一个“普通人”的秋招算法岗上岸心得

一：秋招总结

1：心态：

秋招对大部分人来说都是一段非常难熬的经历，本身自己就已经是顶着很大的压力在求职，还要面对很多外界因素带来的影响，时常会给自己的心态带来非常大的波动。本来我在这一部分写了很大一段回忆自己遇到的一些搞心态的事情，但仔细想了想还是删了，以后有机会单独写一帖吐槽求职路上的奇葩经历，这里就写一些可能会影响到自己心态的方方面面，大家可以注意一下。

1）面试被拒：这应该是最常见的压力来源了，而且随着被拒的次数越来越多，压力也会成倍增加，对个人心态考验非常大。对我们这样的普通人来说，前期面试被拒再正常不过了，这时候一方面是要总结好失败的经验，另一方面也要寻找合理的宣泄途径，跟好朋友吐槽、打两把游戏等都是很有效的方法。

2）周边环境：我们一般都是和同届同学一起找工作，有些同学比较优秀，很快就拿到offer，这时候也有可能会对我们的心态有些影响。不过这是没有必要的，你直接去跟他取经就好了，能拿到offer大概率是有可取之处的，我当时就跟一个同学学到了很多东西。当然也不排除有些人拿到offer后在朋友圈装逼、散布焦虑情绪，这种我建议屏蔽或拉黑，同时也希望大家拿到offer后能低调一些，以己度人。

3）网络言论：每年在网上都会出现一个词来形容每年的算法岗状态，19年是"诸神黄昏"，20年是"灰飞烟灭"，不知道今年会是什么。但无论怎么说，都改变不了大部分人最终拿到offer的事实。这种问题其实挺唬人的，四月起这么个问题，大家都刚开始找工作没啥经验，碰壁了就去吐槽，造成一种算法岗无望的景象。但如果你十一月问这么个问题，很多回答应该就成了如何通过不断投简历、面试最终上岸某家公司，其实我身边的同学、朋友大部分也都是9月之后拿到了"定稿"的offer，10月、11月的也多的是，所以大家一定要稳住，尽量不要受到这种言论的影响。

其实在秋招中感受到痛苦是一件再正常不过的事情，但我也不敢跟你说："心态要好，不要在乎那些事情"，虽然这是对的，但经历过那种压力和痛苦就会知道完全做到这样几乎是不可能的，就跟世界上没有圣人一样。我给大家的建议就是首先要做好承受这一切的准备，秋招几乎不可能是一帆风顺的；另外当压力到来的时候，一方面要先做好总结，另一方面也要找到合理的宣泄方式，不要让一次的失利影响你太久。恐惧、失落、时常进行的自我怀疑，这都是秋招中的常态。一边痛苦，一边反思，在秋招中这是提高自己最快的方法。

2：刷题：

这是一个老生常谈的话题了，在互联网只要是技术岗，笔试面试都要撕题。我本人是从2020年2月中旬开始准备的，期间一共刷了400道题，总体感觉下来能应对几乎所有的笔试、面试场景了，印象里面试过程中碰到的题目全都撕出来了，笔试大概能通过80%的样子。接下来会说一些自己的小心得。

首先声明，我没有参加过编程比赛，本科学过C，学过基础的数据结构和算法知识，读研之后大部分时间使用python，整个刷题和笔、面试也都是使用python完成，可以说在刷题方面也是一个非常普通的人。

1）如果你像我上面说的一样，对刷题需要的算法（排序、链表、二叉树、图、动态规划等）没有过一个系统的学习，那我强烈推荐你去看左程云（左神）的算法课，个人感觉左神的课在深度和广度上都能覆盖整个秋招的范围。首先，如果你没有很好的算法基础，左神的课能让你对算法建立一个系统的认识，对基础的算法有很好的理解；另外，左神也会做很多扩展性的算法介绍，这些你可能没听过，但是不要紧，至少之后你在LeetCode评论区看到的时候不会一脸懵逼，知道这是个什么东西，大概解决了什么问题，然后再慢慢研究。总之，左神的课非常长也非常良心，希望大家能坚持看完（基础班我记得接近30小时），你一定会大有收获。再次对左神表示respect！

