一个“普通人”的秋招算法岗上岸心得

大家好，我是海森堡。

一直想写点东西总结一下自己的秋招历程，觉得在一定程度上应该能代表很多"「普通人」"的秋招经历。但是由于各种原因（主要是自己懒），从去年11月秋招大致结束，一直拖到现在都没有写。最近在好友的鼓励下，终于下定决心，克服懒散，提笔记录下这段艰难但也颇有意义的经历，希望能给师弟师妹们一些信心，同时少走一些弯路。另外题目中写"普通人"是因为自觉在各方面都不出彩，加引号是为了免去一些闲话，如果你看完全文还是觉得我有冒犯，那我在这里先道个歉。

先介绍下自己的背景：西北某211本硕，方向为计算机视觉（CV），没有论文，没有实习，做过几个实验室和学校的项目，一个天池比赛前20。「最终拿到四个offer，美团、字节、小米、旷视，均为SP」。我相信一定有很多像我这样普普通通的人，感觉自己各方面都比较一般，没有比较好的论文、项目，比赛名次也不是特别高，编程也没那么牛，一边看着网上的各种算法岗劝退言论，一边心慌慌地纠结要不要继续找算法岗。我写这篇帖子的目的就是希望能给大家一些信心，如果你觉得自己做过一些相关的项目、比赛，有一定的基础，肯花时间好好准备找工作的相关事宜，那我建议你可以下决心了。

本篇心得分为三个部分，第一个部分是「秋招总结」，主要从心态、刷题、基础知识、论文/项目/比赛、简历等五个方面进行总结，并给出自己的一些建议；第二个部分是自己的「面经」，由于面经在一定程度上具有很大的偶然性，并不能完全代表一个人或一个厂的真实情况，只能作为参考，因此建议大家最好是多看一些；第三部分附上了自己在秋招过程中整理的「知识笔记」，以及一些小的建议。

秋招总结

心态

秋招对大部分人来说都是一段非常难熬的经历，本身自己就已经是顶着很大的压力在求职，还要面对很多外界因素带来的影响，时常会给自己的心态带来非常大的波动。本来我在这一部分写了很大一段回忆自己遇到的一些搞心态的事情，但仔细想了想还是删了，以后有机会单独写一帖吐槽求职路上的奇葩经历，这里就写一些可能会影响到自己心态的方方面面，大家可以注意一下。

「面试被拒」：这应该是最常见的压力来源了，而且随着被拒的次数越来越多，压力也会成倍增加，对个人心态考验非常大。对我们这样的普通人来说，前期面试被拒再正常不过了，这时候一方面是要总结好失败的经验，另一方面也要寻找合理的宣泄途径，跟好朋友吐槽、打两把游戏等都是很有效的方法。
「周边环境」：我们一般都是和同届同学一起找工作，有些同学比较优秀，很快就拿到offer，这时候也有可能会对我们的心态有些影响。不过这是没有必要的，你直接去跟他取经就好了，能拿到offer大概率是有可取之处的，我当时就跟一个同学学到了很多东西。当然也不排除有些人拿到offer后在朋友圈装逼、散布焦虑情绪，这种我建议屏蔽或拉黑，同时也希望大家拿到offer后能低调一些，以己度人。
「网络言论」：每年在网上都会出现一个词来形容每年的算法岗状态，19年是"诸神黄昏"，20年是"灰飞烟灭"，不知道今年会是什么。但无论怎么说，都改变不了大部分人最终拿到offer的事实。这种问题其实挺唬人的，四月起这么个问题，大家都刚开始找工作没啥经验，碰壁了就去吐槽，造成一种算法岗无望的景象。但如果你十一月问这么个问题，很多回答应该就成了如何通过不断投简历、面试最终上岸某家公司，其实我身边的同学、朋友大部分也都是9月之后拿到了"定稿"的offer，10月、11月的也多的是，所以大家一定要稳住，尽量不要受到这种言论的影响。

