新浪
一面:
(一半是对着笔试题问的,每一面的面试官手里都有你的笔试成绩,精细到你的代码提交了多少次,通过了用例多少,有几次是编译失败)
1.有一个rand可以等概率产生1—7这7个数字,如何利用这个rand等概率的产生1—9?
笔试的时候有这个题,我明明写对了,却得了零分,面试官特地拉出来问我,常规题,百度有。
2.(继续对着笔试问)我看你笔试编程题那道最长公共子序列得了满分,你写一下动态规划方程。
尴尬,没写出来。嘿嘿嘿。
3.写出循环神经网络的基础公式。然后权重参数是怎么更新,依赖于哪些东西,画个示意图。
4.gru的公式写一下,它和lstm的区别是啥
(这里吐槽一下,我写出来gru后,面试官说不错,很多人都写不出来,我就有点蒙,看来是因为大佬们已经签的差不多了吗。。。这差不多是深度学习基础公式)
5.新浪微博下有很多的评论,你设计一个模型分析这个评论是正面还是负面的。
没做过文本分析和情感分析,直接套了个gru解决。和面试官探讨了一下,他说这个跟词映射和correlation有关,还可以加入attention机制,让我下去了解一下。
二面:
1.说一下有哪些排序算法
(再吐槽一下。。。我把10个排序算法给甩出来后面试官表示很满意,这小伙子居然还知道基数排序,相比之下美团还让我分析了十个排序算法的时间复杂度还有稳定性,我答出来后还把我挂了,迷茫)
2.手写快排
3.看我用过mxnet,问我知道mxnet的底层是啥吗?我说分布式,他说分布式太大了,再细一点,我又是懵逼
4.看我用过ssd,yolo,dssd,让我介绍一下这三个框架的大概细节
5.知道目前有哪些模型压缩算法吗
答mobilenet,shufflnet,然后让介绍大概的细节
三面:
1.介绍最满意的项目
2.又问了mxnet是啥
3.看你上过微机原理,CPU的微指令有了解吗
懵逼
4.c++的虚函数怎么实现的
5.class和struct的区别是啥
没答出来
6.一道算法题,小机器人从左下角走到右上角,只能向上或者向右,有多少种走法?
之前没做过类似的题,吭吭唧唧手撕出动态回归方程
7.你这算法的时间复杂度是多少?
2^n
8.有什么优化空间吗
用备忘录算法
9.加难度,如果把一次拐弯当做k,现在传入一个参数k,问在k次转弯下,有多少种走法?
不会。。。提示了还是不会,难受。
面完三面后,三面面试官说后面还会有HR面,让我等HR打电话,感觉应该稳了。感觉不知道是新浪面试开始太晚了还是什么原因,新浪面的人没那么多,我两点走的,二面面试官和三面面试官说今天的已经全部搞完了准备回去休息了,没来的人打电话过去也说不来了。
原文链接:https://www.nowcoder.com/discuss/124912type=2&order=0&pos=10&page=1
滴滴
一面:
由于zoom的故障,一面是电面。
1、自我介绍
2、论文介绍
1)数据介绍,如何组织数据形式
2)主模型网络层结构
3)LSTM、CNN、convLSTM原理,异同对比
4)特征工程的依据和效果
5)模型对比的结果
6)有什么可以继续改进的点
3、专利介绍
4、分布式项目的实施过程,问的很仔细,也涉及到Hadoop底层原理的深挖。
5、天池竞赛介绍
1)背景+数据介绍
2)如何定义一个机器学习问题
3)为何使用xgb,xgb原理,xgb并行实现
4)LSTM原理、梯度消失原因及解决方法
5)模型融合方法,尝试了几种,都怎样做的。
6、NLP项目介绍
1)NER、RE的建模方法,最新论文的方法是怎样做的
2)图谱构建的方法、schema介绍
3)HMM、MEHMM、CRF原理以及对比。
4)EM算法的原理,在HMM中如何使用的。
5)为何使用biLSTM+CRF的结构
7、xgboost与gbdt、RF的对比
8、编辑距离的递推公式(因为电面,所以只说了思路)
一面基本上是对简历内容的深度进行了测验。
二面(zoom视频):
二面是部门老大,问的问题与一面有部分重叠。
1、论文详细介绍,老大会一直追问每一个点,网络结构的设计,为何采用convLSTM、视频流法的具体***作、5维张量每一维代表什么等等....
2、NLP项目介绍,与第一面重叠
二面主要问论文,基本上聊了近40分钟,其他时间基本是聊项目。
三面(交叉面,zoom视频):
交叉面主要问了分布式等内容。
1、MR各阶段原理
2、Hadoop性能优化方法
3、分布式项目的建模全部流程,要求以shuffle阶段为例,详细讲解项目建模中全部的公式推导。
4、docker容器的概念、适用场景、解决什么问题等基础问题。
三面总共40min,感觉面试官貌似对我不太感兴趣,但是今天却收到了HR的电面预约....
链接:
https://www.nowcoder.com/discuss/121733?type=2&order=0&pos=120&page=1
本文暂时没有评论,来添加一个吧(●'◡'●)