机器学习算法岗面经整理

算法

• 排序相关
  • 堆排序的过程
  • 如何对 10 亿个词语进行排序，找出其中使用频率最高的100 个
  • 快排 *5
  • 一千万个整数，每个数的范围在[-1000,1000]，怎样对他们排序最快：计数排序
  • 选择排序和插入排序的算法
  • 冒泡排序 *2
  • 单链表的冒泡排序
• 链表相关
  • 两排序链表合并
  • 链表的构建，增删改查的各种情况分析，倒置链表操作
  • 判断两个链表是否有交点/判断单链表是否是循环链表 *4
  • 单向链表，把它后半部分反转。
  • 删除链表中第n个节点*2
  • 链表，原址变换为：奇数在前，偶数在后，相对顺序不变。
  • 链表求和（反过来的）
• 树相关
  • 翻转二叉树
  • trim二叉搜索树
  • 中序遍历
  • 层次打印二叉树：用两个队列
  • 二叉树之字形层次遍历，（正反正反。。。）
  • 给一棵边权树树找到最大路径，要找到两个端点怎么办
  • 给N个数字，返回这N个数字能组成的所有二叉搜索树
  • 树的完全遍历（null也要输出）
  • 二叉树前序遍历
  • 非递归形式求树的深度
  • 搜索二叉树求两个节点的公共子节点
  • 寻找二叉树两个节点的最近祖先节点
  • 判断镜像树
  • 二叉搜索树删除某个节点
  • 二叉树深度
  • 判断平衡二叉树
  • 平衡二叉树是什么
  • 打印二叉树每层最右边结点值
  • 由于b树引导了b+树和索引的问题，他不问我的长项b+和索引的原理，他问我怎么用
  • 二叉树的广度优先遍历和深度优先遍历。
  • 根据前序，中序创建二叉树。
• 字符串相关
  • 浮点数转字符串
  • 计算字符串形式的算式的值，例如1+2*3-4这种。
  • 字符串反转
  • 给一个字符串和单词列表，判断字符串能不能由这些单词组成
  • 有一些字符串，定义前后字符差值形成的序列一致的两个字符串为相同字符串，问如何将给定的这些字符串分成若干集合，每个集合中字符串都满足相同字符串的定义。
  • kmp * 3
  • 覆盖字符串所有字符的最小子串
  • 模拟大数相加
  • 找出所有的回文子串
  • 字符串出现第k多的字符
  • 实现memcpy
  • 大数原地相乘，32位位宽乘两个32位的大数
  • 给你个字符串，字符串是个数字，怎么转换为int型，不用库函数的话
  • 写一个 strcpy 函数
• DP：
  • 0-25表示A-Z，给一个数字字符串，求有多少种解码方式
  • 找出0-1矩阵里，全1组成的最大矩形面积
  • 最大连续子数组的长度
  • 编辑距离
  • 最长公共子序列
  • 求最大子串和 *5
  • 求最大公共子串
  • 给一个数组表示每天的股价，某人又一次买入，一次出手的机会，问这个人的最大收益是多少 *3
  • 0-1背包问题的动态规划递归式怎么写？
  • 有一个n乘n的棋盘，上面有m个糖果，最开始有一个人在棋盘左上角，他可以向左向右或者向下移动，但不能向上移动，问他最少需要多少步吃完所有糖果。
  • 跳台阶问题，每次只能跳1个台阶或者2个台阶，n个台阶共有多少种方式*3
  • 三种砖块，分别是1 * 1,1 * 2,1 * 3，拼成1 * N，有多少种拼法？
  • 三角数堆，只能往左下或者右下走，从堆顶到堆底和最小是多少。
  • 有三种砖块，长度分别为1，2，3，砖块高度都为1，现在要你砌一面M*N的墙，不考虑把砖块竖着放的情况，问有多少种砌法。（DP可解） 然后接着问：如果要求这面墙除了两边外，中间任何一个位置砖的边缘都不能构成一条从墙顶到地面的直线，那么有多少种砌法？（DP+容斥原理）
  • 就是给一个字符串，得到它字典序最大的子序列。（他的表述方式是，删除一些字符，使得剩下的字符构成的字符串字典序是最大的）
  • 完全平方数，给一个数x，求最小的a能使x和a的乘积是完全平方数
• 图论相关：
  • 手写dijstra *2
  • 最短路(bfs)
  • 给定二维矩阵，求联通域
  • 最小生成树
    • Prim
    • Kruskal
• 数组相关
  • 2个无序数组各取一个数加和为N，求数对个数
  • 将两个数组合并为一个无重复数字的数组
  • 只有0和1的数组，每次可以删相同并且相邻的， 删除两次最多可以删除多少个
  • 两个有序数组的合并
  • 有一个从大到小排序的数组，改成一个按照绝对值的大小从大到小排序的数组。
  • 将一串从小到大的数字，任意轮转，如1,3,4,5,7,8,23，轮转为5,7,8,23,1,3,4，
  • 旋转数组
  • 翻转列表前k个
  • 找出数组中只出现1次的数，其余数均出现2次，扩展，其余数出现2次以上
  • 实现给定一个列表，把列表所有0移到列表最后面，其余相对顺序不变，要求时间o(n)，空间o(1)
  • 把数组元素更新为除该元素外其他所有元素的乘积，返回新数组，不能用除法，不要用O(n^2)的方法
  • 一个无序的无重复的正数数组，给一个target ，找出数组中和为target的序列，每个数可以选择多次
  • two sum: 有一个无序数组，找出所有加和为sum的数值对
• 查找相关
  • binary search 一个排序数组，切开重新拼接，如 [6， 7， 8， 1， 2，3]，查找元素
  • 将一串从小到大的数字，给定一个数字，查找是否在该列表中，给定位置or输出错误。
  • 一个数组中找前k个大的数 *4
  • 有一个数组，找出有一个数字是不是在这个数组中（对数组大小进行讨论，分析时间和空间复杂度）
• 哈希相关
  • 要实现一个哈希表，应该怎么做（根据要哈希的内容选择合适的哈希函数和冲突解决方案，比如balabala…）
  • hash表怎么解决冲突 *2
  • 哈希冲突是什么
  • Hashmap怎么实现的?HashTable怎么做到同步的?缺点?怎么解决?
• 有一次旅程用一个二维list存着，【（北京，上海）（上海，广州）（广州，东京）…】，这个旅程是一个没有环路的，然后现在打乱这个list的顺序，最后输出一个【北京，上海，广州，东京，…】这样的一个list
• 一堆二维点，求在一条直线上的最大数目。(leetcode)
• 一个0~1e18范围内的整数，可以交换k（0<=k<=100）次，每次只能交换相邻位置的数字。问能得到的最大数字是多少？
• 中缀表达式变后缀
• 大顶堆怎么插入删除
• 一维数轴上有N个数散布在数轴，给一个长度为L的绳子，问绳子放在轴上最多能覆盖多少个点
• 一个二维矩阵，0是路，1是墙，问矩阵中有没有被墙围起来的路
• 有一些单词对表示同义词，单词对之间不考虑传递性，判断两个句子是否表示完全相同的意思？map套map解决，写了第一个解法。
• 两个300G的大文件，求两个文件的交集
• 图解哈夫曼编码
• 给出m个会议的开始时间和结束时间，求最少需要多少间会议室
• 全排列*4
• 有10个排好序的数据库，那么我要找整个的中位数，怎么找
• 实现sqrt函数，不能使用二分法/可以使用二分法 *4
• 给定一个圆形区域（已知圆心、半径），要求在里面均匀采样。
• 若干个长度不同的数组，求最小的区间，让每个数组都有数字在这个区间内
• 一个01矩阵，每一排都是0在前1在后，问哪一排的1最多？（二分法）问有没有更简单的方法（每一排记录当前的最左边的1的位置，下一排的时候直接忽略右边的）问时间复杂度，猜测是O(m+n)
• fibonacci数列的通项公式 *2
• 描述dfs和bfs,分别怎么实现？（栈和队列）
• 最短描述数，10的最短描述数是32+12所以是2，求一个数的最短描述数。
• 不存储数据流的前提下,从输入流中获得这 n 个等概率的随机数据 ：http://blog.sina.com.cn/s/blog_a9dd6f4a0102v3dp.html
• 给一个概率分布均匀的随机数发生器，给一串float型的数，希望通过这个随机数发生器实现对这串数进行随机采样，要求是如果其中的某个数值越大，那么它被采样到的概率也越大
• 给一串数和一个目标值，使用四则运算和括号使得这串数最后计算结果为目标值，打印出所有的方案，要求是这些数每个最多被使用一次，可以不被用到。
• 并查集

