高德算法实习生（一面）面经

2024年3月29日高德算法实习生岗位的一面面试。

这次面试主要是为了积累经验，虽然有些问题没有答上来，但还是希望能为大家提供一些参考。

面试过程

1. 请介绍一段与算法相关的项目经验。
2. 请解释Xgboost和GBDT的区别。

• 回答：两者都是梯度提升模型，但Xgboost使用二阶泰勒展开，而GBDT使用残差进行训练。Xgboost的决策树可以是回归树或分类树，训练速度较快，因为可以并行训练。

1. 你有进行调参吗？目标是什么？

• 回答：调参包括树的深度、弱分类器的类型和迭代次数。

1. Xgboost的损失函数是什么？

• 回答：我提到使用了L1 loss或L2 loss，但具体忘记了。

1. L1 loss和L2 loss的区别是什么？

• 回答：L1 loss是绝对值损失，L2 loss是平方损失。L2在预测值和真实值差距较大时下降速度更快，但对异常值敏感。

1. 刚才提到了y，那么x呢？有对数据做预处理吗？

• 回答：不记得了。

1. 需要做数据预处理吗？

• 回答：描述了平时的预处理方法。

1. 有没有进行归一化、标准化？

• 回答：了解过batch normalization。

1. batch normalization的运用场景是什么？

• 回答：不清楚。

1. 什么场景用batch normalization，什么场景用layer normalization？
• 回答：不清楚，需要查一下。
1. 回答：不清楚，需要查一下。
2. 深度学习用过什么模型？
3. Yolov3和Yolov8有什么区别？
• 面试官更想知道为什么速度和性能有很大提升。
1. 面试官更想知道为什么速度和性能有很大提升。
4. 对Yolov3和Yolov8的原理有了解吗？
5. one stage和two stage的区别？two stage的第一个stage在干嘛？
6. Yolo的损失函数是什么？为什么可以把two stage变成one stage？
7. 你知道Yolo的目标函数是什么？
8. 还有其他的目标检测方法吗？
• 回答：提到了传统方法如匈牙利匹配加卡尔曼滤波，现在也有更多的目标检测算法，如直接用神经网络进行输入输出。
1. 回答：提到了传统方法如匈牙利匹配加卡尔曼滤波，现在也有更多的目标检测算法，如直接用神经网络进行输入输出。

反问环节

1. 可不可以对我提一些建议？

• 回答：简历上的内容要尽可能了解其机制和原理。例如，写了Xgboost，就会问相关的原理和信息。面试官会关注解题能力、为什么要用这个方法、还有哪些候选方法、对比、哪些原理和机制更适合当前的业务场景。
• Yolo：虽然不是所有人都了解，但还是会问v3和v8的区别、目标检测的历史、为什么从two stage到one stage、每个迭代版本优化的目的是什么。在解决问题时选择正确的模型。
• 面试官想听为什么选择这个方法，这个方法有哪些优点。例如，可以说因为部门问题，前后的上下游输入输出只能用two stage的方法，先进行b-box的选择，再对b-box进行分类。对精度要求不高、对可解释性要求较高、计算速度要求快、不需要非常准确的情况下可以用传统方法。

1. 专业不对口有关系吗？

• 回答：场景有交通方向的工作。应届生主要看学习能力和技术能力。应届生可能不会参加过多的项目，不用太在意答不出来的问题。

建议

如果有二面的话，主管会比较看重学习能力、表达能力和技术能力。一个遗憾是没有表达清楚数学建模想解决的问题是什么。面试前需要提前回忆一下。