作者：Owen

來源：牛客網

阿里一面

1.自我介紹下：

我是XXX的碩士，機器學習專業，我研究方向偏向於深度學習；然後我本科是XXX的物聯網工程專業，本科做過兩個項目：1）基於大數據的股票市場分析 2）基於用戶操作的推薦系統 ；研究生階段目前印象最深是做了兩個項目：1）機器人課程作業中的challenge

2）現在正在做的基於model的智能機器學習框架，着重介紹在最後一個，然後問了下實際工作，完成程度，貢獻度。最後追問了一個對於物聯網的看法

2.hashmap介紹

先說了下自己知道JAVA的hash map的用法，python中dictionary也是用hash表實現的：首先利用hash()將key和value映射到一個地址，它通過把key和value映射到表中一個位置來訪問記錄，這種查詢速度非常快，更新也快。而這個映射函數叫做哈希函數，存放值的數組叫做哈希表。 哈希函數的實現方式決定了哈希表的搜索效率。具體操作過程是：

1. 數據添加：把key通過哈希函數轉換成一個整型數字，然後就將該數字對數組長度進行取餘，取餘結果就當作數組的下標，將value存儲在以該數字爲下標的數組空間裏。
2. 數據查詢：再次使用哈希函數將key轉換爲對應的數組下標，並定位到數組的位置獲取value。

但是，對key進行hash的時候，不同的key可能hash出來的結果是一樣的，尤其是數據量增多的時候，這個問題叫做哈希衝突。如果解決這種衝突情況呢？通常的做法有兩種，一種是鏈接法，另一種是開放尋址法，Python選擇後者。

開放尋址法（open addressing）：

開放尋址法中，所有的元素都存放在散列表裏，當產生哈希衝突時，通過一個探測函數計算出下一個候選位置，如果下一個獲選位置還是有衝突，那麼不斷通過探測函數往下找，直到找個一個空槽來存放待插入元素。

3.算法：快排的時間複雜度和空間複雜度？平均多少？最差多少？還有那些排序的時間複雜度是O(nlogn)?知道排序中的穩定性嗎？我：快排的時間複雜度我記很清楚是O(nlogn),空間複雜度是O(1)，平均就是O(nlogn)，最差是O(n^2),退化成了冒泡排序；此外還有時間複雜度爲O（nlogn）的還有堆排序和歸併排序；排序的穩定性知道是在排序之前，有兩個元素A1,A2,A1在A2之前，在排序之後還是A1在A2之前。

4.SVM和Logistic Regression對比：首先我介紹了下logistics regression的過程，就是把y=wx+b的結果放到sigmoid函數裏，把sigmoid作爲一個分類器，這樣做的原因是sigmoid函數能把所有範圍的值域控制在（0，1）區間內，然後我們把0.5作爲一個分類的閾值，大於0.5的作爲正類，小於0.5的作爲負類。然後SVM是一個利用超平面將數據隔開分類的問題，首先我們在max所有距離平面最近的點的margin，同時subject to y(wx+b)>0,意味着分類正確：

然後：我們可以的到最近點到平面的距離：

我們最後再用拉格朗日乘子式將subjuct to 條件轉換成一個等式求解最後的w,b 然後求得最有超平面。我說SVM有很多kernel，這個有點像regulation，面試官說錯了，你講講kernel是什麼幹什麼用的？我說kernel是把數據把低維映射到高維，因爲有些數據在低維不可分，映射高維可以找到超平面去劃分，更好準確。

最後說了LR比較方便計算，SVM 高維kernel計算複雜，但是準確。如果數據多，要求實時得到預測結果，用LR；如果數據不多，要求準確率，我選擇SVM。另外SVM可以用於多分類，而LR只能用於二分類

5.解決Overfitting、regulation的方法：regulation，我才總結下了，大致主要聊了2點：

1）dropout,介紹dropout的概念啊，問了下train和test階段的不一樣過程細節

主要講了下test把active function的輸出都乘以P，這樣就把train和test的輸出期望都scale到了一個range，這樣纔是更加準確的

2）Batch Normalisation:BN，BN的原理，問什麼好，好在哪裏？

1.降低了樣本之間的差異，scale到（0，1）

2，降低了層層之間的依賴，主要體現在前一層的輸出是下一層的輸入，那麼我們把所有數據都scale到了（0，1）的distribution，那麼降低了層層之間的依賴關係，從而使數據更加準確