其实在秋招中感受到痛苦是一件再正常不过的事情，但我也不敢跟你说："心态要好，不要在乎那些事情"，虽然这是对的，但经历过那种压力和痛苦就会知道完全做到这样几乎是不可能的，就跟世界上没有圣人一样。我给大家的建议就是「首先要做好承受这一切的准备，秋招几乎不可能是一帆风顺的」；另外「当压力到来的时候，一方面要先做好总结，另一方面也要找到合理的宣泄方式」，不要让一次的失利影响你太久。恐惧、失落、时常进行的自我怀疑，这都是秋招中的常态。一边痛苦，一边反思，在秋招中这是提高自己最快的方法。

刷题

这是一个老生常谈的话题了，在互联网只要是技术岗，笔试面试都要撕题。我本人是从2020年2月中旬开始准备的，期间一共「刷了400道题」，总体感觉下来能应对几乎所有的笔试、面试场景了，印象里面试过程中碰到的题目全都撕出来了，笔试大概能通过80%的样子。接下来会说一些自己的小心得。

首先声明，我没有参加过编程比赛，本科学过C，学过基础的数据结构和算法知识，读研之后大部分时间使用python，整个刷题和笔、面试也都是使用python完成，可以说在刷题方面也是一个非常普通的人。

如果你像我上面说的一样，对刷题需要的算法（排序、链表、二叉树、图、动态规划等）没有过一个系统的学习，那我强烈推荐你去看「左程云（左神）的算法课」，个人感觉左神的课在深度和广度上都能覆盖整个秋招的范围。首先，如果你没有很好的算法基础，左神的课能让你对算法建立一个系统的认识，对基础的算法有很好的理解；另外，左神也会做很多扩展性的算法介绍，这些你可能没听过，但是不要紧，至少之后你在LeetCode评论区看到的时候不会一脸懵逼，知道这是个什么东西，大概解决了什么问题，然后再慢慢研究。总之，左神的课非常长也非常良心，希望大家能坚持看完（基础班我记得接近30小时），你一定会大有收获。再次对左神表示respect！
有了基础之后，接下来就是刷题。我建议大家「先按照类别刷」，比如链表相关的做个十几道，有个比较深入的理解，然后再去做二叉树、排序等，这样按照大类做下来之后，你就不会对题目感到陌生和惶恐了，看到题之后知道这大概是个什么事。然后我「建议把《剑指offer》刷两遍」，剑指非常经典，LeetCode也有剑指专题，很方便。之后就比较随意了，可以先「把热题TOP100刷一遍」，如果有时间也可以按照顺序再刷个两百道，感兴趣的话去参加周赛也挺好的（我没有参加过）。另外，牛客上也有大佬整理了每个公司出过的题目汇总，这也是不错的选择。对于出现频率非常高的题目，一定要多刷几遍，确保碰到就能秒了。

总之，在刷题这一块我一直有两个看法，一是如果你现在对秋招很迷茫很惶恐，不知道该准备些什么，那你就刷题去吧，至少这肯定是不会错的，另外就是在你有时间的基础上，刷的题目越多越好。根据我对周边同学的了解，最好是能刷到200道以上的题目，这样在面试中底气也会更足。

基础知识

基础知识是考验基本功的，包括机器学习和深度学习里面的一些基础的问题。这部分可能会问的比较广，需要系统地学习和整理。

这里推荐两本书：「李航老师的《统计学习方法》和周志华老师的《机器学习》（西瓜书）」。建议大家可以先深入地读一下《统计学习方法》，李航老师写的非常精炼，也比较"好懂"，碰到不懂的可以去看看西瓜书，两本配合食用效果更佳。知乎、博客上也有很多大佬们更通俗的解释，可以加深理解。《深度学习》（花书）也是非常好的一本书，但是太厚了，很难读完。建议当成工具书，碰到问题可以去专门的章节翻阅，可能会有意想不到的收获。在这个过程中最好准备一个笔记本，将公式的推导以及一些算法的流程和重点记录下来，能巩固记忆，查阅起来很方便，面试前也可以拿出来翻一翻。推荐大家用活页本，内容增添起来很方便。