2）有了基础之后，接下来就是刷题。我建议大家先按照类别刷，比如链表相关的做个十几道，有个比较深入的理解，然后再去做二叉树、排序等，这样按照大类做下来之后，你就不会对题目感到陌生和惶恐了，看到题之后知道这大概是个什么事。然后我建议把《剑指offer》刷两遍，剑指非常经典，LeetCode也有剑指专题，很方便。之后就比较随意了，可以先把热题TOP100刷一遍，如果有时间也可以按照顺序再刷个两百道，感兴趣的话去参加周赛也挺好的（我没有参加过）。另外，牛客上也有大佬整理了每个公司出过的题目汇总，这也是不错的选择。对于出现频率非常高的题目，一定要多刷几遍，确保碰到就能秒了。

总之，在刷题这一块我一直有两个看法，一是如果你现在对秋招很迷茫很惶恐，不知道该准备些什么，那你就刷题去吧，至少这肯定是不会错的，另外就是在你有时间的基础上，刷的题目越多越好。根据我对周边同学的了解，最好是能刷到200道以上的题目，这样在面试中底气也会更足。

3：基础知识

基础知识是考验基本功的，包括机器学习和深度学习里面的一些基础的问题。这部分可能会问的比较广，需要系统地学习和整理。

这里推荐两本书：李航老师的《统计学习方法》和周志华老师的《机器学习》（西瓜书）。建议大家可以先深入地读一下《统计学习方法》，李航老师写的非常精炼，也比较"好懂"，碰到不懂的可以去看看西瓜书，两本配合食用效果更佳。知乎、博客上也有很多大佬们更通俗的解释，可以加深理解。《深度学习》（花书）也是非常好的一本书，但是太厚了，很难读完。建议当成工具书，碰到问题可以去专门的章节翻阅，可能会有意想不到的收获。在这个过程中最好准备一个笔记本，将公式的推导以及一些算法的流程和重点记录下来，能巩固记忆，查阅起来很方便，面试前也可以拿出来翻一翻。推荐大家用活页本，内容增添起来很方便。

除了看书以外，总结和整理也是至关重要的。有的问题你可能理解了，但是表达出来没那么专业，不够味。因此这部分我建议大家先去网上搜集一下面经，把里面提到过的问题都整理出来，然后自己总结出一个合理的答案，形成文档，以后碰到就这么回答就行了，这也就是网上有些人说的"八股文"。如果面试碰到了没有见过的问题，就把它加入到你的文档中去，确保以后碰到能够对答如流。我在后边也会把我整个秋招过程中碰到的比较常见的问题列出来，供大家参考。

总结一下，基础知识部分主要是学习+整理，当你的面试数量达到一定程度之后，这部分就几乎不是问题了。记住，一定要整理成文档，一定要整理成文档，一定要整理成文档！

4：论文/项目/比赛

这部分主要是个人的一些经历，是体现"个人价值"最重要的部分，也是简历上面试官着重会进行提问的。这部分因人而异差别很大，因此我只说一些小建议。

1）论文：首先强调一点，没有论文也是可以上岸的，没有论文也是可以上岸的，没有论文也是可以上岸的！我身边的同学，以及秋招中认识的朋友，很多也是没有论文的，但最后都能拿到比较满意的offer。不少人在论坛上说"没论文简历都过不了"，这绝对是缺乏数据支撑的。简历没过很大程度上是因为简历写的不好，或者部门不匹配。前者需要好好地琢磨一下简历的逻辑、布局，后者的话就找准方向多投就行了，肯定会有捞你的。如果有论文的话要想办法把自己论文的贡献点讲清楚，这部分我没有实践过，就不班门弄斧了。

