吃肉的星星

2021-10-03 15:51 算法工程师

关注

面试复盘|顺丰科技视觉算法工程师面经（已OC）

回馈大家~顺利拿到Offer了

听说今年cv算法顺丰只有10个hc，太难了，cv方向算法太不容易了。

希望能给个三连~想要晋升红名呜呜

Timeline:

8.2投递

8.3测评：性格测评，就是性格的一些测试，没有什么所谓的材料分析，数字计算，逻辑推理（我一个码农居然还要做行测。太难了）等

……

然后期间就一直没有消息，但是顺丰科技的其他岗位诸如：pm都开始陆陆续续面试了，一度以为自己凉了🤣

直到8.30 发了笔试

9.6 笔试过了约一面

9.9 一面

9.11 告知一面通过，约二面

9.14 二面

9.17 告知二面通过，约HR面

9.22 HR面

9.30 赶着祖国的生日，发意向咯~

笔试

选择题，基础的语法，编程，机器学习和深度学习的基础

2题coding，好像1.08/2，第二题偏难，骗了点分就跑hhh

一面：35mins

一面是个小哥，面试体验很赞，问的也比较基础

怼项目~提问题

基础题：

(1)在原地即不使用任何额外的空间复杂度交换两个数（挺基础的，好像大学的C语言老师就有说过Hhh）

1.相加寄存：a=a+b b=a-b a=a-b

2.位运算：b=a^b; a=a^b; b=a^b

(2) 机器学习题：模型的方差和偏差是什么，怎么减少bias和var:(蛮经典的一题，不过深度的可能没怎么接触)

要点参考：

Error=bias+var+noise

方差：不同训练集训练的模型对相同测试集上输出的差异。

偏差：模型输出和真实结果的差异

Baging减少方差，boosting减少偏差

二者权衡：高偏差，低方差的模型

（3）BN：太经典了。。。。考了好多次了。。。。

GN,IN,LN的关系：

GN介于LN,IN，GN是基于BN在小batch上效果不好应运而生。LN相当于GN中分组为G=1 ，IN相当于GN中分组G=C.可以具体展开介绍包括沿着哪个方向归一化，归一化后的维度（N,C,H,W）各是多少

敲黑板：伪代码要会写！

追问：Transforemr中用LN，为什么？改成IN会变成什么？

（4）解决梯度消失：、

要点参考：

1.grad_clip

2.Relu→Sigmoid

3.resnet

4.BN

追问：Relu→Sigmoid，为什么可以缓解梯度消失呢？Relu在0点可导性，

以及对于激活函数的要求是什么？

要点参考：

主要是因为它们gradient特性不同。sigmoid和的gradient在饱和区域非常平缓，接近于0，很容易造成梯度消失的问题，减缓学习的收敛速度。这个现象在网络层数多的时候尤其明显，是加深网络结构的主要障碍之一（加分点：介绍Resnet的改进）。相反，Relu的gradient大多数情况下是常数，有助于解决深层网络的收敛问题。

在0点不可导，（回去复习高数Hhh）但是会人为地设置此点的导数为0，顺便解释了一下可导性和可微的区别

要求：非线性，处处可微，非饱和，单调，zero-centered，最好还计算简单hhh（加分点：介绍Mobilenet relu &relu 6的改进）。

同时举了个反例sin x，面试官点了点头，又说：不过这几年还真有人用了？？

我：？？？？？

然后结束了hhh，比较基础

二面：35mins

二面是个小姐姐，说话柔柔的，面试体验很赞，题型也是比较常规的，反问环节问了问sf的cv岗的一些职责~

基础题：

1.常用的回归损失函数Timeline：

要点参考：

A:L1系列：L1,L2 Loss，SmoothL1 loss（重点介绍：为什么小的梯度用L2,大梯度用L1）

B:IOU系列 IOU ;Generalized IOU; Distance IOU;Compete IOU ~重点介绍各自的缺点和后续采用什么思路去改进的

2.Yolo系列时间线（问的很深，问到了yoloX和对于当前Yolo系列的评价）

要点参考：

（1）Yolov1:FC预测坐标绝对值，7x7 grid预测（相当于最初的anchor free）

（2）Yolov2：用Conv预测坐标的偏移量，BN，先验框的设置

（3）Yolov3：Darknet-53(参考了resnet的残差结构)，参考了FPN的多尺度预测，K-means

(4) Yolov4: 太多了。。。。CSPDarknet ,Mish激活函数，Mosaic增强等

**（5）Yolox ：AB→AF，sim OTA，Decoupled-head 这个是今年（2021的旷视的）的一个热点，建议好好阅读这篇paper，很佩服这篇文章的作者，respect!

然后分享一下我的view:Yolo从一开始到现在，由v1的AF到AB再到AF，其中不论的anchor-match,data aug,backbone等都有了很大的变化，包括v3后的作者推出了cv界，更是没有了统一的界定了。严格说yolo。我个人认为：（1）yolo目前始终注重speed和accrucy的trade-off!这个应该可以作为它的一个中心思想（2）始终One-stage(废话)

3.量化做过吗？TensorRT的推理加速的原理是什么？

4.Focal loss

要点参考：

（1）前置：CE Loss介绍

one-stage vs two-stage：没有rpn直接做回归，太多noise

Loss收敛:大部分是简单负样本，困难负样本（是背景预测为前景，而且分数还挺高的anchor）的学习收到抑制。

（2）α控制正负样本 β控制难易样本，控制的过程，公式分析和介绍

（3）相似应用：OHEM IoU-balanced sampling等

5.解释一下归并排序吧~

要点：分治思想，递归拆分，栈实现两个有序数组的排序（双指针问题），复杂度分析（排序n递归拆分logn）时间复杂度nlogn，空间复杂度1

写了个伪代码~

反问：顺丰的CV业务~

HR面：30mins
1.Base地的选择

2.手头offer

3.对cv的看法，今后的职业规划

4.实习的心得体会

5.家庭情况

6.对顺丰该岗位的认知

小姐姐很有耐心，一步步的引导~感觉对顺丰又了解了一些

告知一到两周发意向~效率很高