找工作经验之——面试(百度篇)


    大周末的在实验室加了两天班,哎。。。

百度篇
    参加百度招聘是在阿里之后了,参加完百度的笔试,当天晚上接到面试通知。(其实到这时候,基本不会再看什么书了,准备都是之前的事了,如果到现在再准备,帮助不会很大)
    到了日子去了面试的酒店,先去hr房间等待安排,每场面试1小时左右,所以每个整点都有一波人通知面试。安排好房间后,去了面试官房间,开始百度的一面。
    一面正式开始,照着流程走,面试官先让做了自我介绍,老样子,1,2分钟介绍完。(一点小插曲,听说去面试的人,面试官都让写了快排,在来面试的路上,还和同学开玩笑说,不会也让我我写快排吧,要写就得写个不一样的啊)没想到刚自我介绍完,面试官第一句话“先来写个快排吧”。我倒~~~,好吧,我想了一下,写了一个单向快排算法(我觉得大家应该都写的双向的,所以决定写个不同的,而且单向快排写起来比双向简单一些,当然前提是理解的比较透彻),写完后给面试官讲解了一下,他似乎比较满意。接着又让介绍了一下项目,稍微详细一点的介绍。面试官似乎并不想多聊项目,就开始聊一写其他的基础,比如进程线程的区别啊,STL容器啊什么的(基本都是操作系统,网络和数据结构的一些东西)。面试官话锋一转,又聊到了设计模式,问我在项目中用到了什么设计模式,我想了 想,似乎还真没特别留意过,有点惭愧,纯粹是为了准备而复习了设计模式,给他介绍了几种我熟悉的(工厂、简单工程、抽象工厂、策略模式、单例模式等,如果在很短的时间复习设计模式,不可能掌握所有的,所以调一些着重掌握,最常考的是单例模式,这样比全看一遍但是很粗略要好得多。当时面试官问我一些设计模式的问题,我说我没有看那么深入,只对那几个比较了解,也并没有影响通过面试,所以,在面试中一定不要怕说,“我不熟悉”,但是下一句一定是引导到自己熟悉的地方),他让我写一个单例模式的实现,我很快写了一个多线程安全的单例模式,简单的讲解了一下之后他觉得OK(在平时复习的时候,一定不要满足于”差不多“,你的”差不多“也许是90%的人都能做到的,但是也许只需要那10%研究的更加深入的人)。下来又问了我一道算法题,是一道字符串压缩的题目,我先思考了一下,找出了一个可能的异常情况(我觉得面试官开始并没有想到我会发现这个异常情况,我发现后指出他显得有些意外),所以问题都想清楚,很快就写出了代码,他看过后觉得没什么问题(算法题一定要先思考清楚,逻辑清晰后写起来很快,绝对比你写着想着要快,而且不会写着写着发现问题重头在写;当你确定一个思路后,就很难看出这个思路的问题了,所以要先思考好,在决定下笔。)。后面好像没问什么了,时间有点久了,应该是没有了。一面这就结束了,去hr房间他告诉我会安排我的2面(意思是1面通过了),我就先回去等通知了。
    到了二面时间后,又去了面试酒店,同样先找hr,等了好久,终于安排到我了,去面试官房间。二面面试官是个很年轻帅气的哥们,上来简短的寒暄过后,就开始正事面试了。这一面是我喜欢的面试,话不多少,就是实干。一共问了6个算是算法题吧。我大概说说,顺序不一定对。第一个是约瑟夫环,在《剑指offer》中有很巧妙的算法,我写出递推公式后他就不让我写程序了;第二题是海盗分宝石,相信大家都知道怎么做,但是他会修改条件来检查你是不是真的掌握了思想(比如100个海盗分3个宝石的分析,10个海盗分10个宝石等等);接着是螺旋打印矩阵(这个题是写出完整的代码);下来是两道大数据的题目,一道我用堆来解决,一道采用bitmap搞定(这两道题基本是问答形式的,他说出题目,我立刻给出解决方法并写出关键算法,比如bitmap中的set函数和test函数,不明白可以参考《编程珠玑》)。最后是一道赛马题,25匹马,一次只能5匹同时赛,问最少赛几次怎么安排?(第一次见这种题,先分析了一下最差情况,然后想办法优化,我提出用快排的方式来进行,并记录之前的比赛结果来判断。我回来也没有查是不是最优。)回答完所有的问题,给我一点提问时间,就结束了百度二面。
    回到hr房间,hr告诉我通过了,当时比较晚了,本来也计划好和同学去健身,所以就要求安排到第二天boss面了。
    BOSS面当天,在hr放假等待的时候,hr告诉我这位面试官是大牛,心中有点忐忑。来到面试官房间,面试官很和蔼,大概介绍了自己后,面试官说”面了这么些天,难得碰到一个和他方向一样的“并告诉我前几面的评价很好,所以就不问我算法什么的了。于是我们就聊了领域相关的一些技术,我项目中使用的,还有一些核心的算法之类的,面试官懂得很多,幸好项目也是我用心做的,所以聊的很愉快(项目中的专业知识真的需要自己用心研究的,指不定你面试时候就会碰到一个和你对口的面试官,那真是你的万幸啊,但是如果你领域知识不扎实,那就太遗憾了。)。整个过程很轻松,面试官告诉我不用紧张什么的,就当是领域内的朋友相互聊天,了解了解现在高校内相关领域都在研究什么。真的聊的很好,能感觉到面试官很希望能加入他的团队,可惜我们不能在一个城市,有点遗憾(百度的招聘有一点很好,如果你的能力得到了认可,你可以推荐你知道的牛人来直接面试)。面试官希望我可以推荐一个相关领域的愿意去他城市的同学,可以直接去找他终面(当时心里很高兴能得到面试官的赏识,自己也非常喜欢这位面试官,只是非常可惜,最终没能一起合作。还是非常感谢他)。
    终面结束,回到hr房间,正好刚才的面试官正在给h r打电话说让我推荐的事,hr告诉我通过了,并且面试官对我评价很高(听着真是开心,觉得之前付出的所有都值得了)。
    接着就去和hr聊了聊(这应该不算是面试,就是了解情况),了解了自己的基本情况,并告知得到offer,具体的细节随后会电话通知。
    整个百度面试还是比较顺利的,所以提醒大家一定要准备好比较扎实的基础知识,再加上一定的面试经验的积累,这样一定可以得到自己心仪的offer!

    我个人比较喜欢算法,在准备的过程中也是知道微软比较偏爱算法,所以大部分都准备的是算法。基础知识看的比较散,主要还是靠之前的积累,每个公司侧重点不一样,在准备的时候要注意,有些注重基础知识,有些注重算法,有些聊项目比较多,建议还是都准备准备,也许是和面试官的偏好有关呢。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值