蚂蚁金服/旷视/虹软暑期实习offer面经

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转载自九点澡堂子

PS：一位商汤小姐姐的公众号

前言

本文面经由小伙伴王木木执笔，啊噗汇总成本文。写文的时候，深感和这些优秀的小伙伴同行的重要性，那些影响我们的不应该仅仅是几个知识点，更需要的是对自己的拷问和审视.。

面经

背景

国内知名985本硕。

蚂蚁金服——算法“6”面

一二三四技术面

五-交叉面

六-HR面

一二三面主要问项目比赛，讲思路；

四面基础考察，问了神经网络和机器学习的知识，让手写一个简单的二分法代码。

四面的问题有：

1. 神经网络为啥不用拟牛顿法而是用梯度下降

   
   

    2. 为什么决策树之前用pca会好一点

    3. 说下svm，核函数

    4. boost bagging区别

    5.为什么随机森林的树比gbdt的要深一点

    6. 为什么你长这么帅

啊噗鉴定：是挺帅的hh~

7. 说下从sgd到adam的思路

昨天笔试完收到offer，因为是6面，总体面试时间稍长，但是体验还不错。

阿里的面试官还是很nice的，中间有些波折都马上给解决了，感谢阿里爸爸。

昨晚刚听说有个同学3面（包括hr面）就过了，我还是太菜了，面了6面才进去，小菜鸡一个。

阿里面的越多表示评级越高，反而说明很强，秋招直接妥妥sp以上。

                                                        ——摘自牛客网留言

旷视

一面

看简历，问项目难点特色 ；

问：15min Cuda 里面 host 和 device 有啥区别

问：Xgboost，从提升树，GBDT 到 xgboost  

问：决策树分支的原理

答：按照基尼指数、信息增益来选择特征，保证划分后纯度尽可能高 问决策树怎么做回归，没答出来。后来在他的引导下说是给回归定义一个损失函数，比如 L2 损失，可以把分叉结果量化；最终的输出值，是分支下的样本均值。

问：PCA 了解不，其优化目标是什么？

答：最大化投影后方差+最小化到超平面距离

问：Pca 白化是什么？通过 pca 投影以后（消除了特征之间的相关性），在各个坐标上除以方差 （方差归一化） 。

问：SVM，简单讲下，怎么用于回归。

问：过拟合遇到过吗？怎么处理的。

答：损失函数加上正则化项；BN；数据增强 输出值变

问：成 Nan 了怎么办？估计是超过 float32 的数据范围了，需要对中间的数据进行归一 化，比如 BN，sigmoid 函数等等 。

  

手撸代码

1、 手写 BN 的实现。注意 BN 的 mean 和 std 是在哪个维度求梯度的，mean 和 std 是滑动平 均的值。

2、 二分法，求某个数位置 

 

最后，直接说没有后续了。我问哪里需要提高下（为啥拒我） ，说做的东西不 match；还安慰都说面试了 1 小时说明基础还是很好的，就是方向不一样；秋招里也有很多这样的 例子，不要灰心之类的。

啊噗：真的是贵司的损失，不合适可以推给合适的组，人才难求！

南京虹软

笔试 

1、 笔试分为计算机基础（70）和图像题（30）

 

2、 计算机基础题中，有选择，填空和简答 

3、 选择题中有好几题高中、大学数学题。包括的贝叶斯定理，洛必达法则求极限，求概率 （高中题） ，求积分等

4、 填空题，考 c++的一些代码运行结果，主要考察 64 位系统下 sizeof(a)是多少，a 是 int 指 针和 char 指针 

5、 简答题，有 CNN 计算图像的输出尺寸。

答：记住公式很就行了，output = (input-k+2*p)/s+1 K 为 kernal size；p 为 padding；s 为 stride。以及求做了多少次运算

6、 描述 EM 算法，基于 EM 算法描述 KNN 算法是怎么来的 

7、 图像题有填空和简答

8、 问图像 HSV 格式的 hsv 分别代表什么 

9、 给 4 个点，求双线性滤波的结果 

面试 

主要问项目，要对项目的每一个点很清楚。

你解释项目时，说道什么知识点就有可能会被打断问问你的理解。

比如我说道用了 densenet，就让我画了下 densent 中的 densen block 的结构。

 

手写 c++代码，写了高斯滤波的实现，注意二维图像的高斯滤波是可以分成 x 方向和 y 方 向的 2 次一维滤波的。

 

问能呆多久，至少 3 个月。

 

待遇 

9.00—5.30 

一周 3+天  包三餐 XXX/天 

2019，找AI算法岗工作不容易。如果你想了解国内各大公司的面试经验、如何内推、学习路线、知识题库、秋招攻略和Offer如何选择等资料的，欢迎加入2019AI算法岗求职大本营（知识星球）。

2019AI算法岗求职群（知识星球）

 

本星球不仅面向今年（2020届）找工作的人群（研一/研二/大三等），还面向刚入学或已工作的人群。目前已有超过750+位同学加入。星球旨在分享AI算法岗的秋招准备攻略（含刷题）、面试经验和内推机会（含提前批）等。

希望这个星球可以让你少走一些弯路

扫码进星球

如果喜欢面试经验，麻烦给个在看

麻烦给我一个在看！