语言

• 函数式编程和面向对象区别？
• python
  • python list和tuple的区别
  • 说一下python里啥叫生成器
  • python  is ==的区别
  • map的底层实现
  • python方法解析顺序
  • 如何判断两个dict是否一样
  • 深浅拷贝 *5
  • python锁机制
  • 如何在list头上删元素
  • 一个python的dict，按照key-value存储，如何按照value排序
  • 字符串拼接(join)
  • 对一个列表删除所有为0的数字
  • 交换数字a,b
  • 怎么定义一个类的成员变量
  • list dict有什么区别
  • 手写对dict排序
  • key-value的数据结构
  • list 底层怎么实现
  • dict底层如何实现
  • python中数组去重怎么做?具体代码?
• java
  • 说一下java里接口和抽象类：
    • 接口是抽象类的变体，接口中所有的方法都是抽象的。而抽象类是声明方法的存在而不去实现它的类。
    • 接口可以多继承，抽象类不行
    • 接口定义方法，不能实现，而抽象类可以实现部分方法
    • 接口中基本数据类型为static 而抽类象不是的。 当你关注一个事物的本质的时候，用抽象类；当你关注一个操作的时候，用接口。
    • String用过吗，StringBuilder和StringBuffer有什么区别
    • 用过集合吗，简单说一下
    • 用过哪些数据结构，Map、Set用过吗
    • JAVA的垃圾回收机制
    • java都做过什么?面向对象三大特性说一下?Hashmap?死锁?

数学/智力

• a,b~U[0,1]，互相独立 求Max(a,b) 期望 *3
• 一副扑克牌54张，随意洗牌，分为两份，每份有两个2的概率
• 一排n个硬币，一次可以拿1or2个，最后拿完的人获胜，问可能的情况，归纳规律。
• 在一个圆上有任意三个点，组成锐角三角形概率。答案说对了，1/4，从极限角点推出来的，让我用积分公式算，gg….
• 很多很多球，不一样大，A先拿10个，B再拿20个，问A的最大的球比B的最大的球大的概率.
• 有80个球，有一颗轻一点，给你一个天平，至少几步找到，我说用二分法，他说如何把树缩短，最后用b树解决的。过程中面试官不断提醒我，还教育我。
• X是一个以p的概率产生1,1-p的概率产生0的随机变量，利用X等概率生成1-n的数
• 有三个连续的大于6的整数，其中有两个是质数，求证另外一个数能被6整除
• 扔色子，最多仍两次，第一次扔完可以自行决定要不要扔第二次，去最后一次扔色子的结果为准，求：尽可能得到最大点数的数学期望
• 一个圆饼，切成n块，进行着色，相邻不能同色，颜色好像有m种，一共有多少种方案？
• 俩人轮流扔硬币，扔出正面获胜，求：先扔者获胜的概率
• 8个球，1个比较重，天平，几步找到重的？
• 左边m个小球，右边n个小球，在同一条光滑直线上相向而行，碰撞后原速相反方向返回，直到没有碰撞，一共碰撞了多少次。（这题还挺有难度的，当时推了十分钟没推出来，其实就差一点，回去又想了想，应该是m*n）
• 0~1均匀分布的随机器如何变化成均值为0，方差为1的随机器
• 每次抽球概率是1/4，前三次抽中则第四次必中，求抽一百次的期望
• 4个海盗，100个金币，每个人轮流提方案，如果你的方案有半数以上通过，那么久可以，否则就会被杀掉，如果你是第一个人，那么你怎么提方案比较好
• 一根绳子，随机选两点截断，三条线段能组成三角形的概率
• 一个路口，一个小时通过一个车的概率是0.9，那么20分钟内通过车的概率是多少
• 连续投硬币，当第一次出现正面时，一共投了奇数次则A赢，偶数次则B赢。求A, B赢的概率
• 一枚不均匀的硬币，我抛了100次，有70次朝上，那么第101次朝上的概率是多少
• 一个袋子里有100个黑球和100个白球，每次随机拿出两个球丢掉，如果丢掉的是不同颜色的球，则从其他地方补充一个黑球到袋子里，如果颜色相同，则补充一个白球到袋子里。问：最后一个球是黑球和白球的概率分别为多大？

