腾讯实习算法岗面经（已oc）

腾讯teg

一面：（30min）

腾讯会议面试，面试官的耳机声音听不清，我反馈了一下，所以就先做题了，问了道topk，我用最小堆实现，调了优先队列的库，问优先队列的实现如何，复杂度如何（答得不太好），转移话题，我说可以用快排解决这个问题，又问复杂度。

简历面：

我做的项目跟别人的有什么差别
为什么用GRU不用LSTM？
尝试过多模态吗？
介绍一下你做法的创新点？
介绍一下你最近看的一篇论文？
我看你比赛打得挺多的，他这么说我就开始扯，我很想来腾讯，所以打了极客大赛，拿到了面试绿卡直通车，他说他们有没有邀请你，我说有，但只能用在他们部门。
有没有打游戏，我说王者常常打，问我最熟练的英雄是哪个，我说哪吒。有个场景题，哪吒放大招的有监督分类，放还是不放，怎么考虑这个问题？

二面：（1小时左右）

牛客平台面试，上来先写两道题

最长的可整合子数组的长度
两个字符串a，b，判断a旋转部分后是否为b ?

由于一开始我没发现网页是用了我外接摄像头的麦克风，回声很大，前期写题基本没怎么说过话，不过都还好思路表达出之后他认可，而且一遍过了第一道，第二道写到一半他说可以了，不用写了，开始面试简历。

我提出换平台，使用了腾讯会议，后面语音清晰了很多，然后就跟一面其实相差不多，问问项目。

其他问题有：

LSTM怎么解决梯度消失和梯度爆炸？（答：梯度爆炸没有解决，可以通过梯度截取解决。梯度消失从公式的角度出发，提出了类似resnet/高速通路的方法，使得梯度保持下去）
LSTM对那种突然转折的数据预测效果不太好，怎么解决？比如跑着跑着突然转向，这种数据他是怎么做的（这里我不清楚答案，我从loss的角度分析，再从样本的角度分析）
LR和SVM的区别？谁对数据更敏感？（答：分别解释了LR和SVM的模型）
XGBoost的原理说一下

反问：

你觉得我面试表现得怎么样，他说 ok的

三面：（15min）

电话面，问我实习时间等，问我现在有没有空，我说现在不太有空

三小时后，再打给我，就随便聊聊项目，聊聊性格籍贯啥的，最有成就感的事情，最沮丧的事情。

不知道是不是HR面还是主管面。有点疑惑

反问：

重新解释了一下实习时间，他说ok的
你觉得我面试表现得怎么样。他说不带这样问的

（四面五面）合起来2个多小时，之前我以为稳了，然后来电话问我说你是深圳的？现场面试一下。

四面（榨干局）

首先自我介绍，然后针对简历面。

我的光流计算详细问了一遍，提出质疑（他光流居然也懂）
通道注意力机制详细问了一遍并提出质疑，以及介绍SENet，项目的改进程度指标有多少。
RNN/LSTM/GRU的异同，以及如何解决梯度消失梯度爆炸的（其实梯度爆炸没解决，都是给你挖坑的），写出lstm公式。
介绍一下transformer（这个我坦白了，我说看过论文但是详细介绍可能说不出，知道是Encoder，Decoder的模式），然后我就说介绍介绍self attention吧，写了attention公式。然后解释了为什么除以根号dk。
你这CV有用Transformer吗？介绍一下Vision Transformer。
CTR比赛详细介绍一下，特征工程怎么处理，数据量多少，XGBoost和随机森林的区别？偏差和方差的角度。
正负样本不均衡的处理方法？Focal loss公式写一下，alpha作用解释一下。多分类focal loss。正负采样方法，权重分配等。
过拟合的处理方式？（加数据，简化模型，正则化）L1和L2正则详细说说，从稀疏解的角度，再从拉普拉斯分布和高斯分布的角度去做。
SVM的公式写一下，公式忘了（他安慰道没写出没关系，目前为止已经非常优秀了），然后本质就是合页损失函数加正则化，让我介绍介绍核函数（核技巧真的忘了...）
你这知乎挺多粉丝的，肯定有些别的东西介绍吧，介绍介绍简历以外你感兴趣的东西？介绍了一下可逆网络，可逆网络他居然也懂，然后分析雅可比行列式那些东西，以及结构设计。
问我之前面试官都考了什么题，都重复说了一遍。我这时候已经被榨干了，好累好累。然后触不及防给了道算法题，我已经资源耗尽。因为是现场面，以为不用写代码了。这里一张A4纸已经写得满满当当的，抽出了另一张。

剑指 Offer 53 - I. 在排序数组中查找数字 I统计一个数字在排序数组中出现的次数。

这题我写了二分 upper_bound - lower_bound + 1，然后叫我在他的电脑上写，我二分模板撸了一遍，然后二分的边界一直想不清楚，其实我写过的，这时候有点紧张了。

五面写完终于换人了，轮到总监面。

自我介绍一遍，询问实习时间，问我为什么去年暑期没实习
其实就随便聊聊，兴趣爱好，打什么游戏
说了一下我的比赛怎么都是前十，没有前三都不叫好名次，有没有复盘过为什么不能第一（有，就说说别的队怎么做的）
为什么你的比赛都是用xgboost，为什么不用随机森林有没有想过？bagging和boosting的区别
问我看过哪些机器学习的书，我说西瓜书，统计学习方法，他问我有没有看过PRML（其实我看过一点，但是假装没看过，怕被问深），问我知道哪些分类器，我说LR，SVM，决策树，他补充贝叶斯分类器。分类与回归的常见loss写一下，然后本质其实是一样的，为什么，你能分析一下统一一下他们吗？信息熵是什么，公式你知道吗？（我也不知道为什么一致，他后面跟我说实际上都是使两者的分布接近）
本来想让我推导LR的，后面说时间有限就不推了。