2）项目：这一部分很多人有这样一种疑问："我项目做的很弱，就做了这点东西都不好意思讲出来"。其实这是很正常的，永远记住，大部分人都是普通人，岗位很多，不可能只招天才。你做的再一般，那也是完成了一个项目，也有项目背景、创新点、应用场景，也是能在某个场景下解决了某个问题，这其实就够了。只要你真的对项目投入了精力，对其有比较好的理解，一定是有可取之处的，证明你解决问题的能力是很不错的。接下来你需要做的就是如何把项目给面试官讲好，这里我还是建议大家像写演讲稿一样把你要将的东西整理成文档，不要只在大脑里凭空想，一定要写在文档里，先去找同学讲一遍，然后面试的时候发现某个地方讲的不够好，回来再继续改进，慢慢地就能将项目讲好了。记住，一定要自信！

3）比赛：这部分和项目比较类似，面试官比较感兴趣的是你解决问题的思路、采用的方法以及相比其他参赛者的方法的优势。和上述一样，最好是整理成文档，把比赛题目、算法设计思路、具体采用的方法以及最后和其他方法的对比和反思都写一下，面试的时候按照写好的逻辑来讲。比赛这里，优胜参赛者的解决方法也是比较重要的一点，面试中经常会问到，一定要去论坛把前几名的方法都大致看一遍，大致了解一下。

5：简历

简历是给面试官的第一印象，写一份好简历是求职过程中非常重要的开端。在这里也给大家几个小建议，大家写的时候可以注意一下。

1） 模板：简历模板尽量简约一些，不要花里胡哨的那种；

2） 照片：建议大家去比较专业的照相馆拍一组证件照，西服领带搞起来，这样看起来正式一些。

3） 项目介绍：这部分是简历最重要的地方，一定要仔细琢磨，每句话的存在都要有意义，都要体现项目中最"精彩"的部分，切忌废话连篇。另外，每个点的介绍都要胸有成竹，确保面试官问起来的时候能够对答如流，配合第四条中整理的文档食用效果更佳。

二：一些公司的面经

我大概是从五月底开始投简历的，从所记录的面经中挑了些比较有意义的供大家参考。同时我也给出了我对自己面试过程的评价，但不能代表所有人，大家尽量多去讨论区看一看，这个差异还是很大的。

1：美团

一面：

• 1)      自我介绍；
• 2)      项目介绍，上线、落地情况；
• 3)      介绍下LR，思想，LR里的最大似然是怎么回事；
• 4)      代码题：给出一个函数rand1，随机生成0和1，写一个函数randN，均匀生成0-N-1；
• 5)      代码题，计算根号N，精确到小数点后m位，二分法，梯度下降法。

二面：

• 1)      自我介绍
• 2)      计算机网络、操作系统学过没；
• 3)      多进程、多线程讲一下，内存占用方式，为什么线程是共享内存的；
• 4)      讲下项目，传统方法是怎么做的，有啥优点，是怎么部署的，几个人完成的，数据是怎么采集的，规模有多大；
• 5)      讲下比赛，几个人完成的，怎么分工的；
• 6)      有没有碰到过拟合，过拟合的标志是什么，怎么解决；
• 7) L1正则化为什么能缓解过拟合；
• 8)      有没有发论文；
• 9)      包含百万、上亿特征的数据在深度学习中怎么处理；
• 10)   降维方法有哪些，PCA是怎么做的，还知道其他的吗；
• 11) LR和神经网络有什么区别；
• 12)   代码题：字符串中长度为len的连续字串中，出现次数最多的字串；
• 13)   数学题：四个人过河，每次最多两人，有多少种过河方法。四人过河时间分别为1，2，5，10（分钟），问最快需要多久。AB，A回，CD，B回，AB，共17分钟。

