视觉算法工作一年社招经历总结
视觉算法工作一年社招经历总结
视觉算法从被裁员时两个月拿到offer的经历回顾（个人情况是硕士毕业工作经验不足一年半的应届毕业生社招）
总体时间线：
9月30日被裁员后大约在9月22日得知消息，并成功拿到了n+1份offer；
从9月30日开始系统地准备简历、刷题和复习；
于10月8日开始陆续向各家公司提交简历；
面试从10月8日的第一轮持续到次年（n+）月份期间的状态为"无offer"；
在经历了初筛阶段后于（n+）月8日再次集中投递简历，并且面试状态逐渐好转，在来年年初陆续接到多份offer；
最终在（n+）月8日敲定字节科技的offer。
简历篇：
个人简历排版：
1.个人信息，包括邮箱、照片等
2.教育背景
3.工作项目经历（可以把实习经历也放进来）
项目描述包括：项目名、项目目标（是什么），负责内容以及结果（做什么）
4.研究经历（学校经历）
5.专业技能
6.获奖情况
P.S.
因排版受限, 部分信息无法呈现.
近来较多的网络面试, 可以通过制作PPT的形式进行展示. 在面试时可借助屏幕共享功能进行自我展示, 并适当搭配相关的图片和文字辅助说明. 需要注意的是, 不少网络平台在使用屏幕共享时可能需要用户授权完成相关设置, 建议提前测试设置以避免影响到面试过程中的使用体验. 最后, 推荐一个专业的在线简历编辑工具: https://www.mujicv.com/editor/#/.
面经篇：项目相关的一些通用问题：
- 数据来源是什么？涉及哪些类型？其规模范围如何？上线后数据如何收集回来？
- 采用何种模型架构？有哪些优化措施？评价指标包括哪些（如准确率、召回率等）？模型参数规模及FLOPS值（移动端项目可能需提及）
- 在项目实施过程中遇到了哪些挑战？采取了哪些应对措施？目前现有解决方案有哪些局限性尚未解决？是否有其他可行思路
P.S.一些计算机视觉相关的问题会从项目采用的方案扩展提问
通常在二面三面可能的问题：
- 对未来发展方向进行探索和关注
- 设计一些开放式的场景，并采用方案来解决问题
百度：
c++部分：
虚函数
结构体与类的区别
死锁
传统视觉部分：
高斯滤波
深度学习：
反向传播如何解决陷入局部最优？梯度消息如何解决？
深度可分离卷积
BN层
code：
将数组中的奇数值前移至偶数值之前
寻找二维数据结构中的连通区域问题
判断链表是否存在环及其环路入口位置
计算机视觉：
Yolo系列算法的优势在于？
map计算方法介绍
介绍YOLO系列及其最新研究进展
基于TensorFlow实现Focal Loss的具体步骤是怎样的？
对Transformer相关领域的最新研究是否了解？注意力机制是如何计算的？与传统注意力有何区别？自注意力机制为何除以√K？使用LayerNorm的原因是什么？
Swing Transformer模型特点分析
基于Transformer顺序编码模型有哪些改进方案？
快算法：
code：
1. 判定这两个字符串能否通过交叉合并生成第三个字符串 https://leetcode-cn.com/problems/IY6buf/
2. 二维矩阵仅包含'O'和'X'两种元素，在所有被'X'包围的'O'位置将其替换为'X'
小红书：
计算机视觉：
两阶段方法的效果优于单阶段方法的原因
YOLoV3通过引入数据增强技术解决了类别样本分布不均衡的问题
地平线：
计算机视觉：
介绍shufflenet
code：
判断合法搜索二叉树
滴滴：
code：
n组括号的所有合法组合（基于递归），验证递归算法的独特性
优化过的均值滤波器：接收二维图像数据并执行图像平滑处理
深度学习领域：
对比分析Leaky ReLU与ReLU的区别
探讨Label Smoothing的作用及工作原理
Python相关内容：
字典的具体实现方法
深入解析多线程与多进程的区别与应用场景
理解闭包函数的工作机制及其优势
掌握装饰器的作用及其常见使用场景
GC机制（垃圾回收系统）在内存管理中的应用
日常便利店（即"便利蜂"）
深度学习（属于"机器学习技术"）
优化器（包括sgd、动量加速优化方法和Adam优化算法等）
Python相关（涉及编程语言）
内存管理（即"内存资源控制"）
线程与进程之间的主要区别在于它们的执行机制
code：
使用动态规划方法求解
byte:
代码：
将字符串转换为整数
计算平方根
计算机视觉领域：
其中selective search方法的核心原理是什么？
SSD网络的关键创新点在于其独特的特征提取机制
优化器的设计与实现有哪些创新点？
迁移学习在深度学习中的重要性及其应用现状如何？
如何防止深度学习模型的过拟合？其成因及解决方案是什么？
双摄像头系统如何实现三维目标检测？有何独特优势？
最近看到的一项令人印象深刻的新技术是什么？它带来了哪些突破性进展？
深度学习领域：bn层的作用机制及其推理过程如何优化？在实际应用中应如何处理bn参数？
迁移学习中bn层参数的处理方法有哪些异同？其对模型性能的影响如何评估？
