18年2月初去的360面试，这是第一次去大型互联网公司面试，也只是抱着试试看的念头，但是年后HR给我打电话说我通过了，然后就没再准备其他公司的，一心等3月多去公司。结果，一直没等到正式offer的我给公司打电话，跟我说人招满了，忘记通知我了。呵呵到无话可说，如果第一个电话告诉我说我没过也可以，关键是我都准备着去北京了，结果又是因为其他原因说忘记通知了。。。ε=(?ο｀*)))唉
面试经过：共3面，第一面是个技术大牛，怼了我一顿，主要有这样几个问题：
1.当场写代码：tensorflow的应用，比如写一个对图像进行分类的实际应用代码。
2.keras的应用：不用写代码，但是要知道应用场景
3.推荐算法的矩阵分解怎么做。
4.最大似然和贝叶斯分类的区别（回答：先验的有无），分别适用于什么场景：贝叶斯适用于小数据集，因为先验好求。
5.判别式和生成式的算法各有哪些，区别是什么，分别适用于什么场景。
6.LR和最大似然的区别
7.L1和L2范数的区别以及适用的场景
8.各种算法的损失函数怎么写
第二面应该也是一个技术，看起来像是管理层，问的比较简单，就是介绍一下自己简历上做过的项目
三面是HR面试，一个孕妇，问了一下薪资的问题。
总的2个多小时的时间，3个面试就结束了，可以说是比较有效率。

1.当场写代码：tensorflow的应用，比如写一个对图像进行分类的实际应用代码。
2.keras的应用：不用写代码，但是要知道应用场景
3.推荐算法的矩阵分解怎么做。
4.最大似然和贝叶斯分类的区别（回答：先验的有无），分别适用于什么场景：贝叶斯适用于小数据集，因为先验好求。
5.判别式和生成式的算法各有哪些，区别是什么，分别适用于什么场景。
6.LR和最大似然的区别
7.L1和L2范数的区别以及适用的场景
8.各种算法的损失函数怎么写

赞一下(0) 踩一下

问项目
为什么要用深度学习，深度学习的效果为什么好
为了让分类器更强大，可以使用广义非线性特征以及核函数方法。但广义特征（如高斯核函数）泛华能力差，常规的方法是手动设计好的特征提取器，而这需要大量工程经验和领域专家才能完成。如果好的特征可以使用通过学习的方法自动学习得到，上述问题就可以避免，这是深度学习的核心优势。
sigmoid和relu的区别
第一，采用sigmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多。
第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失，参见答案的第三点），从而无法完成深层网络的训练。
第三，Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生（以及一些人的生物解释balabala）。
svm是什么
从文件读取一行数据，包括姓名，学号， 工资，找到工资最大值。 followup，如果要取前10个呢？
python用的好不好
怎么防止深度学习中过拟合
学过深度学习吗，用过什么深度学习框架

问项目
为什么要用深度学习，深度学习的效果为什么好
为了让分类器更强大，可以使用广义非线性特征以及核函数方法。但广义特征（如高斯核函数）泛华能力差，常规的方法是手动设计好的特征提取器，而这需要大量工程经验和领域专家才能完成。如果好的特征可以使用通过学习的方法自动学习得到，上述问题就可以避免，这是深度学习的核心优势。
sigmoid和relu的区别
第一，采用sigmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多。
第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失，参见答案的第三点），从而无法完成深层网络的训练。
第三，Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生（以及一些人的生物解释balabala）。
svm是什么
从文件读取一行数据，包括姓名，学号， 工资，找到工资最大值。 followup，如果要取前10个呢？
python用的好不好
怎么防止深度学习中过拟合
学过深度学习吗，用过什么深度学习框架

赞一下(0) 踩一下

面试主要需要介绍之前做过的实习或者项目的经历，需要非常清楚细节，比如用到的框架，模型，算法之类的。另外就是为什么要申请这个职位，你能给公司带来什么价值。

先做个自我介绍，然后问对公司的了解，接下来主要介绍做过的实习或者项目经历，用过的模型，算法，调参细节都会涉及一点。

赞一下(0) 踩一下