寫在前面

今天給大家分享一份NLP算法方向的社招面經，當然校招也可以參考，希望對大家有所幫助。在今年這個相對糟糕的大環境下，面試者歷經1個多月的刷題復習+1個多月的面試，最終拿到了多個大廠offer。

1.背景

2022年大環境不太好，整體hc(head count)比2021年少了很多，回想2021年，各個候選人所到之處，各家大廠中廠竭誠歡迎，hc充足，大家挑花了眼，那種生機勃勃，萬物競發的景象猶在眼前，沒想到短短一年之后，居然情況急轉直下。

情況介紹：我主要做nlp，也涉及到多模態和強化學習。2022年的大環境比較差，能投的公司不是很多，比如騰訊，主要還是高級別的，所以騰訊我就沒投（說得好像我投了能面過一樣...）。面了的公司包括小紅書，抖音，寒武紀，螞蟻，還有一些國企和研究院，比如北京智源人工智能研究院，某國內金融公司，其他的用來練手也面了一些，比如蔚來汽車，吉利汽車，華人運通，boss直拒，還有一些元宇宙公司，AI制藥公司之類的，拿到了其中大部分offer，當然我自己也遇到一些拉胯情況，比如小紅書二面掛[笑哭]。

2. 面試總結

這一個多月面下來，總體面試考察主要包括下面幾個模塊：代碼題+項目細節+八股文+場景題。其中：

代碼題

代碼題，寫不出來大概率還是要跪的，我覺得刷200道左右一般就問題不大。200道爭取達到肌肉記憶，就是給出你題目你要10s之內給出思路，哪怕沒有bug free，但是一定要保證有思路。有一點要注意，200道高頻題刷2遍，好過400道題目刷一遍，重點還是刷高頻題。另外推薦的刷題地址，里面可以選擇公司和標簽：

刷題地址：https://codetop.cc/home

項目

項目細節我的感觸最深，有些面試官會問的很細，在不斷的試探我們的邊界，所以項目細節還是要準備到位。通過這段時間的面試我反而對項目的理解更深刻，不知道這算不算面試給我帶來的收益？

這里有一個提高通過率的小trick：可以和1個或者多個靠譜小伙伴一起，讓大家看對方的簡歷，假設自己是面試官，然后針對項目出一些題目，這樣一來可以查漏補缺，有點co-teaching的感覺，這個方法還是挺管用的，大家可以試試~

八股文

八股文的話主要圍繞項目出題，比如你做了強化學習的東西，那么常見的reinforce，actor-critic，on policy和off policy的區別，一定要掌握。比如你項目用到了swin-transformer，那么swin-transformer和傳統的transformer的區別是什么，patch merging怎么做的，要清楚。

場景題

場景題可能是大廠喜歡考察，小廠不一定問。

3.面經

廢話不多說，面經奉上。

3.1 小紅書

3.1.1 小紅書一面

聊項目。

你們的訓練集和驗證集，測試集分別是多少？怎么來的？

宏平均和微平均是用來干什么的？是如何計算的？他倆的主要區別？

知識蒸餾為什么有效，詳細介紹一下知識蒸餾？

強化學習適合在哪些場景使用？

智力題：如何用rand6實現rand10。

代碼題：lc 76，最小覆蓋子串。

3.1.2 小紅書二面

聊項目。

layer normalization的好處是？和batch normalization的區別？你有沒有看過有的transformer也用bn？

BERT的主要改進，包括結構的改進，預訓練方式的改進，都說一下？（這里能說的很多，挑自己熟悉的說就行）

Reformer中，LSH（局部敏感哈希）是如何實現的？

CRF和HMM的區別，哪個假設更強？他們的解碼問題用什么算法？

lstm參數量計算，給出emb_size和hidden_size，求lstm參數量。

cv中有哪些常見的數據增強方式。

簡單實現一個layer normalization類，只需要實現__init__和forward就行。

總結：這一面壓力不小，而且面試官從一開始就多次打斷我的說話，說我目前做的項目沒意義，而且表情好像不耐煩，不知道是不是晚上面試耽誤他下班了。這是我體驗最差的一場面試，當時我有點想和他懟起來，但是想想還是忍住了，最后掛了也是意料之中

