【深度学习】2018深度学习算法面经小记

前言

面的公司不多，基本都是提前批（找工作主要还是依靠提前批，坑多人少）。大多数时间都是在问简历相关的问题，基础知识和编程也涉及到一些，简单总结一下，也算回顾面试过程了。

面试题

基础知识

1. 求空间中两异面直线的距离
2. SVM的原理、推导
3. SVM与决策树的比较
4. 各种熵、KL散度、JS散度
5. 解释梯度消失、梯度爆炸，以及为什么
6. 解释过拟合，如何解决

编程

1. 手写快排，快排的时间复杂度（为什么是O(nlogn))，比快排更快的算法实现
2. 手写归并排序
3. 求逆序对个数
4. 手写maxpooling实现
5. 计算IOU的实现
6. 判断链表有环

深度学习相关

1. 卷积网络中参数量、运算量的计算
2. BN层的原理、应用，训练和测试时的设置
3. Dropout 层的原理、应用
4. 各种优化算法的比较
5. 如何计算感受野
6. 描述GAN，包括流程、Loss函数、生成器和判别器的结构
7. GAN与之前方法（如VAE）的比较
8. GAN的引申，描述一下比如DCGAN，WGAN（因为我说看过WGAN，所以让我讲了一下WGAN解决的两个问题以及如何解决的）
9. 讲一下MobileNet，如何减少模型参数量

项目相关

因为这块会根据每个人的项目有很大的差异，所以简单根据我的某个项目（迁移学习相关）介绍一下面试官会注意到的地方

1. 为什么要用迁移学习
2. 讲一下迁移学习的应用场景
3. 迁移学习和深度学习结合的方式、种类
4. 2018的best paper讲一下（迁移学习相关）
5. 用到的损失函数，以及与其他损失函数的比较（比如MMD和KL散度的比较）
6. 迁移学习在项目中的作用体现在什么地方，如何评价

开放性问题

有时候除了基础知识，面试官会设置一个场景，问一些开放性的问题。

1. 如何根据数据量选择用哪个模型
2. 如何处理数据不平衡问题
3. 如何调参，按照什么思路调参？（比如先判断是否过拟合，损失函数和优化函数的调整，权重初始化，数据归一化等等调参手段）
4. 改过框架的源码吗

hr面试

HR面试一般就比较轻松了，基本就是聊人生聊梦想

1. 为什么来这，对公司有什么了解
2. 之前科研/实习经历有什么收获
3. 遇到压力/困难如何处理
4. 遇到和别人意见不一致时怎么处理
5. 说一下自身的优点和缺点
6. 看论文/写代码的频率
7. 聊男/女朋友，是否支持你来
8. 有没有其他offer