全程聊了一個小時，我人都傻了，一面不是面簡歷嗎？（內心OS。最後問了面試官兩個問題：1）我本來跟老闆彙報了工作在路上走着，電話就來了，我就說沒準備好問了下面試官對我的評價，然後面試官很nice說基本面不錯，給我評價偏正面；2）問了面試官的部門工作內容，balala講了一堆。然後跟我說，後面可能有人聯繫你，也可能沒人聯繫你，有人聯繫的話，可能是他同事，

二面

一，介紹自己及項目：主要介紹自己在TensorLayer框架的製作，貢獻，太細節了，導致面試官說本來要問我的都說了

二.基礎考察：

1.你知道感知野嗎？什麼作用？你知道卷積的作用嗎？你用過池化層嗎？有哪些？

當時一臉懵逼，感知野是神馬啊？最後再次確認了感知野其實就是在多個kernel做卷積的時候的窗口區域，就是3個33等於1個77的感知大小。

卷積的作用是提取特徵，前面的卷積提取類似於人眼能識別的初步特徵，後面的卷積是能夠提取更加不容易發現但是真實存在的特徵。

Pooling 用過，max pooling， average pooling， global average pooling。再問這個兩個分別有什麼用？

max pooling我蠢到說提取最有特徵的特徵，其實就是最具有代表性的特徵；average pooling提取的是比較general 的特徵；global average pooling用來分類的，因爲後面網絡的加深，full connected layer參數太多了，不容易訓練，爲了快速準確得到結果，採用global average pooling，沒有參數，但是得到的分類效果跟FC差不多。

2. 講到這裏有點尬，你說你做過爬蟲，自己寫的還是用的框架？

用的框架，現在基本不用java我覺得我還是要補一補，差不多都忘光了，我所做的就是用Xpath找到爬取的元素，然後保存下來，再用腳本轉成待用Jason

3.你機器學習的，知道sequence to sequence嗎？

我第一反應是RNN，我說RNN沒瞭解，主要我只做深度學習CNN相關工作，大佬呵呵一笑，說你們要補補基礎啊

4. 在線編程：

給個題目你寫寫吧，不用math中的取平法差，判斷一個自然數是不是可以開方（時間複雜度儘量低）？

媽耶，第一反應二分查找

一上去尬了寫了一個boolean 然後刪除，搞了個def開始寫函數

最後問了2個問題，他又問了我2個問題：1，（這次是個P8大佬）在杭州，你工作地點介不介意？（我多說了幾句話，開了地圖炮，真的內心話）2，你作爲tensorlayer的contributor，對標Kreas，優勢在哪裏？他說Kears底層支持好多庫caffe2, Pytorch,等等，我說TensorLayer出發點不一樣，怎麼樣比比了一通方正我覺得沒邏輯~感覺自己涼了~因爲面試官給我回饋就是你要拓展你的機器學習知識面啊啊啊，我一個搞機器學習被吐槽這樣。。。

三面

全程50分鐘，主要講的是項目：針對項目提出幾個優化問題；

1.對於提供可以自由裁剪pre-train model，怎麼保證你輸出的前面部分的check point 參數與模型結構 freeze在一起能在新的任務裏，表現好？有沒有實驗數據支撐？

2.你知道depthwise-CNN嗎？講講具體原理？那1*1的kernel的作用是什麼呢？對網絡model有什麼影響？

3.你還知道或者學習過那些傳統機器學習算法？XGBoost？HMM？SVM等等都清楚嗎？

4. 你學過那些基本算法？數據結構的運用？

5. 你是哪裏人？老家？籍貫？

6.問我大學經歷，未來打算，爲什麼工作？聽出來我想先工作，問我後面想不想讀博？

交換問題，1.面試官的工作內容。2.對自己的評價及建議：短時間內展示自己最閃亮的部分（第二天進四面，等待通知