CV深度学习算法岗面试准备

本次秋招我是从6月份开始准备的，到现在签署了三方已接近尾声。从原本不知道怎么准备，到一点点看牛客面经，最后收获了远超预期的offer，十分感谢牛客网友的分享和师兄师姐的帮助。

鉴于牛客上对各个公司面试题和流程的分享已经很全面了，这里想结合自己准备经历以及面试官的角度（实习转正后帮老东家面了一些候选人）分享一下CV深度学习算法岗位需要准备的知识体系，以此回馈牛客网和实验室的同学们。

先介绍下个人情况：

国内Top20+的985非科班渣硕，无顶会，两篇水会，本科+硕士阶段各有一段实习经历（国内自动驾驶独角兽和国内CV头部独角兽），参与一个开源项目，有竞赛（但没被问过），Leetcode250题左右。

定位算是一个实习比较多的没有顶会的普通硕士，一共投了十几家公司，都是自动驾驶和CV方向的。最后收获的offer有：大疆、商汤、旷视、百度、依图、滴滴、图森、地平线、海康、蔚来等。

整体感觉面试官最关注我的实习经历，还有我做了三年的小众方向（三年没一篇顶会也是够菜了），不过基础知识是敲门砖，起码在我面试时占了很大一部分。

简单介绍一下面试的评分问题，大部分公司面试是采取打分制度，比如1到5分，或者ABCD这种，而不是只有通过/不通过两种选项。评分越高，相应的评级和薪资也就越高，如果出现了较低的评分可能就不安排后续面试了。所以在学习基础知识或是刷题时尽量早点准备，和考试一样，分数的上限是比较高的。希望有时间准备的同学可以追求高评级，而不是担心能不能通过面试。

前两三轮的技术面试重点考察论文项目（科研竞赛能力）、基础知识以及编程能力（工程能力），也会有一些开放性问题。科研能力和工程能力往往可以互补，即如果科研能力特别强，对工程能力的要求会稍微放宽，反之亦然。但是如果想拿到比较高的评级，有时间准备的话尽量二者兼顾。老板让我面一些博士同学的时候特意嘱咐要考察代码能力，所以如果确定去互联网发展的博士同学们也尽量抽时间刷刷Leetcode（论文巨佬除外）。

硕士同学们如果有扎实的工程能力会让面试官眼前一亮，较强的编程能力和基础知识积累会有更好的可塑性，也会在前几轮面试中获得更高的评分。如果前几面评分较高，之后的leader面基本就是谈人生谈理想，或者安利你来他们组了。

下面分享下需要准备的知识：

（1）自己所研究方向的积累（※※※※※）

这部分很重要，因为反应了几年的积累，不是突击出来的，所以更有区分度。对于投CV算法岗的同学来说，在学校期间至少是有一个研究领域的。对于该领域的发展过程、近几年SOTA方法、此领域的难点问题及解决方法、工业界（落地时）常用方法、未来可以研究的一些点都要有很精细的认知。拿图像目标检测举例，首先要能讲清楚单阶段双阶段目标检测的pipeline，包括各种常用的argumentation，针对大小物体轻重量级或是Nas搜出的backbone，一阶段部分有多少种方法把GT分配到各个anchor上（正负、难易样本），怎样通过GT得到回归的target，或者anchor-free方法的heatmap如何计算，各种RoI pooling和NMS底层代码等等。总之就是要把用过的代码每一行都看懂（最好包括C++和CUDA部分），而不只是应用现有框架或是关注自己修改过的部分。对于这类问题的拔高部分，面试官可能选择深挖（一直挖到底层具体实现）或是考察广度（针对一个问题或现象提出很多种解决方法）。多数大SSP都是对其研究领域有很深理解，甚至超过面试官（面试官也有自己的几个研究方向，不一定完全match）。

