校招计算机视觉算法岗，谈论面试的时候我们到底在谈论什么？

0 导读

这是我之前写在公众号里的一篇文章，在此分享到牛客上，一来是希望能和牛客上的朋友们一起交流学习CV算法以及相应的知识，也欢迎大家关注我的公众号WeThinkIn。

1 写在前面

姜文先生在全球维度都是我非常喜欢的一个导演，他的“民国三部曲”我百看不厌，我和朋友经常会在大庭广众之下互飙台词以示致敬。嚯，巧了，我这篇文章刚好也是「2022年，校招计算机视觉算法岗」系列的第三篇，我亦想将其作为这个系列的结尾章。如果接下来还能再拓展这个系列的更多维度，我将以番外等其他企画的形式呈现。

接下来，讲讲本文的核心。

首先，本文所有的思考都是以我自己实习/秋招过程将近60次的面试经历和研究生阶段掌握的相关信息为基础。

再者，本文主要聚焦业务与工程方向CV算法岗的面试逻辑。

so，enjoy：

2 干货篇

一定要多参加面试！不要错过任何一次面试机会！通过不断的面试来习惯面试节奏以及增加面试适应性！比如我到后期在宏博一楼吃鸡腿套餐的时候边吃边面试，在寝室睡午觉时立马起身面试，在五道口边看人潮边面试，在去实验室的路上边走边面试，轻盈的柳絮随风飘过。

总的来说，就是要在不同状态下都能较快进入面试状态，并满嘴跑火车，这样面对不同的面试压力也能更从容。

2.1 面试主要考查逻辑

当我们参加一个面试时，面试官将如何考察我们的能力呢？

以有完整算法场景上下游链路，也具备用算法创造出现金流通路的公司为例，面试官主要以下面这些维度对面试者进行一个完整的考察：

1. 深度学习基础
2. 机器学习基础
3. 简历感兴趣内容
4. 数据结构与算法（手撕代码）
5. 编程语言基础（Python/C/C++）
6. 场景设计&&前沿论文跟进能力
7. 计算机基础
8. 数学基础

首先，简历对整个面试流程的把控至关重要。如果你的简历内容丰富，能突出你的优势与基本面，整体方向与面试岗位相match，那么面试官大概率会将深度学习基础 + 机器学习基础 + 数学基础集成到一起进行考察。以简历中感兴趣的内容为核心，逐步深入，横向拓展发散。对面试者来说，面试风险得到了极大的控制，就算会问一些其他问题，多半也是与这些内容相关联；对面试官来说，面试者的项目可能会对面试官提供一些思考（比如我有一次参加某公司面试，对方直接问我这个算法你是怎么优化的，他们用的时候效果不好）

再者，数据结构与算法（手撕代码）部分基本上是无法避免的，加之现在CV算法岗越来越卷的趋势，给出的算法题也越来越向medium和hard方向发展，而且往往算法题起到一个筛选作用，即如果面试者没做出相应的题目，大概率这轮面试会不通过。

接着，场景设计&&前沿论文跟进能力是算法岗面试里很重要的两个考察部分。场景设计题一般都是面试官结合部门的业务场景，给出的一类开放性问题，主要考察我们的思维和逻辑能力，我们根据自己的思考与认识，表达出能自圆其说的答案就好。如果回答面试官很满意（从你的回答中他找到了解决实际业务问题的灵感），整体上会加分很多。注意：千万不要不回答，就算没想好，扯也要扯上几句。而前沿论文跟进能力的考察主要是问平时如何高效看论文？一篇论文看多久？你研究领域相关的新论文看了吗？讲讲？这个方向的新论文你有看吗？讲讲？平时一些有价值的新论文大家还是需要看看的。

其次，在编程语言/计算机基础/数学基础中，对编程语言的考察一般会问一些核心的知识点，大家平时能有较好的理解并不断复习即可。而计算机基础与数学基础的考察一般都占很少的比重（在我经历的面试中基本不会考察，最多问问Linux的一些常用命令）

最后，一般会有一个反问阶段。通常大家以为这是一个走形式的流程，其实不然。我们可以通过以下三个问题来了解面试官部门的主要业务情况，面试官对我们的看法，以及我们自己对工业界业务场景的延伸：贵公司/部门主要的业务方向有哪些？通过面试您对我的评价如何，有哪些地方需要再努力，您有什么好的方法思路提供吗？您认为未来计算机视觉在工业界还有有哪些应用与突破？

这里要引申出一个特殊的情况，如果面试官一直在让你手撕代码，问大量不可控的深度学习/机器学习/计算机基础/数学基础的知识，那么说明你的简历内容对这次面试价值不大，无法引导面试官与你在一个维度上，那么面试不通过的可能性就会大大增加。（排除一些厂就爱让人手撕代码的情况）

总体上来说，由于算法岗面试门槛越来越高，基本上手撕代码中有一两道没写出来，大概率挂；简历中内容不熟悉，面试官根据简历跟进的多个问题都没回答上来，大概率挂；深度学习/机器学习基础知识有多道题目答不上来，大概率挂。

