequence to sequence嗎？

我***反應(yīng)是RNN，我說(shuō)RNN沒(méi)了解，主要我只做深度學(xué)習(xí)CNN相關(guān)工作，大佬呵呵一笑，說(shuō)你們要補(bǔ)補(bǔ)基礎(chǔ)啊。

4. 在線編程：

給個(gè)題目你寫(xiě)寫(xiě)吧，不用math中的取平法差，判斷一個(gè)自然數(shù)是不是可以開(kāi)方（時(shí)間復(fù)雜度盡量低）？

媽耶，***反應(yīng)二分查找。

一上去尬了寫(xiě)了一個(gè)boolean，然后刪除，搞了個(gè)def開(kāi)始寫(xiě)函數(shù)。

***問(wèn)了2個(gè)問(wèn)題，他又問(wèn)了我2個(gè)問(wèn)題：（1）（這次是個(gè)P8大佬）在杭州，你工作地點(diǎn)介不介意？（我多說(shuō)了幾句話，開(kāi)了地圖炮，真的內(nèi)心話）（2）你作為tensorlayer的contributor，對(duì)標(biāo)Kreas，優(yōu)勢(shì)在哪里？他說(shuō)Kears底層支持好多庫(kù)caffe2，Pytorch，等等，我說(shuō)TensorLayer出發(fā)點(diǎn)不一樣，怎么樣比比了一通，方正我覺(jué)得沒(méi)邏輯~感覺(jué)自己涼了~因?yàn)槊嬖嚬俳o我回饋就是你要拓展你的機(jī)器學(xué)習(xí)知識(shí)面啊啊啊，我一個(gè)搞機(jī)器學(xué)習(xí)被吐槽這樣。。。

三面

全程50分鐘，主要講的是項(xiàng)目：針對(duì)項(xiàng)目提出幾個(gè)優(yōu)化問(wèn)題；

1.對(duì)于提供可以自由裁剪pre-train model，怎么保證你輸出的前面部分的check point 參數(shù)與模型結(jié)構(gòu) freeze在一起能在新的任務(wù)里，表現(xiàn)好？有沒(méi)有實(shí)驗(yàn)數(shù)據(jù)支撐？

2.你知道depthwise-CNN嗎？講講具體原理？那1*1的kernel的作用是什么呢？對(duì)網(wǎng)絡(luò)model有什么影響？

3.你還知道或者學(xué)習(xí)過(guò)那些傳統(tǒng)機(jī)器學(xué)習(xí)算法？XGBoost？HMM？SVM等等都清楚嗎？

4. 你學(xué)過(guò)那些基本算法？數(shù)據(jù)結(jié)構(gòu)的運(yùn)用？

5. 你是哪里人？老家？籍貫？

6.問(wèn)我大學(xué)經(jīng)歷，未來(lái)打算，為什么工作？聽(tīng)出來(lái)我想先工作，問(wèn)我后面想不想讀博？

交換問(wèn)題，

1.面試官的工作內(nèi)容。

2.對(duì)自己的評(píng)價(jià)及建議：短時(shí)間內(nèi)展示自己最閃亮的部分（第二天進(jìn)四面，等待通知） 。