c++编程基础：const量词与define量词的区别是什么？它们在程序中的功能有何不同之处？
内存管理：malloc与new的主要区别体现在哪些方面？
计算机视觉领域中存在多种主流算法模型；深度学习框架中的高层网络与低层网络在功能设计上存在显著差异；ShuffleNet与MobileNet系列算法在性能优化方面不断进化；深度学习框架中的Front-Back Networks（FPN）具有层次结构特点；YOLO系列算法（YOLACT）在目标检测领域取得了突破性进展；剪枝、量化与模型压缩技术是当前研究热点；YOLOv4与YOLOv5在 anchor-free检测框架上有显著改进；BN层在特征归一化方面具有独特作用；链表相交判定属于经典数据结构问题；NMS是一种常用的物体检测后处理技术；iou及其衍生指标（IoU, GIoU, DIoU, CIoU）用于衡量目标检测框间相似度
新氧：
计算机视觉：
Yolov3的网络架构
ShufflenetV2的结构
焦点损失机制及理论基础
优化算法的核心组件
高德：
深度学习：
过拟合现象：
正则化手段包括L1范数和L2范数等方法。
当batch size取值过大或过小时会产生哪些问题？
被移动端部署的技术优化方案需考虑哪些方面？例如网络压缩技术和加速优化策略等。
在训练过程中出现损失函数值为NaN的情况时应该如何诊断并解决？
美图：
计算机视觉领域：
mobilenetv2的网络架构设计：
yolo系列的发展历程：
focal loss的作用机制：
为何双阶段架构在目标检测中表现优于单阶段架构？：
目前小目标检测领域的改进方向有哪些？：
常用的数据增强技术有哪些？：
transformer模型通常采用哪种优化算法？：
当网络感受野过小时会出现哪些问题？如何有效提升感受野的大小？：
unet模型的基本原理是什么？其主要应用于哪些领域？：
深度学习框架中的激活函数讨论：relu有哪些局限性以及其优势体现在哪里？
code块：
nms的具体实现原理是什么？
判断一棵树是否为有效平衡二叉树？
soul:
计算机视觉领域中具有重要地位的核心灵魂。
shufflenet与MobileNet等著名模型的深入研究。
YOLO系列网络结构的研究与优化。
常见损失函数及其在深度学习中的应用分析。
蒸馏技术与模型量化方法的研究进展。
代码实现中常见的矩阵操作问题及解决方案。
矩阵按螺旋顺序打印的具体算法设计。
数组元素任意三个组合的最小总值计算方法探讨。
团队名称：
知乎：
该问题涉及在一个n×n矩阵中寻找一条从起始点到终点得分最高的路径。矩阵中的每个元素表示通过该位置所能获得的分数（-1表示无法通过），目标是规划最优路线以实现最大总分。
code：
n \times n 矩阵中寻优算法用于计算最大得分路径
n*n的矩阵中寻优算法用于计算最大得分路径
微软：
code：
非递归实现二叉树后序遍历
给定一个数组，一个target，一个k，求出所有k个数组加和等于target的情况，k个数字中不能出现重复。
定义一种特殊的数字，他的分解质因数只有2，3，5，7，输入n，输出第n个这样的数
合并n个排序链表
两个排序数组，计算合并之后的中位数
链表排序
系统设计：
有一个流式系统，会接到源源不断的数据，有三种操作：1.给一个string，去系统里查找是否存在这个string 2.删除一个string 3.新增一个string。数量级是超大规模，百亿级别。（硬盘足够，内存不足的情况如何设计以及优化，压缩算法）
岛屿数量
把一张图片切成4*4=16个等大的块，有一个函数可以计算两个块，所有边在原图中相邻的概率，设计算法重新恢复原图
给定一组地名的列表（包含小写字母和空格），和一段文本，需要把文本中包含的所有地名提取出来。 要求抽取结果尽量长，例如有new york city和new york两个地名，文本为。。。new york city。。。，需要抽取的结果是new york city
总结：
- code资源推荐：提供一个代码资源链接（https://codetop.cc/home），该资源专门汇总了各大公司最新的代码题库。
- C++与Python学习建议：对于C++和Python编程语言的学习建议是打好基础并了解相关基础知识。可能会遇到多线程编程的问题。
- 机器学习常见问题：在机器学习方面需要掌握的内容包括模型过拟合、正则化方法以及激活函数的选择与设计。
- 深度学习技术要点：深度学习领域中需要重点掌握的内容包括Batch Normalization层的使用、各种优化器的选择与调参方法、激活函数的设计以及梯度下降算法的应用。
- 计算机视觉方向重点：在计算机视觉方向上需要重点理解轻量化网络设计与优化方法以及目标检测算法的核心原理。由于我的项目主要聚焦于轻量化检测任务，在这部分内容上有较大的比重。
- 工程应用中的技术要点：在工程应用中需要掌握的知识包括模型剪枝技术、量化方法以及加速训练过程的关键技巧。
希望这份总结对首次参加社招的朋友们有帮助，有问题都可以私信交流。