• A容器中有4L沙子，B容器中有4L米，假设米和沙子密度一样。有一个C容器是300ml, 第一步，用C从A中舀300ml到B中，混合均匀，第二步，用C从B冲舀300ml到A中混合均匀。再重复第一步和第二步，问这四步之后，A中的米和B中的沙子谁多？

• 怎么求四阶矩阵的逆
• 信息熵、条件熵、互信息、信息增益 等等的计算
• 概率分布的相关计算 假设检验
  • t检验
  • 卡方检验
• 相关性分析
• 概率和似然概率的异同
• 极大后验与最大似然*3
• 共轭先验
• 狄利克雷分布能具体说说么
• 贝叶斯公式
• 独立性和相关性的意义和区别？
• 频率学派和贝叶斯学派什么区别？频率学派是上帝视角，认为频率是固定的，比如硬币均匀投掷之后正面概率为0.5，但贝叶斯学派是观察者的身份，会随着观察结果更新认知。
• 抽蓝球红球，蓝结束红放回继续，平均结束游戏抽取次数

机器学习

• 线性回归：
  • 损失函数 *2
  • 解析解的推导（三种方式）
  • 表达式

• lr：

  • 推导*48
  • LR和线性回归的区别*4
  • LR如何解决共线性，为什么深度学习不强调
  • LR如何分布式训练？
  • LR梯度下降的时候某一轮迭代参数特别大是怎么回事
  • 如何实现多分类：参考李航《统计学习方法》P80 *4
  • hinge损失函数里面的z是什么?
  • 为什么要用sigmoid？*3
  • 核技巧
  • 能处理浮点数吗？
  • LR+L1作用
  • 优势？
  • 参数规一化是否对结果有影响
• svm：
  • SVM基本型推导*38
  • 核函数相关
    • 核函数选择及其应用场景*12
    • 好处？*4
    • 如何处理线性不可分数据，有哪几种方式
    • SVM核函数成立的条件
    • 为什么高斯核能够拟合无穷维度，因为他可以无穷泰勒展开。
    • 多项式核和RBF核的关系
    • 什么时候用线性核和高斯核：
      • 当样本数很多时，应该用线性核，计算量比高斯核要小很多
      • 当线性可分时（可以理解为当数据特征的维度很高时），线性核和高斯核效果差不多
      • 线性不可分时，高斯核效果更好
    • svm里样本多的时候用什么核
    • 希尔伯特空间
  • 对偶相关
    • 手推SVM拉格朗日乘子法及对偶运算推导 * 3
    • SVM转换为对偶目的是什么*2
    • 为什么对偶问题就好求解，原始问题不能求解么 *2
    • kkt条件具体是什么
  • 比较svm和lr区别，哪个是参数模型：损失函数不同*11
  • SVM和全部数据有关还是局部
  • 正则项
  • 如何拓展到多分类问题
  • SVM的硬间隔，软间隔表达式
  • 在SVM的训练中有没有遇到hard example。答，SVM对hard example的应用非常重要，先用一部分训练集训练一个模型，然后用剩下的一部分训练集的一部分测试，把出错的再送进去训练，重复两到三次，效果会比较好。然后解释了为什么。
  • 优缺点 *2
  • 支持向量机的物理意义？
  • 应用场景
  • 有哪些降低模型复杂度的方法
  • 手推SMO
• knn复杂度高，怎么解决？
• 决策树
  • 模型原理*14
  • 为啥树模型不适合onehot数据
  • 分类树怎么选择划分/分裂属性 *12
    • 信息增益方法id3
    • 信息增益比 c4.5
    • 基尼不纯度
    • 有了信息增益为什么还提出了增益比？
  • 回归树做回归时候划分点怎么选择 *5
  • 回归树和分类树有啥区别？
  • 剪枝的过程 *3
  • 在什么场景下使用
  • 决策树是线性的么
  • 树的损失函数
  • 树模型如何处理缺失值和连续值
  • id3 c4.5的区别
  • id3为什么比c4.5更会过拟合
  • 决策树不适合用onehot的原因：
  • 优缺点是啥 *3
• 随机森林
  • 原理 * 18
  • 怎么筛选重要特征的？
  • 随机森林和Adaboost区别 *3
  • 随机森林和gbdt的区别*4
  • 随机森林和xgb区别*3
  • 怎么用于回归
  • 随机森林建立新的树要考虑什么
  • 随机森林的随机体现在哪里
• adaboost
  • 原理*8
  • 会过拟合吗？加深树的深度会过拟合吗？为什么？
• gbdt
  • rf和gbdt对数据方差和偏差上的区别 *3
  • 原理 、推导*27
    • GBDT做回归的整个流程是怎么样的（怎么建树?怎么分裂?怎么防止过拟合?怎么剪枝? ）*2
    • GBDT做分类的整个流程是怎么样的（怎么建树?怎么分裂?怎么防止过拟合?怎么剪枝?）
  • gbdt为什么用梯度，用梯度什么好处
  • 梯度是几阶的？一阶的
  • GBDT第二棵树的输入是什么？
  • gbdt+lr模型更新的先后顺序？频率呢？
  • 调参会调整哪些参数?某些参数(叶节点权重阈值,树深度等)调大或调小对模型有什么影响?
  • GBDT里的G代表什么，体现在哪里，XGboost在梯度上改进的地方
  • GBDT除了平方损失，还有什么损失函数
  • GBDT每轮拟合的是什么东西，GBDT做分类问题时又拟合的是什么东西（当时懵了，拟合的是梯度嘛？）
  • 适用场景？

• xgboost

  • xgb原理 * 31
  • 为什么效果好
  • xgboost跟GBDT比优点都有哪些/区别*21
  • 怎么选分裂点/重要性排序怎么实现的 *5
  • 正则相关：
    • xgb中l1正则怎么用的 *2
    • xgb里面正则项怎么表示
    • LR+L1作用
    • L1正则如何求梯度
  • 抽样相关：
    • Xgboost中的行抽样，可以起到哪些作用
    • 样本少了不是会过拟合么，为什么行抽样可以防止过拟合：可以参考bagging思想，对于单颗树而言会确实会过拟合，但是对于整体会减少过拟合
  • 缺失值具体怎么做的，怎么考虑
  • 损失函数
  • 调参
  • 参数有哪些
  • 如何发现过拟合
  • XGBoost模型中对数据进行采样的好处？
  • 为什么用二阶泰勒展开而不用一阶*3
  • 并行化（不是特征的并行化）怎么实现的？特征并行化怎么做的
  • LR和boost的区别
  • 与lightgbm区别*6
  • 并行是如何并行的
  • 为什么处理数据不平衡比较强
  • xgb的vc维
  • 优势
  • xgb与lr的优缺点
• lightgbm
  • 推导*3
  • rf与lightgbm的区别
  • 优势

