阿里、百度、字节跳动、京东、地平线等计算机视觉实习生面试经历分析，已成功上岸！

点上方蓝字计算机视觉联盟获取更多干货

在右上方 ··· 设为星标 ★，与你不见不散

来源：https://www.nowcoder.com/discuss/192224

本文已授权，未经允许，不得二次转载

为了让联盟朋友在面试过程中更加有针对性，少走弯路，我将从4月初到现在，近一个半月的时间所有面试经历全部分析给大家，希望可以帮助同学们早日上岸！！

第一面——阿里巴巴电话面试（遭到了阿里的完虐，被一顿痛批）

• 深度残差***点、用处 （当时说有一定了解，直接被面试官教育了，不能说有一定了解 要说了解或者精通等）

• Batch-norm 层的作用（楼主回答保证梯度的有效性和增加收敛速度被面试官说不够准确）
  

• 残差网络残差作用（楼主答防止梯度下降和同等映射使得网络突破层数限制也被面试官教育了，他说还有其他作用，我到现在不知道还有什么高级操作。。）
  

• DenseNet作用
  

• 深度学习为什么会差生梯度爆炸
  

• 损失函数有几个 原理是什么 有什么特点
  

• 提升树原理 学习到的是什么
  

• SVM损失函数

• 逻辑回归不能解决什么问题，其损失函数
  

• L1范数会产生什么问题
  

• L2范数会产生什么问题
  

• Kmean原理
  

• 快速排序 堆排序（手写） 排序查找 动态规划
  

• 为什么本科这么差。。。（被问懵逼了）
  

• 在数组中查找第K小的数

总结来说阿里巴巴非常硬核，全程被教育，每个回答的面试官都说不准确，或者回答的不对，让我多去网上搜搜答案。

转转面试图像处理实习生：（第一个offer）

• 聊聊论文、项目等熟悉领域

• 手推交叉熵公式
  

• 手推Softmax公式
  

• 图片分类的损失函数，从网络输出到交叉熵如何计算的
  

• 数据不平衡问题如何解决

• 输入数据为什么需要归一化（数据分布原理）
  

• 什么是端到端的学习
  

• Canny边缘检测流程

• 边界检测算法有哪些

• 判断是个链表是否有环，环的长度

转转精神是腾讯融资企业，整体气氛还是很不错的，问的问题偏数学理论，大部分都是在手推公式，总体气氛比较愉悦，面试官也挺乐呵的。

百度视觉算法实习生（第二个offer）

• 一面（重要问计算机基础，包括操作系统，计算机网络，组成原理，数据结构，数据库等，比较全面）

• 聊论文聊项目，聊的很嗨，面试官也给了很多认可，然后就是问一些基础问题。

• 死锁如何产生，如何解决

• 线程和进程的原理关系

• 目标检测里面R-CNN和SSD的区别

• 设计模式有哪些 用过哪些 （单例、工厂、访问者等模式）

• L1 L2正则化区别，应用场景

• 边缘检测算法用过那些。

• 手写快速排序

• 手写堆排序

二面（全都是数学推导）

• SVM手推原理

• Kmean和GMM原理、区别、应用场景

• I3D网络原理

• 什么是一个端到端的学习

• 网络初始化有哪些方式，他们的公式 初始化过程（贼难）

• 优化方法 SGD、Adam算法过程 动量算法过程（更难）

• Xception网络参数减少量

• 代码求一个数的平方根（牛顿迭代或者二分）

三面（部门leader）：

• 全程谈人生，谈理想，从诗词歌赋谈到人生哲理，好像坐炕头上面聊了半个多小时一样。

总结：百度面试很注重计算机基础和数学原理，而且比较注重论文发表情况或者项目经历，虽然问的比较难，但是面试官会给提示，逐步引导你走向正确答案，如果回答不上了面试官会做出讲解，百度面试学到了很多知识。但是百度等了好久好久才得到回复，大概等了快20天吧。

陌陌科技图像算法实习生（凉）

一面

• 论文的网络结构图

• 光流算法如何实现 密集光流如何查找邻接点

• 行为识别网络，稀疏采样

• Dropout原理

• Kmean原理

• 决策树原理

• BN原理，为什么用BN

• Xception网络能减少多少个参数，为什么他能够达到高精度

• 仿射变换矩阵，透视变换矩阵，双线性二插值

• 案例：如何提取出高质量的动作，精彩的画面反馈的用户

二面

• TF多卡训练，一个模型在一张卡上面放不下，怎么在多卡中运行

• TF中卷积是如何计算的
  

• TF中转置卷积如何进行
  

• 膨胀卷积感受野如何计算
  

• 算法题，在字符串中的字串是否都出自于字典中
  

• K个链表归并
  

三面

• 交叉熵公式，为什么交叉熵可以用在分类中

• Softmax函数

• Deeplab进化历史

• Deeplabv2和DeeplabV3有什么区别

• V3提出那些新理论

• 尺度变换剧烈如何解决

• 语义分割一帧图片处理速度

• Xception处理速度

• ResNet处理速度

• 卷积神经网络哪里最耗时

• 有没有实际算法落地的经历（重点凉的地方，楼主只发过论文，实验室没有和公司合作项目）

总结：陌陌科技对于代码要求还是比较高的，尤其是谈到了实际算法落地这一块楼主比较欠缺，所以三面的时候回答的不是很好。陌陌科技员工大佬还是很多的，问的问题也很有水平，比较注重落地能力，最终三面leader不太满意以失败告终。

