shein一面面经

shein一面面经
面试是qq视频，我电脑上没装qq，直接用的手机，面试官迟到了十分钟。
1、自我介绍（感觉压根没听，我因为实习新做了个项目，在之前投递的简历里没写，但是自我介绍着重介绍了，but没有问）。
2、介绍一下实习项目，因为用到了LSTM，就问了LSTM，然后问为什么没用GRU，CNN了解么？池化层是怎么做反向传播的？（这个不会，就解释了一下池化层的理解）
3、介绍一下研一时候的深度学习项目，做序列标注的，用到了CRF就问了CRF和HMM的区别（之前做过笔记，但是没有深入理解，就忘了，只答出来了一个判别模型一个生成模型，应该还有有向图和无向图，还有blabla之后再补吧）
4、优化方法用过哪些（Adam）为什么它好用，它没有什么缺点么？
5、logistic回归，它的L1正则和L2正则有什么区别？说了正则化项以及L2正则化项不会为0因此不会起到特征选择的作用，而L1正则会有稀疏的效果。又问为什么L2不能为0，没答上来，太不应该了，这会想起来了
l1正则有稀疏作用是因为若w1为正，则每次更新减一个常数，若W2为负，则每次更新加一个常数，会产生w=0的情况。L2正则是所有元素的平方和再求平方根，因此让w的二范数最小使每个元素都很小都接近于0，但是不会让它等于0，
6、梯度消失梯度爆炸解决方法，这个刚复习过，答得还不错，说出了五六条。
7、SVM了解么？说了几何原理，类别集合到分类超平面的最小距离最大化，然后使用拉格朗日乘数法将原始问题转化为对偶问题，求解。再问，怎么转化为对偶问题，答kkt条件，再问转化为对偶问题之后怎么求解，我说求导，他说不对，不对就不对吧，我现在脑子嗡嗡的。
8、xgb了解么？说是Gbdt的改进。做了哪些改进？说了正则化，使用了二阶导数的信息，列抽样，又问对于缺失值是怎么处理的，说自动学习出分裂方向，笑着说怎么自动，我说不知，他说贪心，哦哦哦好的，我已经精疲力尽了。
9、模型评估，我说实习项目就用的准确率，然后之前有项目用的AUC曲线，笑了，是ROC曲线吧？哈哈哈哈哈，是的，我总是闹不清楚，那ROC曲线的正负坐标？应该是x,y轴吧，就说了x,y轴的意义。
10、牛顿法和梯度下降法的区别，说了一阶导数和二阶导数，然后就说不上来了，牛顿法应该收敛的更快一些，这个蒙错了，超级糗，后边在提示之下说了梯度下降法的缺点，局部最优点。
11、对我们公司有什么了解么？有了解，去年还想投算法实习的，但是简历不匹配。
12、只考虑南京么？答是的
13、终于到了反问环节，已经过去了一个小时，因为我很想拿到第一个让我心安的offer，所以我很想问对我的评价怎么样，有什么需要改进的，but，他问我的是：对我们公司还有什么要了解的么，我就只好问，总部在南京是么，然后他介绍了公司规模以及算法部门的一些方向。我想不出来什么好问的了，太累了，脑仁疼。
许愿一个offer，给我增加一点自信心。