「除了看书以外，总结和整理也是至关重要的」。有的问题你可能理解了，但是表达出来没那么专业，不够味。因此这部分我建议大家先去网上搜集一下面经，「把里面提到过的问题都整理出来，然后自己总结出一个合理的答案，形成文档」，以后碰到就这么回答就行了，这也就是网上有些人说的"八股文"。如果面试碰到了没有见过的问题，就把它加入到你的文档中去，确保以后碰到能够对答如流。我在后边也会把我整个秋招过程中碰到的比较常见的问题列出来，供大家参考。

总结一下，基础知识部分主要是学习+整理，当你的面试数量达到一定程度之后，这部分就几乎不是问题了。记住，一定要整理成文档，一定要整理成文档，一定要整理成文档！

论文/项目/比赛

这部分主要是个人的一些经历，是体现"个人价值"最重要的部分，也是简历上面试官着重会进行提问的。这部分因人而异差别很大，因此我只说一些小建议。

「论文」：首先强调一点，「没有论文也是可以上岸的，没有论文也是可以上岸的，没有论文也是可以上岸的」！我身边的同学，以及秋招中认识的朋友，很多也是没有论文的，但最后都能拿到比较满意的offer。不少人在论坛上说"没论文简历都过不了"，这绝对是缺乏数据支撑的。简历没过很大程度上是因为简历写的不好，或者部门不匹配。前者需要好好地琢磨一下简历的逻辑、布局，后者的话就找准方向多投就行了，肯定会人有捞你的。如果有论文的话要想办法把自己论文的贡献点讲清楚，这部分我没有实践过，就不班门弄斧了。
「项目」：这一部分很多人有这样一种疑问："我项目做的很弱，就做了这点东西都不好意思讲出来"。其实这是很正常的，永远记住，大部分人都是普通人，岗位很多，不可能只招天才。你做的再一般，那也是完成了一个项目，也有「项目背景、创新点、应用场景，也是能在某个场景下解决了某个问题」，这其实就够了。只要你真的对项目投入了精力，对其有比较好的理解，一定是有可取之处的，证明你解决问题的能力是很不错的。接下来你需要做的就是「如何把项目给面试官讲好」，这里我还是建议大家像写演讲稿一样把你要讲的东西整理成文档，不要只在大脑里凭空想，一定要写在文档里，先去找同学讲一遍，然后面试的时候发现某个地方讲的不够好，回来再继续改进，慢慢地就能将项目讲好了。记住，一定要自信！
比赛：这部分和项目比较类似，面试官比较感兴趣的是「你解决问题的思路、采用的方法以及相比其他参赛者的方法的优势」。和上述一样，最好是整理成文档，把比赛题目、算法设计思路、具体采用的方法以及最后和其他方法的对比和反思都写一下，面试的时候按照写好的逻辑来讲。比赛这里，优胜参赛者的解决方法也是比较重要的一点，面试中经常会问到，一定要去论坛把前几名的方法都大致看一遍，大致了解一下。

简历

简历是给面试官的第一印象，写一份好简历是求职过程中非常重要的开端。在这里也给大家几个小建议，大家写的时候可以注意一下。

「模板」：简历模板尽量简约一些，不要花里胡哨的那种。
「照片」：建议大家去比较专业的照相馆拍一组证件照，西服领带搞起来，这样看起来正式一些。
「项目介绍」：这部分是简历最重要的地方，一定要仔细琢磨，每句话的存在都要有意义，都要体现项目中最"精彩"的部分，切忌废话连篇。另外，每个点的介绍都要胸有成竹，确保面试官问起来的时候能够对答如流，配合第四条中整理的文档食用效果更佳。
「篇幅」：如果你的项目不是特别特别多，那么简历尽量不要超过一页。

