前言
面的公司不多，基本都是提前批（找工作主要还是依靠提前批，坑多人少）。大多数时间都是在问简历相关的问题，基础知识和编程也涉及到一些，简单总结一下，也算回顾面试过程了。
面试题
基础知识
- 求空间中两异面直线的距离
- SVM的原理、推导
- SVM与决策树的比较
- 各种熵、KL散度、JS散度
- 解释梯度消失、梯度爆炸，以及为什么
- 解释过拟合，如何解决
编程
- 手写快排，快排的时间复杂度（为什么是O(nlogn))，比快排更快的算法实现
- 手写归并排序
- 求逆序对个数
- 手写maxpooling实现
- 计算IOU的实现
- 判断链表有环
深度学习相关
- 卷积网络中参数量、运算量的计算
- BN层的原理、应用，训练和测试时的设置
- Dropout 层的原理、应用
- 各种优化算法的比较
- 如何计算感受野
- 描述GAN，包括流程、Loss函数、生成器和判别器的结构
- GAN与之前方法（如VAE）的比较
- GAN的引申，描述一下比如DCGAN，WGAN（因为我说看过WGAN，所以让我讲了一下WGAN解决的两个问题以及如何解决的）
- 讲一下MobileNet，如何减少模型参数量
项目相关
因为这块会根据每个人的项目有很大的差异，所以简单根据我的某个项目（迁移学习相关）介绍一下面试官会注意到的地方
- 为什么要用迁移学习
- 讲一下迁移学习的应用场景
- 迁移学习和深度学习结合的方式、种类
- 2018的best paper讲一下（迁移学习相关）
- 用到的损失函数，以及与其他损失函数的比较（比如MMD和KL散度的比较）
- 迁移学习在项目中的作用体现在什么地方，如何评价
开放性问题
有时候除了基础知识，面试官会设置一个场景，问一些开放性的问题。
- 如何根据数据量选择用哪个模型
- 如何处理数据不平衡问题
- 如何调参，按照什么思路调参？（比如先判断是否过拟合，损失函数和优化函数的调整，权重初始化，数据归一化等等调参手段）
- 改过框架的源码吗
hr面试
HR面试一般就比较轻松了，基本就是聊人生聊梦想
- 为什么来这，对公司有什么了解
- 之前科研/实习经历有什么收获
- 遇到压力/困难如何处理
- 遇到和别人意见不一致时怎么处理
- 说一下自身的优点和缺点
- 看论文/写代码的频率
- 聊男/女朋友，是否支持你来
- 有没有其他offer