• 集成学习：见https://www.nowcoder.com/discuss/71482

  • bagging、stacking和bossting原理、区别 *25
  • stacking blending区别
• 降维
  • 有哪些方法？*2
  • svd 原理*5
  • pca
    • 原理/推导*14
    • 对于PCA，会有第一主成分、第二主成分，怎么为什么第一主成分是第一，原因是什么
    • PCA的主成分是怎么得到的
    • svd和pca的联系和区别*8
    • 为什么是方差最大？
    • 与svd关系
  • isomap
  • t-sne
• 聚类
  • 距离的计算方法 *4
  • 什么时候需要用聚类
  • dbscan
    • 原理*10
    • 伪代码
    • 与kmeans、optics区别
  • 谱聚类
  • kmeans
    • 原理：最大化簇间距离，最小化簇内距离 *9
    • 手写代码
    • 怎么训练（E步和M步）*3
    • EM算法和kmeans之间联系，和高斯混合模型间联系
    • 与dbscan的区别
    • K-means 中我想聚成100类 结果发现只能聚成98类，为什么
    • 优缺点*2
    • 复杂度*2
    • k怎么确定*4
• 过拟合
  • 解决方法*27
  • 为什么会过拟合
  • 过拟合与欠拟合区别*2
  • L1、L2原理（数学上、图像上解释）、区别*23
  • 正则化与偏差、方差关系
  • l1、l2如何选择（应用场景）*5
  • 判断方法
  • l1正则近端梯度下降？推导
  • 方差偏差分解的公式 *5
  • 偏差和方差对于训练的意义
  • 各种范数，为什么不用1/2范数
  • L1不可导的时候怎么办

• 朴素贝叶斯

  • 原理 （怎么优化等） * 7
  • 为什么叫朴素

• HMM

  • 原理*5
  • 怎么做词性标注*2
  • 应用场景
  • 学习策略
  • 优化方法

• CRF

  • HMM与CRF区别
  • 学习策略*4
  • 优化方法 *4
• gmm
• 最大熵模型
• 特征选择的方法 *11
  • 如何判断特征的有效性
  • 特征与模型的相关性如何计算与表示
  • 皮尔逊相关系数、
  • 树模型
  • L1
  • 降维
  • 过滤法、包装法、嵌入法
• 牛顿法
  • 与梯度下降的区别、优劣比较（优缺点）*5
  • 推导 *4
  • 拟牛顿法原理，BFGS *3
  • lbfgs
  • 怎么求海塞矩阵
• 交叉验证
• EM算法推导*3
• 训练集，验证集，测试集的用途，怎么用这些数据来检验模型。
• 生成模型和判别模型
  • 区别*3
  • 有哪些？*2
• 衡量模型好坏：
  • 二分类的评价指标有哪些*3
  • ROC曲线的横轴和纵轴分别是什么*3
  • 准确率*2
  • 召回率*2
  • auc
    • 计算公式*6
    • auc可以用于多分类吗？
    • 含义 *2
    • 横纵轴都代表什么
    • 从概率上面的解释一下?
  • 真阳率
  • 样本分布不均匀时，怎么评价？
  • RMSE
  • 假阳率
• 损失函数相关：
  • loss function用MSE的不足和改进
  • lasso的损失函数
  • 常用的损失函数
• VC维的公式、意义、作用*3
• 怎么判断线性与非线性
• 损失函数有哪些？

深度学习

• softmax

  • 原理*5
  • 梯度
  • 与logistic关系？可以推导吗？
• 梯度消失、梯度爆炸原因？怎么解决？*7
• 交叉熵
  • 原理公式*8
  • 为什么要用softmax+交叉熵损失而不用softmax+均方根损失 * 2
• BP算法
  • 数据归一化在梯度下降时会有什么好处？
  • 正向传播、反向传播推导*14
  • 计算一层的参数量、计算量
  • 初始权重怎么设置？有哪些方法？*3
  • 全连接的作用
  • bp和深度学习的异同
  • 梯度下降的方向是怎么样的
• 激活函数
  • 常见激活函数及比较*7
  • ReLU的特性、优缺点 *8
  • sigmoid函数特性，是凸函数嘛*3
  • sigmoid优缺点
  • 激活函数的作用是什么
  • 解析leaky relu
  • tanh梯度
  • relu的问题是什么？怎么解决（负半区神经元失活，leak relu/maxout等）
  • maxout激活函数的原理
• Batch normalization
  • 原理*24
  • 先加bn还是先加激活？有什么区别？
  • 为什么抑制梯度消失/爆炸、加快收敛速度 *5
  • 作用*2
  • 反向传播怎么求导
  • 优缺点
• dropout
  • 原理*13
  • 作用 *2
• RNN
  • Markov和RNN的区别
  • 原理/示意图*8
  • 如何训练（推BPTT）*3
  • 不收敛怎么办
  • rnn为什么会梯度消失*6
  • RNN的梯度爆炸怎么解决 *6
  • 优势*2
  • lstm
    • 画图/原理*26
    • 参数量
    • 为什么可以解决梯度消失*11
    • 怎么优化？
    • 与rnn区别*3
    • 为什么用lstm做时间序列预测而不用传统方法？
    • 遗忘门是一个数值还是向量?维度是多少?
    • 对于RNN的改进地方在哪?
    • 解决了RNN的什么问题：梯度弥散
    • 还有什么方式解决梯度消失：relu，bn，合理初始化
    • 遗忘门是一个数值还是向量?维度是多少?
    • 与GRU区别*3
  • GRU：
    • 推导/图*6
    • 为什么可以解决梯度消失*3
  • mrelu-GRU
  • 并行RNN
  • attention的机制、公式推导 *1
  • convLSTM*2
  • 正则化方法：AR以及TAR
• sequence to sequence

