菜菜面经 快手 机器学习算法工程师（深圳）一面
上来先是问项目，我按照STAR模型八八一堆，说了背景大概存在问题，解决方法，如何处理过拟合，目标检测回归锚框不准确解决，几种激活函数，loss函数，评估标准acc，filter选择，测试集结果
问题：
1.几种激活函数优缺点。
说了sigmoid,tanh,relu，还问我懂什么？我说知道gelu,elu,leaky relu，softmax.又大概说了一下
2.L1正则化和L2正则化是什么，效果有什么不同？
L1结果比较稀疏，L2会比较接近0.
| L2损失函数 | L1损失函数 |
|---|---|
| 不是非常的鲁棒（robust） | 鲁棒 |
| 计算方便 | 计算较复杂 |
| 稳定解 | 不稳定解 |
| 总是一个解 | 可能多个解 |
3.他问优化器选择：说了用adam，因为里面有用到一阶矩和二阶矩修正
为什么会有这些好处，有没思考过？基本是来自于数学公式，那个
对vt和mt的修正，让它梯度下降对学习率不敏感，超参数选择比较鲁棒，人家作者也给了推荐数值，相比adagrad不必存储所有数值。
Adam每次迭代参数的学习步长有确定范围，为什么呢？看公式嘛，学习率给了默认值，
都有推荐值，分别0.9,和0.999，这个一般不改，小常数
也默认10-8，就很简约，大致范围都确定了。
缺点:并非真的参数不敏感，后期可能因为
我就说了优化器发展历程，
SGD->momentum ->nesterov momentum->adagrad->rmsprop->adam
我贫乏的理解：
adagrad改进sgd学习率不能自己调整
rmsprop唯一改进就是累加梯度和，让它不要那么爆炸
adam是adagrad和rmsprop的结合体。
4.在学校做过什么项目嘛？
我说做过semantic parsing，用CBOW或者GloVe训练的Embedding做词语相似度分析
延申问题：知道用什么距离吗？wasserstein-distance，马氏距离，欧式距离，曼哈顿距离 ps:其实还有切比雪夫距离，闵可夫斯基距离
又问曼哈顿距离和l1是一样吗？
5.未来的发展方向？
我说有在对cv,nlp感兴趣，在写research proposal 什么的，对的，本菜菜一定要去读phd。
反问环节：
传统反问：
先放一段我买的专刊答案
一面（较资深员工）：询问业务情况，在做哪个方向的业务；反问环节主要是用于向面试官询问部门的工作内容，以及自己在之前的交流中的一些疑惑。可以对之前自己没回答好的问题提问，这个属于给自己涨经验的知识，而工作内容可以更好的帮助自己了解岗位未来需要做什么。不要对一些红线问题进行提问，例如薪资情况、加班情况、自己通过了没有（可以换种话术例如询问对自己的评价等）等等。一般反问环节按照这个思路去提问：
二面（组长）：询问在用的一些技术点、模型是什么；
三面（Leader）：部门的发展情况，和未来的方向；
1.你们做什么业务？
2.请问您这个职位发展路线是什么？
3.比较看重什么？
4.对数据结构的算法要求如何？
说的是正常
5.偏向于应用还是研发？
应用