三面：

• 1)      自我介绍
• 2)      比赛介绍，比赛的任务，前几名的团队都是怎么做的，你们的亮点在哪里；
• 3)      挑一个项目介绍；
• 4)      目前的offer；
• 5)      职业规划里最看重什么；
• 6)      反问。

HR面：（通过）

• 1)      本科和研究生期间比较骄傲的一件事情，比较遗憾的事情；
• 2)      为什么没有选择深造；
• 3)      最近最有挫败感的事情；
• 4)      对美团的了解；
• 5)      职业规划，工作城市的选择；
• 6)      对自己不满意的地方；
• 7)      反问。

2：字节

提前批一面：

• 1） 自我介绍；
• 2） 问项目，检测里改进了哪些点，GAN是用来干什么的，怎么用的；
• 3） 方向相关的一些知识；
• 4） 其他相关论文里用到的一些方法；
• 5） 撕题：手写nms。

提前批二面：

• 1） 自我介绍；
• 2） 介绍项目，面试官好像是做检测的，主要问了问检测的项目；
• 3） 检测任务有什么衡量指标（mAp），实现原理是什么；
• 4） 分类里用到的交叉熵公式是什么；
• 5） 讲了讲比赛里用到的一些点；
• 6） pytorch里function和module有什么区别；
• 7） pytorch里dataset、dataloader、sampler有什么区别；
• 8） python里的生成器是什么；
• 9） 撕题：LeetCode4：两个有序数组的中位数；

（三面挂了，没有记录。之后又到了三面，又挂了，提前批结束，共六面。）

正式批一面：（挂）

• 1)      自我介绍
• 2)      项目相关；
• 3)      生成对抗网络是怎么用的；
• 4) CRNN的思想，CTC的思想，CTC中有没有训练参数；
• 5)      姿态估计相关项目；
• 6) TCP/UDP的区别，计算机网络，分布式，数据库，多进程和多线程；
• 7)      概率题：在一个圆里随机取n个点，它们在同一个半圆的概率是多少？

正式批一面：（被捞）

• 1)      自我介绍；
• 2)      先写个题，LeetCode33：搜索旋转排序数组；
• 3)      项目介绍；
• 4)      进程和线程的区别；
• 5)      逻辑回归的损失函数是什么，怎么得到的，为什么不能用MSE，sigmoid求导是什么；
• 6) ResNet的设计理念，InceptionNet的设计理念；
• 7)      如何防止过拟合；
• 8) BN层的作用，Dropout的作用。

正式批二面：

• 1) L1和L2哪个能使参数分布趋于稀疏，为什么；
• 2)      特征选择的方式；
• 3)      连续特征离散化的好处；
• 4)      偏差和方差的理解；
• 5)      过拟合和欠拟合；
• 6) BN和LN的区别；
• 7) PCA的处理过程；
• 8)      栈空间和堆空间的区别；
• 9) BP的过程，CNN中前向传播和后向传播的过程；
• 10)   代码题：LeetCode138：复制带随机指针的链表
• 11)   代码题：LeetCode543：二叉树的直径

正式批三面：（通过）

• 1)      自我介绍；
• 2) random7生成random10，调用次数的期望是多少，怎么算的；
• 3)      代码题：LeetCode146.LRU缓存机制，并发式怎么处理，数据量特别大，需要进行分布式存储怎么处理；
• 4)      反问。

3：小米

一面：

• 1)      自我介绍；
• 2)      生成对抗网络在哪里用到的，起什么作用；
• 3)      损失函数是什么；
• 4)      知识蒸馏是怎么做的；
• 5) Focal Loss的计算式；
• 6)      代码题：排序数组中某个值出现的次数。

二面：（通过）

• 1.      自我介绍；
• 2.      讲一下项目中的难点以及是如何解决的；
• 3.      代码题：面试题01.07.旋转矩阵；
• 4.      对工作地点有什么想法；
• 5.      为什么没出去实习；
• 6.      反问。

