旷视 CV算法研究员 凉面

可能因为报的是研究员岗，所以面试的问题都很数学，太难了。

一面

矩阵连乘的算法复杂度计算

问题1：计算N个矩阵做乘法的时间复杂度。矩阵大小分别为(a0, a1), (a1, a2), ... (an-1, an)。
回答：

问题2：这里面会存在一个问题，如果更换乘法顺序则会出现不同的计算复杂度，比如三个数相乘复杂度可以是 ，也可以是 。
也就是说矩阵乘法满足结合律，是否有方法使得复杂度最小？复杂度最小是多少？
【没答出来】

掷骰子的次数期望

问题：掷骰子，问能刚好产生全部6个数所需的抛掷次数的期望是多少 ？
答案：
得到第一个点期望 ;
第n次得到第二个点概率 期望是 ；
同理，第三个点期望 ；
...
最后全部6个数都抛掷出来的期望是 。

二面

一维随机游走

问题：假设有一个一维世界机器人从原点出发， 机器人任意时刻有0.5的概率向左走，0.5的概率向右走， 问，时刻t位置的期望?
【随机游走的题目，都忘了啊。。。没答出来】
答案：MIT Random Walk

L1正则化和L2正则化

问题：L1正则化和L2正则化各自有什么特点？
答案：L1正则化就是在loss function后边所加正则项为L1范数，加上L1范数容易得到稀疏解（0比较多）。L2正则化就是loss function后边所加正则项为L2范数的平方，加上L2正则相比于L1正则来说，得到的解比较平滑（不是稀疏），但是同样能够保证解中接近于0（但不是等于0，所以相对平滑）的维度比较多，降低模型的复杂度。

问题：L1正则化为什么得到稀疏解？
答案：

1. 从导数的角度考虑，L1在原点处有突变，这里可被看作是一个极小值，故优化时容易走到这个最小值点——也就是 为0处。
2. 图解法和贝叶斯先验法