字节跳动面试

最新推荐文章于 2024-09-03 15:02:46 发布

独孤的大山猫

最新推荐文章于 2024-09-03 15:02:46 发布

阅读量1.2k

点赞数

分类专栏：面试记录

本文链接：https://blog.csdn.net/xiqi4145/article/details/97897320

版权

面试记录专栏收录该内容

7 篇文章 2 订阅

订阅专栏

前言：

面试我的是一个西北大学的ACM选手,是一个小姐姐，感觉和我差不多大，做LeetCode hard题目只用稍微想一下就能做出来的那种（这也是后来聊天得知）。小姐姐全程都很有礼貌，面试体验很好。但奈何自己菜的抠脚. 祝头条越来越好，以后有机会还会继续投。说项目吹的天花乱坠都是扯淡，工程能力(coding)达不到，就不要应聘算法工程师了，leetcode中等难度的题目能做到15分钟一道差不多可以摸到头条的门槛，达到这个水平在投简历吧，不然别去丢人了，这是我面试算法岗得出的经验。学校发论文做学术的用轮子，改轮子的能力不要提，low的一匹。进大公司一定要提升自己的编码能力。就是那种面试什么都不问，上来给你几道算法题，就是那种动态规划,贪心,链表找环等常见算法题，你都能不费力KO掉的能力，写完了我们可以继续聊，不然一封感谢信送给你。秋招继续刷题总结呀，抠脚啊，哎。

后记：今天8/2 又接到头条的电话了,说是被推荐到了其他岗位,好像被捞了一把额,感谢小姐姐不杀之恩，期待接下来的面试，来虐我吧，面试一次成长一点，血赚. 后面有时间补充被捞起来问的问题.....

第一道编程题：面试官在公屏左侧打了4个字 ---“1~n全排” .

#include "iostream"
#include<vector>
using namespace std;

void permutation(int* a, int k, int m)
{
	int i, j;
	if (k == m)
	{
		for (i = 0; i <= m; i++)
			cout << a[i]<<endl; 
	}
	else
	{
		for (j = k; j <= m; j++)
		{
			swap(a[j], a[k]);
			permutation(a, k + 1, m);
			//printf("%d\n", k);
			swap(a[j], a[k]);
		}
	}
}
int main(void)
{
	int n;
	scanf("%d", &n);
	std:vector<int> vect;
	int arry[10];
	for (int i = 0; i <= n; i++) {
		vect.push_back(i+1);
		arry[i] = vect[i];
	}
	cout <<  "全排列如下" << endl;
	permutation(arry, 0, n-1);
	system("pause");
	return 0;
}

第二道题：面试官写了2个字,“快排”.

用python写快一些

def quickSort(arr, left, right):
    if left < right:
        p = partition(arr, left, right)
        quickSort(arr, left, p - 1)
        quickSort(arr, p + 1, right)

def partition(arr,left,right):
    key = arr[left]
    low = left
    high = right
    while low < high:
        while(low < high) and (arr[high] >= key):
            high-=1
        arr[low] = arr[high]
        while(low < high) and (arr[low] <= key):
            low+=1
        arr[high] = arr[low]
        arr[low] = key #左右"指针"相遇，key放到当前位置结束这一轮
    return low

a = [12,1231,4,124,124,12,41] 
quickSort(a,0,6)
print(a)

捞起来后问的问题：

3、我看到你简历你面用到了SVM,手推一下SVM吧.

我说以2分类举例，先写硬间隔的。我还没写完，面试官就叫我住手了，估计是我字太丑了.

这个详细的推导在李航老师的《统计学习方法》、周志华老师的西瓜书里面有详细推导,硬间隔，软间隔都有.

面试官叫我别写了，然后问 SVM软间隔的KKT条件作用是什么？

答：我只记得是拉个朗日乘子法的推广，都是用于求有约束条件下的极值的，然后本着不懂就不要瞎bb的原则没敢继续说。

面完下去查了一下：推荐https://www.zhihu.com/search?type=content&q=KKT%E6%9D%A1%E4%BB%B6 西工大王博的答案.

4、逻辑回归和线性回归说一下？

我：逻辑回归一般用于分类，输出一般是离散值，比如判断图片中是猫、不是猫这种. 线性回归输出一般是连续值，比如股票K线那种连续值，可以理解为：线性回归（连续值）后面接一个sigmoid映射到（0，1）作为概率，比如 >0,5 是猫，<0.5不是猫，也就是说变成了逻辑回归.

问：比如你刚才说的，二分类逻辑回归一般用什么作为损失，线性回归呢？

我：二分类逻辑回归一般用交叉熵作为loss，线性回归可以用均方差作为loss.

5、20个头条研发岗的员工分4排站队，每排5个，HR从中任选4个人送他们一本《算法之美》，那么这4个人在不同排的概率是多少？

答：5^4*4!/(A16 20)

6、fasterRcnn中anchor和feature map，anchor和原图的关系说一下

答：fasterRcnn中的anchor可以理解为空间金子塔SPP的逆向，在最后一层的特征图上用3x3的kernel滑动，3x3kernel的一个中心对应到输入网络原图像9个anchor的中心，最后经过roipooling 后分别做回归（bounding box）和分类（有物体还是没有物体）.

面试官：怎么理解feature map对应到原图9个尺寸的anchor？

我：假如输入一张图是128*128*3的，经过卷积、池化、卷积、池化，假如最后下采样8倍，最后输出的是一个16*16的特征图（举例而已，没考虑channel数目），那么最后16*16区域的每一个像素对应的就是原图8x8的区域，因为下采样了8倍，anchor从feature map对应原图的anchor也可以这么理解.

7、面试官：优化算法中的牛顿法用过吗？

我：没有用过牛顿法，用过批梯度下降、随机梯度下降(SGD)、自适应梯度下降（Adam）,没用过牛顿法做优化。

面试官：牛顿法用了泰勒展开的前几项来近似求解方程的根，也是一种常用的优化算法中求最优解的方法，比Adam能更快的收敛。

我：好的，学习了,谢谢。

8、行，一面就聊到这吧，你有什么想问的？

我：你工作几年了？

面试官：刚满一年。

我：工资方便透露一下吗？

面试官：这个不方便说，只能告诉你不会低于25w一年.

我：好谢谢，我没有问题了。

面试官：那行，就到这吧.

附：心态放好，本着学习的经验去面试的，祝bytedance越来越好！