面试经历

我大概是从五月底开始投简历的，从所记录的面经中挑了些比较有意义的供大家参考。同时我也给出了我对自己面试过程的总结，但不能代表所有人，大家尽量多看一看面经类分享，这个差异还是很大的。

美团

「一面」

自我介绍；
项目介绍，上线、落地情况；
介绍下LR，思想，LR里的最大似然是怎么回事；
代码题：给出一个函数rand1，随机生成0和1，写一个函数randN，均匀生成0-N-1；
代码题，计算根号N，精确到小数点后m位，二分法，梯度下降法。

「二面」

自我介绍
计算机网络、操作系统学过没；
多进程、多线程讲一下，内存占用方式，为什么线程是共享内存的；
讲下项目，传统方法是怎么做的，有啥优点，是怎么部署的，几个人完成的，数据是怎么采集的，规模有多大；
讲下比赛，几个人完成的，怎么分工的；
有没有碰到过拟合，过拟合的标志是什么，怎么解决；
L1正则化为什么能缓解过拟合；
有没有发论文；
包含百万、上亿特征的数据在深度学习中怎么处理；
降维方法有哪些，PCA是怎么做的，还知道其他的吗；
LR和神经网络有什么区别；
代码题：字符串中长度为len的连续字串中，出现次数最多的字串；
数学题：四个人过河，每次最多两人，有多少种过河方法。四人过河时间分别为1，2，5，10（分钟），问最快需要多久。AB，A回，CD，B回，AB，共17分钟。

「三面」

自我介绍
比赛介绍，比赛的任务，前几名的团队都是怎么做的，你们的亮点在哪里；
挑一个项目介绍；
目前的offer；
职业规划里最看重什么；
反问。

「HR面」：（通过）

本科和研究生期间比较骄傲的一件事情，比较遗憾的事情；
为什么没有选择深造；
最近最有挫败感的事情；
对美团的了解；
职业规划，工作城市的选择；
对自己不满意的地方；
反问。

「总结」：美团的面试流程很紧凑，面试体验也非常好，点赞。

字节

「提前批一面」

自我介绍；
问项目，检测里改进了哪些点，GAN是用来干什么的，怎么用的；
方向相关的一些知识；
其他相关论文里用到的一些方法；
撕题：手写NMS。

「提前批二面」

自我介绍；
介绍项目，面试官好像是做检测的，主要问了问检测的项目；
检测任务有什么衡量指标（mAp），实现原理是什么；
分类里用到的交叉熵公式是什么；
讲了讲比赛里用到的一些点；
pytorch里function和module有什么区别；
pytorch里dataset、dataloader、sampler有什么区别；
python里的生成器是什么；
撕题：LeetCode4：两个有序数组的中位数；

（三面挂了，没有记录。之后又到了三面，又挂了，提前批结束，共六面。）

「正式批一面」：（挂）

自我介绍
项目相关；
生成对抗网络是怎么用的；
CRNN的思想，CTC的思想，CTC中有没有训练参数；
姿态估计相关项目；
TCP/UDP的区别，计算机网络，分布式，数据库，多进程和多线程；
概率题：在一个圆里随机取n个点，它们在同一个半圆的概率是多少？

「正式批一面」：（被捞）

自我介绍；
先写个题，LeetCode33：搜索旋转排序数组；
项目介绍；
进程和线程的区别；
逻辑回归的损失函数是什么，怎么得到的，为什么不能用MSE，sigmoid求导是什么；
ResNet的设计理念，InceptionNet的设计理念；
如何防止过拟合；
BN层的作用，Dropout的作用。

「正式批二面」

L1和L2哪个能使参数分布趋于稀疏，为什么；
特征选择的方式；
连续特征离散化的好处；
偏差和方差的理解；
过拟合和欠拟合；
BN和LN的区别；
PCA的处理过程；
栈空间和堆空间的区别；
BP的过程，CNN中前向传播和后向传播的过程；
代码题：LeetCode138：复制带随机指针的链表
代码题：LeetCode543：二叉树的直径