• CNN：

  • 介绍CNN原理/图示、公式*23
  • 怎么实现的？比如caffe中
  • CNN对NN的改进之处？
  • 权值共享
  • 除了图像用卷积，还有什么能用
  • 卷积层的工作流程？作用？ *5
  • group convolution
  • dnn与cnn区别
  • 卷积时间复杂度
  • 计算经过卷积操作后的feature map大小
  • pooling原理*2
  • pooling的作用*3
  • pooling层怎么反向传播*2
  • 看过图卷积网络没有?
  • 3D卷积看过吗？
  • TensorFlow内部是如何实现卷积的
  • 卷积的局限性
  • 计算感受野、参数数量 *35
  • 感知野（感知野其实就是在多个kernel做卷积的时候的窗口区域，就是3个3*3等于1个7*7的感知大小）的作用
  • 卷积的作用
  • 池化层
    • 有哪些： max pooling我蠢到说提取最有特征的特征，其实就是最具有代表性的特征；average pooling提取的是比较general 的特征；global average pooling用来分类的，因为后面网络的加深，full connected layer参数太多了，不容易训练，为了快速准确得到结果，采用global average pooling，没有参数，但是得到的分类效果跟FC差不多。
    • 作用
    • 反向传播时怎么计算
  • 手写代码，设计tf网络，实现32*32的图像10分类
  • 如何用cnn做多分类
  • FCN,DeepLab v1 v2 v3的区别，和DeepLab和PSPNet有什么区别呢？
  • inception
    • 原理/图*13
    • 多通路并列的作用
    • 1 * 1卷积的作用 * 5
  • CNN为什么比DNN在图像识别上更好
  • NIN：
    • 特点
    • 比vgg好在哪里
  • GoogleNet
  • vgg
    • 原理/图示 *6
    • 1 * 1的卷积核的作用 * 4
    • VGG使用3*3的卷积核最大的优势是什么 *3
    • 比较VGG和LeNet
    • 与resnet哪个参数多？
  • ResNet
    • 原理 *17
    • bn在哪
    • 好处
    • 在什么情况下比densenet效果好，什么情况下反过来
    • 与densenet区别
    • 画图
    • 为什么用恒等映射 *2
    • ResNet主要解决的问题是什么 *4
    • 为什么深度深难优化？*3
  • r-cnn *3
  • mobileNet*3
  • shuffleNet
  • faster-rcnn
    • 原理*13
    • rpn流程*2
    • fasterRCNN做了region pooling后，图片大小不能整除导致中间的特征不好感知到怎么办
    • RPN层的作用是什么
    • rpn原理
    • RPN网络中的anchor
    • roi的作用是什么
    • anchor选的太大或太小有什么影响
    • 正负样本选取的时候为什么用0.7和0.3的超参，与nms使用0.3的超参是否有关
    • smooth l1损失为什么不用l1，为什么不用l2
    • w，h回归的时候为什么要用log
    • x，y回归的时候为什么用除法
    • rpn可否单独拿出来应用等等。
    • 与rcnn有什么区别
  • xception
  • yolo
    • 原理*5
    • yolo与ssd的区别
  • fpn
  • SPP
  • ssd
    • 原理*4
    • 与f-rcnn区别*2
  • R-FCN
    • 与faster-rcnn区别？
    • 怎样理解R-FCN的PS RoiPooling
    • RPN中正负样本的阈值为（0.7、0.3），中间（0.3-0.7）的不选用会有什么后果？为什么需要把正负样本的阈值设定在这两个相隔较远的值？
  • depthwise-CNN
    • 原理*2
    • 1*1卷积核的作用

• GAN

  • 原理* 8
  • gan在实际实现中的loss是什么
• 为什么会梯度消失、如何避免梯度消失 * 8

• 过拟合

  • 如何防止/如何提高一个网络的泛化能力？*16
  • 原因*2
• 优化
  • GD和SGD的区别*5
  • adam二阶矩是什么？为什么要用二阶矩
  • sgd、adagard、adam的原理 *16
  • 优化器选择？
  • sgd各个参数怎么设置？
  • 权值衰减这个参数怎么设置？
  • 三种梯度下降各自的原理、优缺点 * 2
  • 动量方式的梯度下降 *4
• 学习率是如何设置的，如何调参 *6
• 深度学习的话，如果一个模型没有办法收敛，是不是说明这个模型就没用了
• 造成不收敛的原因有哪些
• clipping gradient的概念，目的是什么
• 按照你的经验，深度学习的待学习的参数量和训练样本数量之间的关系。
• TensorFlow interactivesession 和 session的区别
• 深度学习框架的底层实现
• Data Augmentation
• 初始化
• 深度学习的适用场景
• 深度学习为什么效果这么好
• 深度学习与传统方法的区别
• 深度学习的特征怎么和传统特征结合

项目相关

• lda *8
• 分词的算法原理
• cv如何做数据增强*6
• 深度学习超参数如何设置？有什么心得体会
• LSH：相似文档、相似图片
• nlp中未登录词怎么处理？
• 两个矩阵，23和33矩阵，拼成一个2*3的，tensorflow怎么操作
• 如何衡量两个句子相似度
• 如何处理数据不平衡问题*10
• deepfm图
• pnn图
• fnn图
• fm,fmm*35
• OneHot的作用：将特征映射到欧氏空间，更合理的计算距离或者相似度度量，表达上更合理
• doc2vec
• 手写tensorflow的图像分类代码
• fasttext
  • 原理*2
  • softmax用在哪里？
• word2vec
  • word2vec 属于监督学习还是非监督学习
  • 是怎样实现的、原理？*18
  • negative sampling怎么做，为什么这么做*2
  • 如何加速word2vec的训练
  • 为什么用霍夫曼树做?
  • 怎么用哈夫曼树编码的。
  • fasttext和word2vec的区别
  • 如果想用fasttext（有监督）实现word2vec（无监督）的效果，应该怎么改
  • 预训练word2vec加入到模型中是作为参数还是变量（dynamic or static）
• wide and deep模型
• sift特征和hog特征
• 特征工程怎么做的，怎么离散化的
• 图像预处理的方法
• 特征工程你一般怎么做 *4
• 推荐算法：
  • 如何解决冷启动
  • 协同过滤里面怎么细分？细分之后的算法举出几个？
  • 框架
  • 协同过滤的itemCF，userCF区别适用场景
  • 基于商品的协同过滤，公式实现
• 关联规则， 关联规则具体你知道哪些算法？：Apriori和FP-Growth
• tf-idf
  • tf、idf分别是什么
  • 关键字怎么提取的，TF-IDF有改进么，怎么改进的
• 命名实体怎么得到的，原理了解
• 归一化方法
• 机器学习中对样本数据不平衡的情况有哪些解决方法 *5
• 项目分工
• 说说你最近看过的一篇paper