2.2 面试厮杀技巧

首先，最好的面试技巧就是不断地面试，把每次面试都当作一次训练，久而久之就能从容，就能应对。

再者，手撕代码阶段，就算一开始没有思路，也要和面试官多多探讨，询问相关信息，如果有思路，可以边写边说给面试官听，这样既能让自己不太紧张，也让面试官能收到你的思路，从而增加印象分。

其次，面试是一场博弈。从一开始的自我介绍，到简历感兴趣内容的询问，到后面不可控问题的回答，再到最后的场景题等阶段，都要有意向自己熟悉的研究方向和学习领域引导，让自己的能力有更好的发挥空间。

最后，面试遇到不会的问题，一定不能直接说不会，要边思考边说，能说多少说多少，结合自己的想法，往自己熟悉的方向上迁移，让面试进行下去，不至于被打断。

2.3 线下Tips

1. 模拟面试。一方面，把面试的自我介绍部分时常模拟一下，说得通顺熟练；另一方面，和小伙伴们进行全流程的互问互答，让自己更加熟悉面试的节奏。
2. 打怪升级。在最开始，先投递一波小公司，刷刷面试经验，再刚大厂，事可成也。
3. 调整心态。不要因为一家面试不顺利，就心态崩了，因为接下来还会有许许多多这样的情况
4. 持续复盘。每次面试结束后都要进行总结，哪些知识点是经常考到的，怎么描述简历内容面试官的回复是积极的，整个面试过程中哪些点是需要改进的等等。
5. 简历熟悉。简历上的内容一定要搞懂！简历上的内容一定要搞懂！简历上的内容一定要搞懂！并能通过简历告诉面试官你擅长的方向在哪里。
6. 看面经。面试前看看相应的面经，参考一下，让自己心里有个数。
   

2.4 高频面试知识点

下面所列的知识点仅供参考，抛砖引玉，大家可自行拓展更多的知识点维度。

【深度学习基础】：

1. 经典卷积神经网络（AlexNet，Inception系列网络，VGG系列网络，ResNet系列网络等）
2. 轻量级神经网络（ShuffleNet，mobilenet等）
3. 卷积基础知识（卷积运算，计算卷积参数量，1*1卷积核，感受野，反卷积，空洞卷积，卷积时间复杂度等）
4. 反向传播算法（BP算法），学习率，Batch-size等
5. BN系列相关问题（BN的基本原理，手写BN的公式，BN放在什么位置，BN在训练和测试阶段有什么不同，BN为什么可以防止过拟合，BN与其他正则化方法的异同等）
6. 不同的优化器（Adam，Momentum，SGD，公式推导，不同算法优劣，平时怎么用）
7. 常用的损失函数（MSE，较差熵等）
8. 常用的激活函数（ReLU，Mish，sigmoid，tanh，softmax等）
9. 梯度消失与梯度爆炸
10. 过拟合与欠拟合
11. 目标检测YOLO系列网络，手写NMS，手写IOU，小目标问题等
12. 评价指标（mAP，Recall，Precision，Accuracy，F1，ROC/AUC等）
13. 图像分割任务逻辑以及其实用模型（U-Net，FCN，Mask R-CNN等）
14. dropout
15. 数据增强方法
16. 类别不均衡问题
17. 网络权重初始化
18. 归一化
19. 上采样的方式
20. 降低模型复杂度的方法
21. 你所研究领域的前沿模型和实用模型

【机器学习基础】：正则化（L1，L2），bagging和boosting，模型融合，相似度衡量尺度（欧式距离，余弦相似度距离等），偏差与方差，鞍点，凸优化，SVM，LR，K-means，PCA等。

【数据结构与算法】：leetcode高频题以及前300题。数据结构侧，数组，字符串，链表，二叉树考得很多，还有栈和队列，哈希表，堆也要熟练掌握。算法侧，各种排序算法要熟练，动态规划，深搜回溯，分治，二分，贪心算法等算法也要熟悉。

【Python基础】：numpy广播机制，迭代器，生成器，装饰器，各种切片操作，常用数据结构，多线程与多进程，GIL，浅拷贝与深拷贝，*args与**kwargs，lamba，类与继承等。

【C/C++基础】：指针和引用的区别，static变量，结构体，宏，const，STL库，虚函数，多态与继承，智能指针，c++11新特性，函数重载，浅拷贝深拷贝，构造/析构函数，内存分配，函数指针等。

【数学/概率题】：我碰到的比较少，但是牛客上很多面经里都会有，大家可以去看看。（我看到的有抛硬币，排列组合，摇骰子，扑克牌，概率题等）

【计算机基础】：Linux一些常用的命令（find，grep，查看CPU使用情况等命令），进程和线程，网络七层模型等。

3 最后

本文写到这里，也就要写完了。回想起2020年，突如其来的疫情，无法回学校的焦虑，时间紧张的科研，千军万马厮杀的暑期实习与秋招。这期间有收获，有遗憾，有喜悦，有伤心，还有很多宝贵的记忆。我也相信这就是前行的意义。

最后，希望大家在今后的暑期实习与秋招中都能收获满意的offer！