微店面试（凉）

• 全概率公式，贝叶斯公式，一道全英文的数学题，考的概率论和高等数学题，有点像考研题

• 判断是不是同字母异序的字符串
  

• Split函数实现
  

• 论文网络框架
  

• 什么是梯度消失
  

• 然后就凉了。。。可能是楼主算法题写的不是很好吧
  

汽车之家图像算法实习生（offer）

一面

• 手推卷积神经网络公式，2D的 3D的，带深度的，很多。可能重点就是看是不是真正了解卷积过程

• softma、交叉熵计算过程，反向传播过程，很基础的东西
  

• 论文网络框架
  

• 讲解一下卷积神经网络发展历史（LeNet——VGG——Inception——ResNet——DenseNet——SENet）
  

二面

• 聊论文，聊项目

总结：汽车之家内部特别舒服，公司气氛也很好。

地平线机器人感知算法实习生（offer）

• 1个小时时间，四道算法题，全英文的，具体不难

• 据说这个题不能透露，大体就是一道二叉树，一道排序，一道查找，一道动态规划
  

一面：

• 聊论文聊项目，聊了个通透

• 光流的求法，如果使用
  

• 全景分割基本算法，如何改进
  

• 残差网络如何实现全景分割，目标跟踪
  

• 主要聊的偏工程，有一些网络，聊的还挺愉快的
  

二面：

• 聊公司走向，公司目前主要业务，发展模式

• 聊论文，通过论文里面技术点结合公司目前的项目有哪些改进点。
  

• 聊的也很嗨
  

地平线面试给我的印象比较深刻，全程都是再聊项目论文工程，楼主主要做的是分割方向，论文看的也比较多了，所以这一块比较拿手。不得不说同学们一定要多积累几篇典型的论文，到时候强行把面试官拉到自己熟悉的领域，这样就可以游刃有余了。

字节跳动搜索算法实习生（offer）

一面：

• 介绍论文-无监督视频目标分割和语义分割网络框架

• 算法题：把一个包含n个正整数的序列划分成m个连续的子序列。设第i个序列的各数之和为S(i)，求所有S(i)的最大值最小是多少？

         例子：

         序列1 2 3 2 5 4划分为3个子序列的最优方案为 1 2 3 | 2 5 | 4，其中S(1),S(2),S(3)分别为6，           7，4，那么最大值为7；

         如果划分为 1 2 | 3 2 | 5 4，则最大值为9，不是最小。

• 概率题：在圆上任意三个点，形成的三角形为锐角三角形的概率是多少

二面：

• 算法题：滑动窗口的最大值 剑指offer第59题

机器学习：

• 回归决策树的输出是什么

• 决策树使用什么指标进行划分：信息增益
  

• 信息增益的定义是什么，公式是什么
  

• 熵的定义什么，公式是什么
  

• LR损失函数是什么，LR的梯度是如何表示的
  

• 他为什么用log损失而不是均方误差损失（最小二乘）
  

• SVM核函数公式，为什么使用核函数
  

• SVM损失函数，对偶式的推导
  

• SVM和LR有哪些区别
  

• 聊论文的网络框架
  

三面：

• 聊论文的网络框架，实验效果

字节跳动面试真的挺险的，楼主主要研究的是计算机视觉，深度学习，分割等方向，二面面试大多数问的是机器学习，我答的很不好，但是三面的面试官聊的还不错，三面的时候是中午，三面面试官还带我去头条食堂吃了顿饭，头条饭真的好，都是肉，大虾，酸奶水果随便拿。遇到了贵人！！所以找工作运气真的很重要！！

京东面试

一面

• 手推SVM：空间上一点到超平面距离，SVM整体代价函数，如果进行对偶形。

• LR损失函数，如何优化
  

• Inception网络多层卷积之后是concat还是逐像素相加
  

• Xception网络含义
  

• ResNet、DenseNet含义，处理方式，有什么好处，具体concat还是逐像素相加
  

• 神经网络分类的softmax数学公式，如何计算
  

• 交叉熵损失函数定义，举例计算过程
  

• 自己设计过那些网络
  

• 小型网络有哪些
  

• 神经网络如何加速
  

二面

• 聊论文聊项目

• 车道线检测如何实现，边缘检测
  

• 行为识别网络基本流程
  

• 二分类效果是否好于多分类
  

• 二分类如何执行
  

• 难例如何进行区分
  

• 过拟合是什么，如何解决，应对措施
  

• 从模型结构上如何解决过拟合
  

• L1 L2有什么区别，适用于什么场景
  

• 为什么不用L0
  

• L1为什么不用于卷积神经网络
  

• 梯度弥撒如何产生的，如何解决
  

总结：大概就是这么多了，楼主平时看论文比较多，所以谈到了论文什么的都会应对的比较自如，但是算法写的很少，完全就是在碰运气。

话说回来大家一定要好好刷剑指offer的题，基本所有面试算法题都是剑指offer的。最终选择是字节跳动的搜索算法实习生，字节跳动遇到了贵人，感谢那位带我吃饭的面试官！！

最重要的就是坚持下去，千万不要放弃！！

联盟语录：

外行看热闹，内行看门道，其实总结一下，面试的题目有很多相似的知识点，联盟希望看到本文的你，能够从中总结出知识，而不是看了，啥也没学到！

END

加群交流

欢迎加入CV联盟群获取CV和ML等领域前沿资讯

扫描添加CV联盟微信拉你进群，备注：CV联盟

热文荐读

快手AI实验室招聘深度学习/计算机视觉实习生

招聘！微软亚洲研究院MSAR实习生计划！（包含机器学习、深度学习、视觉计算、自然语言...）

阿里&格林深瞳计算机视觉岗实习面经

百度计算机视觉暑期实习面经（成功上岸！已拿offer）

点个在看支持一下吧