场景题

• 用户搜索的时候，给一个query会得到相关的搜索结果，如何根据搜索结果去判断两个query的相似度
• 有高德地图的全部权限，怎么预测道路拥堵情况。
• 数据中有20%的噪声，标签不准确，怎么解决这个问题？
• 在上一题的基础上，视频和微博这两个渠道有哪些直接的，自动化的特征可以利用？（意思是不用人工筛查，不用复杂的图像检测）
• 有一个地理坐标，怎么从我所有的几千万几百万个poi中快速查询到离它最近的几个。我是想答分治、分层索引之类的，但是面试官实际是在问，怎么设计数据结构能最快，怎么把x,y这样的坐标对存成key，没答上让他满意的答案。
• 问了一个实际场景，用户输入一个坐标，怎么推送给他合适的POI。问题描述的有点不清楚，我理解的也有点懵。先说根据用户特征、相似和社交关系等做个性化推送。又说如果训练数据中用户信息不是完全标注好的，就是半监督问题，可先对POI聚类或者embedding等。
• 怎么设计一个判断潜在付费用户的系统，考虑哪些因素？
• 文本二分类的场景，问怎么提取特征，怎么设计评价指标，怎么调节超参数。
• 给两万个样本数据，每个数据输入参数五百个，请问有什么可能会出现的问题并且怎么解决，如果用lr和svm能不能使用。
• 有1T 的数据，10亿个不重复单词，给你一台机器，16G的内存和5T的内存，怎么统计每个单词的个数?
• 如果给你一些数据集，你会如何分类（我是分情况答的，从数据的大小，特征，是否有缺失，分情况分别答的）
• 有一个1000w的大样本，怎么样抽取得到一个10w的小样本，小样本还能基本代表大样本，保持大样本的特性。（我说的是boostrap抽样，有放回抽取n组小样本，然后估计总体均值方差分布，然后重新抽样。。但面试官不满意。。。后来说的是用bagging的思想，抽取不同的小样本然后做任务的时候多数投票机制（各种转移注意力）。。）
• 有一个无限长的数字序列，大到存储其中所有数是不可能的，序列不断传输过来，在某一个时刻喊停，要求以均等概率返回之前已经传过来的某一个数。每过来一个数，就以1/n的概率保留，这样只要存当前留下来的数返回就可以了。
• 怎么进行恶意刷单检测识别
• 10W用户数据，其中有5%label是错的，问这几个算法把错误的数据找出来并赋予正确的类别…
• 怎么判定两个文本的相似度。
• 给你一个检测的项目，检测罐装的可口可乐，瓶装的可口可乐作为负样本，怎么弄？
• 用mapreduce实现10亿级以上数据的kmeans
• 检测20类物体，多少张训练集，怎么训练。
• 10亿个32位的数据，放到4G的空间里，怎么找出只出现一次的数据的个数。
• 人脸识别是怎么做的，例如在机场的场景下，如何通过人脸识别技术找出潜在的危险分子
• 检索问题怎么优化检索建立
• 菜鸟无人仓机器人从A到B，需要多个机器人到达，怎么样效率最高？
• 海量数据中找中位数（数据有100G,内存只有1G）：利用外部排序确定，或者可以用两个堆
• 文件里包含了大量URL，每行一个，其中有很多重复。编写一个方法，输出出现次数前5多的URL
• 两个文件，特别大的文件A和B，A50G,B10G，一台电脑，内存2G，硬盘无限大，让你求两个文件的交集，差集
• 我有一个32位的id是唯一的，那么我想压缩一下，让他还唯一，怎么压缩
• 你觉得滴滴打车的拼车价是怎么计算出来的，详细描述。（路径规划，订单预测之类的）
• 你觉得滴滴打车的溢价，1.1倍，1.2倍，这些数值是怎么计算出来的？（订单预测，当前司机数量），目的是什么？
• 如何识别两个不同的场景（环路和高速公路）
• 有一个业务系统，每天要处理1000万次服务请求，如何设计这个系统？
• 10亿个32位正整数，求不同值，只给1GB内存

参考资料

• 菜鸟实习面试题分享：https://www.nowcoder.com/discuss/76939
• face++旷视面经：https://www.nowcoder.com/discuss/76125
• 携程大数据分析一面挂：https://www.nowcoder.com/discuss/76057
• Face++算法实习面试经过：https://www.nowcoder.com/discuss/76016
• 阿里新零售算法一面二面面经 明天三面攒人品：https://www.nowcoder.com/discuss/76003
• 拼多多算法面经：https://www.nowcoder.com/discuss/75998
• 网易互娱数据挖掘一面面经：https://www.nowcoder.com/discuss/75992
• 微盟算法工程师岗：https://www.nowcoder.com/discuss/75958
• Face++算法岗一面挂经：https://www.nowcoder.com/discuss/75901
• 西安应用研究面经，写出来攒人品：https://www.nowcoder.com/discuss/75820
• 美团点评 机器学习/数据挖掘工程师 面经：https://www.nowcoder.com/discuss/75787
• 华为春招实习记录：https://www.nowcoder.com/discuss/75613
• 阿里巴巴算法实习（四轮技术面+一轮HR面） 已拿到offer：https://www.nowcoder.com/discuss/75581
• 阿里算法-图像图形一面面经：https://www.nowcoder.com/discuss/75519
• 阿里机器学习七面面经：https://www.nowcoder.com/discuss/75360
• 腾讯 北京 应用研究一面：https://www.nowcoder.com/discuss/75266
• 腾讯应用研究岗一面：https://www.nowcoder.com/discuss/75239
• 腾讯应用研究实习面经：https://www.nowcoder.com/discuss/75338
• 机器学习算法面经（腾讯阿里网易）：https://www.nowcoder.com/discuss/75166
• 微众数据算法笔试面经：https://www.nowcoder.com/discuss/75143
• 2018春招科大讯飞，华为，神策数据，今日头条面经：https://www.nowcoder.com/discuss/75136
• 腾讯 机器学习岗啊呀呀我的处女面：https://www.nowcoder.com/discuss/75000
• 新鲜出炉的腾讯应用研究-机器学习面筋：https://www.nowcoder.com/discuss/74984
• 实习春招-腾讯/阿里/华为-面经【持续更新】：https://www.nowcoder.com/discuss/74954
• 京东春招实习，算法工程师迟到面经：https://www.nowcoder.com/discuss/74759
• 腾讯应用研究一面 武汉：https://www.nowcoder.com/discuss/74725
• 头条算法工程师实习4.14二面凉凉：https://www.nowcoder.com/discuss/74484
• 4.14 头条大数据岗：https://www.nowcoder.com/discuss/74470
• 腾讯新闻算法实习面经：https://www.nowcoder.com/discuss/74301
• 阿里内推算法-图形图像方向，三面结束，总结面经祭奠一下：https://www.nowcoder.com/discuss/74234
• 网易互联网人工智能事业部计算机视觉岗面试总结：https://www.nowcoder.com/discuss/74187
• 4.13京东数据研发一面：https://www.nowcoder.com/discuss/74056
• 网易游戏伏羲实验室人工智能研究员 面经(两轮技术+一轮hr)：https://www.nowcoder.com/discuss/74033
• 腾讯线路面试聊天20分钟，一面挂：https://www.nowcoder.com/discuss/73887
• 腾讯应用研究-机器学习一面跪，给大家参考一下问题：https://www.nowcoder.com/discuss/73806
• 阿里机器学习实习岗，两面技术面之后流程到了人力部门：https://www.nowcoder.com/discuss/73612
• 腾讯一面面经分享~攒好运：https://www.nowcoder.com/discuss/73582
• 腾讯滴滴阿里三星实习面经：https://www.nowcoder.com/discuss/73306
• 华为面经 大概是收到offer了吧：https://www.nowcoder.com/discuss/72870
• 小米科技面试全过程：https://www.nowcoder.com/discuss/72155

