【2020秋招】内推批腾讯机器学习方向面试经验

铺垫

时间：周二中午11:00
形式：电话面试，本来让我去现场，后来我一想，我也没本事被面上，所以就随便面面吧，就改成了电话面，然后面试官就不怎么高兴了，他说让我尽量去sigma大厦去面试，但是还是被我拒绝了= =。
面试体验：全程电话面试，不涉及任何算法题、算法原理公式推导，第一次被女面试官面试，他让我讲项目的时候他就心不在焉吧，我说过的问题他还是在问我一遍，我觉得他是因为我没去现场面试怀恨在心了= =

问题&答案

1. 问项目，扣得很细，会问你项目的落地细节
2. LSTM和RNN相比的区别在哪里？为什么LSTM可以解决梯度爆炸或者梯度消失问题？它是如何解决的？（相当高频的题目，必须得掌握）
   1. 区别：
      1. RNN没有细胞状态；LSTM通过细胞状态记忆信息。
      2. RNN激活函数只有tanh；LSTM通过输入门、遗忘门、输出门引入sigmoid函数并结合tanh函数，添加求和操作，减少梯度消失和梯度爆炸的可能性。
         tanh(x) = 2sigmoid(2x)-1
      3. RNN只能够处理短期依赖问题；LSTM既能够处理短期依赖问题，又能够处理长期依赖问题。
   2. 为什么LSTM可以解决梯度爆炸或者梯度消失问题？
      弄懂这个就可以了：https://www.cnblogs.com/bonelee/p/10475453.html
      重点理解RNN产生梯度爆炸的根源，LSTM针对这个问题，作了那些改进。
      
3. 朴素贝叶斯公式