「正式批三面」：（通过）

自我介绍；
random7生成random10，调用次数的期望是多少，怎么算的；
代码题：LeetCode146.LRU缓存机制，并发式怎么处理，数据量特别大，需要进行分布式存储怎么处理；
反问。

「总结」：在字节前前后后加起来面了四个部门，共十面，还是挺夸张的。前两次都是到了三面被刷，还是很受伤的，不过确实增加了很多面试经历，权当学习了，之后都还好。字节的话大家可以尽量面，如果能到二面、三面而且面评不是很差的话，会一直被捞的。

小米

「一面」

自我介绍；
生成对抗网络在哪里用到的，起什么作用；
损失函数是什么；
知识蒸馏是怎么做的；
Focal Loss的计算式；
代码题：排序数组中某个值出现的次数。

「二面」：（通过）

自我介绍；
讲一下项目中的难点以及是如何解决的；
代码题：面试题01.07.旋转矩阵；
对工作地点有什么想法；
为什么没出去实习；
反问。

「总结」：碰到的两个面试官都很好，沟通薪资的HR也很好，等了我好久，在这里表示感谢。

旷视

「一面」

自我介绍
天池比赛项目；
focal loss的设计，落地情况；
相关方向算法介绍；
crnn相关，gan相关；
bn层的原理，要解决什么问题，还有什么norm方法；
dropout原理，bn和dropout能不能一起用；
代码：给定一个序列，求其连续子序列和大于某个值的最小长度。

「二面」

自我介绍；
项目介绍；
熟悉哪些检测网络，介绍一下思想；
CTC Loss的动态规划求解过程；
Softmax公式，溢出怎么处理；
N个城市之间建一个仓库，使得距离所有城市的距离和最小；K个仓库呢；
一个车辆围着圆圈跑，有一分钟每圈和两分钟每圈两种状态，在P点有30%的概率进行状态切换，问无数圈之后在P点等到车的时间的期望；

「三面」（线下面的，当时忘了记录，只能记住一点点了）：

相关方向的学习历程；
降低网络复杂度但不影响精度的方法；
反问；

「HR面」（同上）：

意向城市；
意向部门；

「总结」：方向很相关，面试体验挺好的。

腾讯

「一面」：（挂）

自我介绍
项目的应用范围
BN的原理，要解决的问题，公式，训练测试中的区别
卷积层和BN的融合知道吗？
如果让模型速度提高一倍，有什么解决方案？
代码：数组中第K大的数。Partation的时间复杂度

「总结」：一面就挂了，没啥好总结的。

大华

「一面」

部门介绍
YOLOV3和YOLOV2的主要区别，loss上哪里不同，smoothL1 loss的好处，Yolo里是向上取整还是向下取整
mean pooling和max pooling反向传播的不同
LSTM的反向传播，公式
Pytorch中bn层在训练和测试中有什么不同，怎么实现的
可分离卷积的思想，参数量计算
Pix2pix和cycleGan的区别

「二面」

浮点数的二进制存储方式；
如何将浮点数的每一位二进制打印出来；
方差和协方差的理解；
伯努利分布和二项分布的区别；
FFT和DFT的区别；
数字图像处理中，卷积(convolution)和互相关(cross-correlation)的关系；
Python中类方法和静态方法的区别；
Linux下查看内存占用（top），buffers和cache的区别；

「总结」：一面面试官问的非常非常细节，有些没能回答上来。二面问的大部分都和方向不太相关，也没有特别准备，挂了也是情理之中。

商汤

「一面」

自我介绍；
项目介绍，蒸馏方法是怎么用的；
对我们的开源项目提意见；
Focal Loss解释；
凸函数的性质；
如何评价两个分布的相似度，KL散度怎么计算；
Auto-Encoder是什么，都用在什么任务上；
Distribute用过没，优点是啥。