• 算法渣第二部-阿里

  滴滴

  小米

  搜狗（你知道什么是绝望么）：https://www.nowcoder.com/discuss/72113

• 今日头条 AI Lab计算机视觉 实习 远程一面 挂：https://www.nowcoder.com/discuss/72025
• 阿里菜鸟网络现场二面+HR面试：https://www.nowcoder.com/discuss/71927
• 2019届实习机器学习岗经验贴：腾讯，阿里，商汤：https://www.nowcoder.com/discuss/71919
• 今日头条算法实习生2轮面经：https://www.nowcoder.com/discuss/71610
• 昨天头条算法面经：https://www.nowcoder.com/discuss/71505
• 机器学习/深度学习 问题总结及解答：https://www.nowcoder.com/discuss/71482
• 平安科技面试（及格）：https://www.nowcoder.com/discuss/70955
• 等了一周的微信三面：https://www.nowcoder.com/discuss/70988
• 新鲜出炉的头条&滴滴&微信算法面经：https://www.nowcoder.com/discuss/70998
• 美团点评 数据挖掘和算法 面经：https://www.nowcoder.com/discuss/71109
• 蚂蚁金服：https://www.nowcoder.com/discuss/71480
• 阿里算法二面新鲜热辣：https://www.nowcoder.com/discuss/69823
• 滚烫的阿里机器学习算法实习岗面经：https://www.nowcoder.com/discuss/69401
• 微信部门面试：https://www.nowcoder.com/discuss/69036
• 阿里机器学习一面面经：https://www.nowcoder.com/discuss/68217
• 算法实习面试经验分享：https://www.nowcoder.com/discuss/68431
• 阿里机器学习面试（高德地图）：https://www.nowcoder.com/discuss/77119
• 腾讯暑期实习生面经：https://www.nowcoder.com/discuss/68953
• 算法渣说一下自己碰到的算法面试：https://www.nowcoder.com/discuss/68828
• 迟来的面经，回馈牛客：https://www.nowcoder.com/discuss/67952
• 2017秋招算法岗位一点点小面经：https://www.nowcoder.com/discuss/70012
• 网易互娱 数据挖掘研究员 面经（offer）：https://www.nowcoder.com/discuss/78275
• 阿里算法工程师面试经历2018/4（加拿大留学生）：https://www.nowcoder.com/discuss/78289
• 找实习真的累，跟风分享波面经吧~ 精：https://www.nowcoder.com/discuss/77936
• 阿里offer，终于等到了offer call，内附面经：https://www.nowcoder.com/discuss/79365
• 美团点评机器学习面经：https://www.nowcoder.com/discuss/79207
• 一个菜鸡算法的实习面经(蚂蚁 美团 七牛云 爱奇艺 深信服) ：https://www.nowcoder.com/discuss/79327
• 腾讯机器学习面经：https://www.nowcoder.com/discuss/79407
• 双非渣硕2018秋招春招面经，请各位大佬开喷，反正我不会回复：https://www.nowcoder.com/discuss/79529
• 春招找实习经历回馈：https://www.nowcoder.com/discuss/77702
• 牛客史上最水算法面经：https://www.nowcoder.com/discuss/77758
• 双非沫硕春季找算法实习经历（附心得体会及大量面筋~）：https://www.nowcoder.com/discuss/77795
• 头条一面：https://www.nowcoder.com/discuss/81871
• 头条一级部门Data如何？收到推荐算法offer，面经如下：https://www.nowcoder.com/discuss/80875
• Momenta算法实习面经：https://www.nowcoder.com/discuss/80837
• 【头条AI lab&百度】转专业美国渣硕的机器学习面经：https://www.nowcoder.com/discuss/80846
• 谷歌，微软，阿里，美团实习生面经 ：https://www.nowcoder.com/discuss/81353
• 无比曲折的阿里机器学习实习面试经历，附面经：https://www.nowcoder.com/discuss/80033
• 拼多多 算法岗位 三面面经：https://www.nowcoder.com/discuss/81880
• 阿里三面面经：https://www.nowcoder.com/discuss/76388
• 阿里算法工程师面经：https://www.nowcoder.com/discuss/83485
• 记录第一次互联网面经Momenta：https://www.nowcoder.com/discuss/83155
• 2018年5月份找实习经历（计算机视觉与深度学习岗）：https://www.nowcoder.com/discuss/83377
• 春招实习总结，算法岗：https://www.nowcoder.com/discuss/80357
• 58算法岗远程面试 二面or三面失败面经：https://www.nowcoder.com/discuss/80547
• 携程金融北京部的算法岗一面面经：https://www.nowcoder.com/discuss/80550
• 小弱鸡的春招算法实习面经：https://www.nowcoder.com/discuss/79584
• 百度cv实习算法工程师面经：https://www.nowcoder.com/discuss/74885
• 【AI算法】美团2019校招AI算法提前批面经（已拿两部门offer）：https://www.nowcoder.com/discuss/88679
• 【算法】招银信用卡中心AI面试：https://www.nowcoder.com/discuss/120676
• 【算法工程师】百度AIG一、二面面筋：https://www.nowcoder.com/discuss/98541
• 网易互娱一二三面（AI 工程师）：https://www.nowcoder.com/discuss/112298
• 网易游戏AI研究员面经：https://www.nowcoder.com/discuss/98305
• 【AI】平安人寿AI研发团队算法面经https://www.nowcoder.com/discuss/92701
• 热乎乎的招银成都面经https://www.nowcoder.com/discuss/118423
• 顺丰提前批人工智能岗技术面面经【这回大概真的凉了？】https://www.nowcoder.com/discuss/92370