4：旷视

一面：

• 1)      自我介绍
• 2)      天池比赛项目；
• 3) focal loss的设计，落地情况；
• 4)      相关方向算法介绍；
• 5) crnn相关，gan相关；
• 6) bn层的原理，要解决什么问题，还有什么norm方法；
• 7) dropout原理，bn和dropout能不能一起用；
• 8)      代码：给定一个序列，求其连续子序列和大于某个值的最小长度。

二面：

• 1)      自我介绍；
• 2)      项目介绍；
• 3)      熟悉哪些检测网络，介绍一下思想；
• 4) CTC Loss的动态规划求解过程；
• 5) Softmax公式，溢出怎么处理；
• 6) N个城市之间建一个仓库，使得距离所有城市的距离和最小；K个仓库呢；
• 7)      一个车辆围着圆圈跑，有一分钟每圈和两分钟每圈两种状态，在P点有30%的概率进行状态切换，问无数圈之后在P点等到车的时间的期望；

旷视三面（线下面的，当时忘了记录，只能记住一点点了）：

• 1)      相关方向的学习历程；
• 2)      降低网络复杂度但不影响精度的方法；
• 3)      反问；

HR面（同上）：

• 1)      意向城市；
• 2)      意向部门；

5：腾讯

一面：（挂）

• 1)      自我介绍
• 2)      项目的应用范围
• 3) BN的原理，要解决的问题，公式，训练测试中的区别
• 4)      卷积层和BN的融合知道吗？
• 5)      如果让模型速度提高一倍，有什么解决方案？
• 6)      代码：数组中第K大的数。Partation的时间复杂度

6：大华

一面：

• 1)      部门介绍
• 2) YOLOV3和YOLOV2的主要区别，loss上哪里不同，smoothL1 loss的好处，Yolo里是向上取整还是向下取整
• 3) mean pooling和max pooling反向传播的不同
• 4) LSTM的反向传播，公式
• 5) Pytorch中bn层在训练和测试中有什么不同，怎么实现的
• 6)      可分离卷积的思想，参数量计算
• 7) Pix2pix和cycleGan的区别

二面：

• 1)     浮点数的二进制存储方式；
• 2)     如何将浮点数的每一位二进制打印出来；
• 3)     方差和协方差的理解；
• 4)     伯努利分布和二项分布的区别；
• 5) FFT和DFT的区别；
• 6)     数字图像处理中，卷积(convolution)和互相关(cross-correlation)的关系；
• 7) Python中类方法和静态方法的区别；
• 8) Linux下查看内存占用（top），buffers和cache的区别；

7：商汤

一面：

• 1)      自我介绍
• 2)      项目介绍，蒸馏方法是怎么用的；
• 3)      对我们的开源项目提意见；
• 4) Focal Loss解释；
• 5)      凸函数的性质；
• 6)      如何评价两个分布的相似度，KL散度怎么计算；
• 7) Auto-Encoder是什么，都用在什么任务上；
• 8) Distribute用过没，优点是啥。

二面：

• 1)      自我介绍；
• 2)      介绍下项目中检测相关的部分；
• 3)      检测里为什么选择refineDet；
• 4) Conv和BN融合后点数掉的太多怎么办；
• 5) Anchor-free的优势在哪里；
• 6) Focal loss在什么情况下有用，什么情况下不起作用；
• 7)      实现sigmoid函数，怎么防止溢出，误差分析。

8：海康

一面：

• 1)      自我介绍；
• 2)      项目介绍，数据集是怎么选择的，图像大小大是多少；
• 3)      比赛介绍；
• 4)      快排思想，最差时间复杂度；
• 5)      反问。

二面：

• 1)      自我介绍；
• 2)      代码题：IOU计算；
• 3)      代码题：LeetCode123.买卖股票的最佳时机 III
• 4)      项目介绍；
• 5) Faster RCNN和SSD的区别；
• 6) Focal Loss的使用场景；
• 7)      反问。