「二面」

自我介绍；
介绍下项目中检测相关的部分；
检测里为什么选择refineDet；
Conv和BN融合后点数掉的太多怎么办；
Anchor-free的优势在哪里；
Focal loss在什么情况下有用，什么情况下不起作用；
实现sigmoid函数，怎么防止溢出，误差分析。

「总结」：二面问的非常细节非常专业，没顶住。

海康

「一面」

自我介绍；
项目介绍，数据集是怎么选择的，图像大小大是多少；
比赛介绍；
快排思想，最差时间复杂度；
反问。

「二面」

自我介绍；
代码题：IOU计算；
代码题：LeetCode123.买卖股票的最佳时机 III
项目介绍；
Faster RCNN和SSD的区别；
Focal Loss的使用场景；
反问。

「总结」：一面电话面，项目很相关，聊挺多的，面试官人也很好。二面是视频面，两道代码题都是在纸上写的（真手撕）。可能HR面的时候薪资要太高了，就没后续了。不过当时已经有几个offer了，就没太在意。

知识总结

基础知识整理

想了一下还是决定不贴"答案"，一方面所谓"答案"都是通过个人理解整理而得，只有一些小tips，并不适合所有人，更有可能引起歧义；另一方面大家自己整理一遍也能对问题有更好的理解。

如何解决过拟合；
L1和L2的区别；
梯度消失和梯度爆炸的原因；
什么是Dropout，训练和测试的区别；
Batchnorm层的作用及公式；
为什么LR要用Sigmoid函数；
relu6函数的好处；
smoothL1损失函数的好处；
Yolo2和3的区别；
Pytorch中bn层在训练和测试中有什么不同，怎么实现的；
双线性差值的操作过程；
bn和dropout同时使用产生的问题；
BN+CONV融合公式及作用；
BN的反向传播；
深度学习中的几种归一化方法及不同（BN、LN、IN、GN）
LSTM公式及反向传播过程；
感受野的定义；
分布式学习；
SVM的介绍和推导；
衡量分布之间差异的指标；
ROC曲线和AUC。

数学题整理

扔硬币，扔到正反都出现过停止，次数的期望；
扑克牌放回取牌，A-K加大小王全部都拿到后停，次数的期望；
每个人给A投票的概率是0.51，给B投的概率是0.49，问一亿人投票时A获选的概率；
斗地主有人拿到2张王的概率在；
k个满足独立同分布的均匀随机变量的最小值的期望；
一个骰子平均扔多少回才能把六个数字都扔出来至少一次；
用一个骰子生成1到7的随机数。

其他一些小tips

内推一定要找「靠谱的人」，不要随便找一个内推码就填上了；
投递的时候要先了解下「部门的HC」，HC的数量在很大程度上决定了你的求职难度，可以多考虑下扩招的部门；
综合考量多方面的信息来源，不要根据某一篇文章中的信息做决定，包括本文；
「简历一定要多投」；
进入八、九月份你会非常非常忙碌，最好通过日历记录下每天的笔、面试日程，windows自带的日历就很好用；
多加些群，可以得到很多信息，但要注意甄别；
自我介绍也写成文档，反问环节也可以提前准备；
多在牛客网这类平台上刷面经；
拿到一个offer之后一定不能停止秋招，「一个offer的风险非常大」。

写在最后

算法岗的秋招并不是洪水猛兽，也不是只有少数人才能得到的岗位，只要你有「一定的项目基础，有坚定的信心和踏实的努力，并且能坚持到秋招的最后时刻，一定可以拿到满意的offer」。道路是曲折的，前途是光明的，师弟师妹们冲鸭！

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定要备注信息才能通过）

- END -

NLP，吹爆与落地

2021-06-13

聊聊2021秋招互联网薪资

2021-06-07

深度融合 | 当推荐系统遇见知识图谱（三）

2021-06-02

李沐：博士这五年

2021-05-29