• 【算法】vivo人工智能语音算法工程师面经：https://www.nowcoder.com/discuss/115049
• 【算法岗】【vivo人工智能语音算法岗】一面(技术面)面经https://www.nowcoder.com/discuss/92260
• 【算法】【vivo人工智能语音算法岗】二面HR面面经https://www.nowcoder.com/discuss/95197
• 【人工智能岗】中国银联面试经历分享https://www.nowcoder.com/discuss/91333
• 【算法工程师】银联武汉人工智能开发刚面完，热乎着https://www.nowcoder.com/discuss/91879
• 【人工智能】广州网易游戏-人工智能岗https://www.nowcoder.com/discuss/97818
• 【人工智能】网易互娱人工智能研究工程师一面https://www.nowcoder.com/discuss/97689
• 【人工智能】记一次难忘的面试，网易伏羲人工智能研究员5面面经https://www.nowcoder.com/discuss/97427
• 【人工智能研究工程师】网易互娱人工智能研究工程师一面：https://www.nowcoder.com/discuss/97689
• 【学习算法工程师】深信服机器学习算法工程师一面面经https://www.nowcoder.com/discuss/87545
• 【算法】百度-机器学习（已offer-手百推荐feed流）：https://www.nowcoder.com/discuss/121233
• 【算法】百度算法岗（机器学习）酱油o.o：https://www.nowcoder.com/discuss/111758
• 【算法】秋招面试–百度机器学习面经–更新至二面：https://www.nowcoder.com/discuss/111385
• 【算法】秋招面试–百度机器学习一面：https://www.nowcoder.com/discuss/109158
• 【算法】华为-海外提前批-1技术，2综合，3boss-机器学习算法：https://www.nowcoder.com/discuss/95240
• 【算法】华为-海外留学生提前比-机器学习算法https://www.nowcoder.com/discuss/95240
• 【人工智能与机器学习】顺丰科技内推提前批人工智能与机器学习HR面，凉凉面经https://www.nowcoder.com/discuss/88906
• 【机器学习】顺丰科技机器学习https://www.nowcoder.com/discuss/89042
• 【机器学习与人工智能工程师】顺丰机器学习与人工智能工程师面经https://www.nowcoder.com/discuss/91192
• 【机器学习】[阿里蚂蚁]IOT实验室-机器学习算法-一面面经https://www.nowcoder.com/discuss/92851
• 【机器学习算法】阿里蚂蚁金服-机器学习算法-二面https://www.nowcoder.com/discuss/93959
• 【算法】阿里蚂蚁-机器学习算法工程师-三面https://www.nowcoder.com/discuss/95225
• 【算法】美团点评机器学习算法工程师面筋：https://www.nowcoder.com/discuss/111220
• 【算法】实习面试–腾讯机器学习面经：https://www.nowcoder.com/discuss/111388
• 【算法】小米机器学习算法工程师面经：https://www.nowcoder.com/discuss/128590
• 【算法】vivo机器学习面经：https://www.nowcoder.com/discuss/113367
• 【算法】vivo机器学习算法工程师视频一面面经https://www.nowcoder.com/discuss/93329
• 【算法】秋招第一次走完全程，vivo机器学习面经https://www.nowcoder.com/discuss/93521
• 【机器学习算法岗】菜鸟的面试：科大讯飞和作业帮https://www.nowcoder.com/discuss/90245
• 【算法】网易互娱面经数据挖掘/机器学习算法（10.9更新二面）：<https://www.nowcoder.com/discuss/121338
• 【算法】网易云音乐机器学习面经：https://www.nowcoder.com/discuss/99349
• 【机器学习算法】360手机卫士-机器学习算法研发工程师 面经https://www.nowcoder.com/discuss/97260
• 【算法】虹软机器学习算法工程师初面面经【貌似没什么用】https://www.nowcoder.com/discuss/97154
• 【算法】快手【机器学习】记录~：https://www.nowcoder.com/discuss/102265
• 【算法】快手机器学习算法工程师凉面（经）：https://www.nowcoder.com/discuss/101927>
• 【机器学习】快手【机器学习】记录~：https://www.nowcoder.com/discuss/102265
• 【机器学习】快手机器学习算法工程师凉面（经）：https://www.nowcoder.com/discuss/101927
• 【算法】贝壳机器学习算法面经：https://www.nowcoder.com/discuss/124931
• 【算法】【数据挖掘】贝壳找房三轮现场面（机器学习/数据挖掘岗）8.26：https://www.nowcoder.com/discuss/99190
• 【算法】贝壳-机器学习面经：https://www.nowcoder.com/discuss/99153
• 【算法/机器学习】【春招+秋招】个人多厂面经分享：https://www.nowcoder.com/discuss/126457
• 【机器学习岗】2018年机器学习岗面试干货(京东／华为／美图／招银)：https://www.nowcoder.com/discuss/108820
• 【算法】2018春招秋招算法机器学习岗面经（阿里、腾讯、美团、携程）：https://www.nowcoder.com/discuss/106725
• 【机器学习/数据挖掘岗】机器学习/数据挖掘岗2019秋招总结：https://www.nowcoder.com/discuss/138721
• 【算法】机器学习相关面经总结，可自查：https://www.nowcoder.com/discuss/102895
• 【计算机视觉】透心凉的百度-计算机视觉-一面面经https://www.nowcoder.com/discuss/90591
• 【算法开发工程师】OPPO2019提前批计算机视觉算法开发工程师凉经：https://www.nowcoder.com/discuss/138577
• 【算法】计算机视觉算法岗面经：两万字啊你确定不看看：<https://www.nowcoder.com/discuss/128148
• 【视觉计算】CVTE研究院视觉计算一面玄学挂https://www.nowcoder.com/discuss/88751
• 【视觉计算】CVTE视觉计算一面面经https://www.nowcoder.com/discuss/88856