（2）编程语言基础知识（※※※※※）

这部分也很重要，能不能很快看懂代码或是写出高效规范的代码，很大程度取决于对编程语言的熟练程度。Python和C++是CV算法工程师经常使用的两种语言，需要深入学习。Python上手简单但是想精通不容易，除了对基本数据类型、语法的学习，一些高级特性也是要掌握的，建议找本书或是视频课程（我是在B站上）完整系统地学习一遍。很多深度学习代码的底层都是C++或是CUDA实现的，而且公司更希望招到有造包（而不只是调包调参）能力的同学，所以建议系统学习一下C++（我还是在B站上），最好用C++刷leetcode题，最后看牛客面经和专栏整理一下C++常考的知识点突击背诵一下，就基本可以跟面试官说熟悉C++了（没人敢说精通...）。对于CUDA我建议有时间的同学好好看看，这部分属于拔高部分，不必须，但对评级加分有用。对于非专业高性能编程的岗位，了解GPU设备上的各种资源，掌握多核多线程编程的思想和一些常见的CUDA并行加速算法，基本就可以看懂由CUDA编写的ops了，这对于更细致的理解代码也有好处。CUDA的学习也是各种书籍、视频资源（没错还是B站）结合官方文档，动手实现一下会理解的更深。

（3）Coding题（※※※※※）

这部分很重要，刷Leetcode就完事了。其实CV深度学习算法岗对于coding题的要求没有开发岗那么高，论文少一些的建议刷200道以上就差不多了，当然多多益善。我刷了250道，整个秋招十几家公司面试手撕代码环节基本都能撕出最优解（除了竞赛级的解法）。博士同学我感觉刷Top100热题就差不多？面试官看论文多了在coding题上就不会特别难为候选人，有时候撕不出来说说思路可能也能过。但即使是没撕出来但这轮面试给过了，也会体现在评分评级上，所以有时间还是尽量刷够，各种类别题尽量都刷到。初次刷Leetcode建议按类别刷（递归、二叉树、队列&栈...），也可以看一些公众号（东哥的就不错）里面图文并茂的讲解。

此外一些特殊的深度学习常用算法（NMS、BN前向反向）或是海量数据题偶尔也会被考到（谁让咱们是做算法的，各种算法都要能很快上手），这类题建议在看面经时一点点攒起来。

（4）深度学习&机器学习基础知识（※※※※）

这部分知识点很多很杂，依个人能力和时间选知识点学习。深度学习知识的考点基本都在《Deep Learning》花书上，这部分我也没完全啃完，一部分是攒面经里的知识点或者在Github上有些针对面试的repo里找的。像各种（Depthwise、Group、转置、空洞）卷积、GEMM、BN、交叉熵等都是需要能讲明白的。一些基础网络（ResNet、MobileNet等）还有剪枝量化FP16等方法也属于深度学习的基础知识了。

机器学习的书籍和视频（b站）比较多，可以系统学习推导下经典算法。这部分知识有的我没有完全理解，先背下来面试时候也能答出来，看的次数多了有的自然就理解了。

（5）各种数学知识（※※※）

我也被问到过，但频率不是很高，像线性代数里各种矩阵操作、奇异值分解、求逆，以及李航老师的《统计学习方法》和一些经典智力题。有时间可以准备一下，没时间也可以攒面经。

（6）传统计算机视觉算法（※※※）

有些面试官也会问些传统视觉方法，包括直方图、各种算子、投影变换等。

（7）非自己所研究方向的积累（※※※）

关注下其他领域的先进CV和深度学习论文，可以拓宽解决问题的思路，对开放性问题和情景题有帮助。

（8）面经（※※※※※※）

个人认为的唯一六星知识点写在最后。不管准备的充不充分，在面一个公司前尽量在牛客上看一遍该公司的面经，没准会碰到差不多的题。对于没时间系统上面这些知识的同学，也可以通过攒面经的方式突击准备面试，效果不会太好但比不准备强。

能想到的方面暂时就这么多，第一次可能也是最后一次写面经，祝牛客网和实验室的同学们都能收获远超预期的offer。

#学习路径##深度学习##计算机视觉岗#