前言
面的公司不多，基本都是提前批（找工作主要還是依靠提前批，坑多人少）。大多數時間都是在問簡歷相關的問題，基礎知識和編程也涉及到一些，簡單總結一下，也算回顧面試過程了。
面試題
基礎知識
- 求空間中兩異面直線的距離
- SVM的原理、推導
- SVM與決策樹的比較
- 各種熵、KL散度、JS散度
- 解釋梯度消失、梯度爆炸，以及爲什麼
- 解釋過擬合，如何解決
編程
- 手寫快排，快排的時間複雜度（爲什麼是O(nlogn))，比快排更快的算法實現
- 手寫歸併排序
- 求逆序對個數
- 手寫maxpooling實現
- 計算IOU的實現
- 判斷鏈表有環
深度學習相關
- 卷積網絡中參數量、運算量的計算
- BN層的原理、應用，訓練和測試時的設置
- Dropout 層的原理、應用
- 各種優化算法的比較
- 如何計算感受野
- 描述GAN，包括流程、Loss函數、生成器和判別器的結構
- GAN與之前方法（如VAE）的比較
- GAN的引申，描述一下比如DCGAN，WGAN（因爲我說看過WGAN，所以讓我講了一下WGAN解決的兩個問題以及如何解決的）
- 講一下MobileNet，如何減少模型參數量
項目相關
因爲這塊會根據每個人的項目有很大的差異，所以簡單根據我的某個項目（遷移學習相關）介紹一下面試官會注意到的地方
- 爲什麼要用遷移學習
- 講一下遷移學習的應用場景
- 遷移學習和深度學習結合的方式、種類
- 2018的best paper講一下（遷移學習相關）
- 用到的損失函數，以及與其他損失函數的比較（比如MMD和KL散度的比較）
- 遷移學習在項目中的作用體現在什麼地方，如何評價
開放性問題
有時候除了基礎知識，面試官會設置一個場景，問一些開放性的問題。
- 如何根據數據量選擇用哪個模型
- 如何處理數據不平衡問題
- 如何調參，按照什麼思路調參？（比如先判斷是否過擬合，損失函數和優化函數的調整，權重初始化，數據歸一化等等調參手段）
- 改過框架的源碼嗎
hr面試
HR面試一般就比較輕鬆了，基本就是聊人生聊夢想
- 爲什麼來這，對公司有什麼瞭解
- 之前科研/實習經歷有什麼收穫
- 遇到壓力/困難如何處理
- 遇到和別人意見不一致時怎麼處理
- 說一下自身的優點和缺點
- 看論文/寫代碼的頻率
- 聊男/女朋友，是否支持你來
- 有沒有其他offer