我之前通过非定向内推提前批，简历一直处于筛选状态中，然后大概在8.18在牛客看到一个前辈所在部门（推荐搜索）招人，就把简历发给了前辈，然后隔了两三天就通知了面试。
一面 （8.21 46分钟）
自我介绍后，面试官就问了我广告算法比赛，问我是如何构建特征的，以及如何识别哪些特征是重要的，然后就涉及到问word2vector 原理，lstm中的attention是怎么操作的，梯度消失及解决方法，BN的作用，最后面试官给我说我应该讲清楚我是如何判断哪些特征重要的，我具体是咋做的。
手撕代码：链表相加（leetcode第二题），需要注意的是最好提前练习如何写链表的示例，因为我们刷题只用写个函数
二面（8.24 60分钟左右）
自我介绍后，问了一个项目和广告比赛，问了一些深度学习基础和机器学习基础。
1 神经网络初始化方法，我回答了随机初始化和He 初始化，面试官问我随机初始化有什么问题，He初始化解决了什么问题（我回答梯度消失相关）请参考https://blog.csdn.net/u012328159/article/details/80025785
2 BN的原理和作用，这里我的回答面试官提出了很多很多疑问，因为网上关于BN的解释也是说法不一，比如说一种常见说法是BN解决了Internal Covariate Shift，但是他用sigmoid举例，那现在基本都用relu,relu大于0的时候，梯度都为1，也有这种问题吗，我感觉我也没说清楚。 https://mofanpy.com/tutorials/machine-learning/tensorflow/BN/#%E5%AF%B9%E6%AF%94%E6%9C%89%E6%97%A0%20BN(我找到了莫烦python里的视频，原来relu在没有BN的情况下比sigmoid,tanh还要糟糕）
3 softmax层的label 是什么，我回答one-hot向量。
4 学会了哪些网络训练调参技巧
5 word2vector原理说一下，我从one-hot说起，最后说了skip gram 和cbow，这一块回答不好。
6 lstm结构，输入门，输出门，遗忘门怎么计算的（没让我说），问了我他们的作用分别是什么，我也没怎么说出来。
7 树模型，ID3,C4.5,CART怎么计算分割点的，信息增益和信息增益率的区别，GBDT和RF区别。
代码说思路
8 有效括号用了什么数据结构（栈）
9 TOPK （堆），我说反了，最大堆说成最小堆，面试官疯狂暗示，最后弱弱地回答说反了。
10 一个长度为n的list，元素不重复,从中取出m个数，问这m个数中某一个元素被取出的概率是多少，我没说对。
这一面我感觉我很多都回答的不好，到那时面试官最后仍然花了很多时间介绍部门，感谢给我三面机会。
三面（8.25 35分钟左右）
这一面面试官上来先介绍部门，问我有没有什么疑问，然后问了简历的东西，技术问题没有深挖，然后问了我科研，生活，学习上都遇到了哪些问题，哪些方面得到了改变或者提升，还问我用过哪些百度APP，分析一下抖音短视频为什么那么火，对百度的印象看法啥，我提到了百度的自动驾驶。总之技术问题，非技术问题问的一半一半吧，最主要的是面试官问我能不能实习，还问了我两次，我最后说我可以远程实习，感觉我应该回答能实习的，有点后悔。
总之，我很感谢百度公司给了我三次面试机会，这让我增加了秋招的信心和勇气。
全部评论
(6) 回帖