百度现场面一二面面经（二面挂）
一面：（12点15开始，大约30分钟）
自我介绍
介绍项目
对话系统如何设计的？你负责哪些部分，遇到什么样的问题？
问实习的内容：
面试官引出了一些问题，文本多标签分类是怎么做的，为什么用多个二分类器做，这样做的概率分值具有可比性吗（没有可比性），如果想要可比性例如用在推荐系统中，要怎么改进？（回答了不用多个二分类器，用softmax，多标签判定加个阈值）；两个方法比较的优缺点分别是什么？实际运用过程性能怎么样？
文本相似度为什么采用余弦相似度，了解其他的吗？（回答了欧式距离jaccard相似度，和dssm模型），LR做文本相似度设计了哪些特征？
画出CNN用在文本分类问题的结构流程图
算法题：n个人编号为1-n 围成一圈，1开始报数，数到m的人出列，下一个人重新开始报数，最后剩余的人的编号是多少？
二面：（一点40开始，大约一个小时）
自我介绍
让我选一个项目具体介绍难点和解决方案（数据怎么处理的，你的创新点解决了这个难点吗？你觉得这样做还有什么问题遗留吗？）
你了解传统的机器学习方法吗？（说了LR，svm，决策树这些）
手写LR的梯度回传（SGD方法+交叉熵）
除了SGD,还了解其他梯度调参方法吗？（回答了动量和adam)
写一下动量和adam的公式（adam的忘记了没写出来）
SGD有什么缺点？为什么会有这个缺点？动量的提出动机是什么？为什么能够解决SGD的这个缺点？Adam的思想了解吗？为什么梯度是最快的下降方向，能证明吗？（我蒙了。。。。这段很尴尬）
你自己有哪些调参的小trick分享一下（有点蒙，说了学习率会尝试从0.001开始，根据经验进行调大和调小，或者尝试使用学习率衰减，衰减系数通常会设置为0.95）
遇到loss不降有什么办法可以debug？（回答了从数据和模型两个方面进行debug：（1）数据上看是否处理错误，归一化方法选择是否正确；（2）模型结构方法，会检查是否写错了，或者结构设计不合理；）（后来想想回答的方向不对）
如何证明是数据的问题？（回答了换用一批预处理正确的数据来跑模型，或者采样一个小数据的集合来验证）
如何证明是模型的问题？（这个没答好，因为当时内心os，不是数据问题就是模型的问题啊）
提示：如果梯度求导错了，有什么方法可以debug
训练过程中过拟合了怎么办？
L1L2正则有什么区别，为什么正则化能够缓解过拟合，如何证明L1正则化能够带来稀疏性
算法题：给一个无序的数组，求数组中三个数的乘积最大的值
凉凉，二面面试官评价我说，让我回去再好好看看基础
#百度##校招##面经#