3.2 抖音

3.2.1 抖音一面

聊項目。

AUC的兩種公式是？你能證明這兩種等價的嗎？

BERT-CRF中，為什么要加CRF？好處是？

self-attention為什么要用QKV三個矩陣，不用有什么問題？有沒有哪個模型的Q和K矩陣是一樣的？

reinforce屬于on-policy還是off-policy？為什么？

reinforce帶上baseline好處是？reinforce的loss寫一下？

策略梯度會推導嗎？簡單寫一下？

代碼題（代碼題一般別著急寫，先跟面試官說下思路，確定了再寫）：

lc 46，全排列（lc表示leetcode，下同）。

lc 73，矩陣置0。

總結：這一面我以為面試官只會問多模態，不會問強化學習，沒想到這個面試官好厲害，強化學習也很懂，真的很強啊，我比較好奇，他們哪里來那么多時間看那么多領域的東西

3.2.2 抖音二面

介紹項目。

知識蒸餾有哪幾種？你覺得哪種效果最好？

nlp的數據增強方法，主要有哪幾種？每一種舉個例子？

分類的損失函數為什么是交叉熵而不是mse？

BERT對輸入文本的長度有什么限制，為什么要限制長度呢？

BigBird里面有哪幾種注意力機制？相比原始transformer的self-attention的優勢？

場景題：如何根據拼多多的商品數量，估計淘寶的商品數量？

給出emb_size, max_len, vocab_size, ff_inner_size，num_heads, 12層，求BERT參數量。

代碼題：n皇后問題。

總結：給我來了一道hard題目，我以為我要掛了，結果沒幾分鐘HR告訴我過了。

3.2.3 抖音三面

簡單聊項目。

CRF和HMM區別？CRF為什么比HMM效果好？

如果BERT詞表很大，比如vocab_size達到幾百萬，怎么辦？

快速手寫一些transformer的mha（多頭注意力），偽代碼意思一下就行。

為什么對比學習中，temperature很小，而知識蒸餾的temperature比較大？

你覺得在抖音買東西，和淘寶、拼多多他們的區別是？（我沒在抖音買過，就只能現場編。）

你最近看到過哪些paper？簡單介紹下？

你覺得自己有那些優缺點？平時喜歡怎么緩解壓力？

總結：這一面的面試官很和藹，一直笑呵呵的，后面就是閑聊了，體驗很不錯。

3.3 螞蟻

3.3.1 螞蟻一面

聊項目。

多模態的預訓練方式你知道哪些，知道的都說一下？

coca和CLIP的區別？為什么coca效果比CLIP好？

CLIP預訓練的時候，batch size達到了32768，他用到了哪些trick去提高batch size？

CRF的loss寫一下，CRF打破了HMM的哪個假設？

對比學習為什么有效？cv和nlp的經典的對比學習的模型說一下？

多頭注意力的頭的數量，對參數量有影響嗎？為什么？

transformer里面為什么要加add&norm模塊？好處是什么？

代碼：

簡單實現一個transformer-encoder-layer，要求pre-norm和post-norm可選。

編輯距離。

這和我想的螞蟻的面試不太一樣，我以為螞蟻的代碼題會容易一些呢，之前看到的面經，螞蟻的代碼題一般以medium為主

3.3.2 螞蟻二面

聊項目。

衡量對比學習的兩個指標是哪些？公式？

transformer相比lstm的優勢有哪些？

distillBERT， tinyBERT， mobileBERT和miniLM，他們是如何對BERT蒸餾的？

ViT是如何對圖片進行處理的？為什么要加position embedding？

說到position embedding，transformer一定要加position embedding么？有些模型沒有加pe，你知道嗎？

beam search的思想，偽代碼實現。

代碼題：lc 33，排序數組的搜索。

3.3.3 螞蟻三面：

聊項目。

多頭注意力，給出序列長度n和hidden_size，那么多頭注意力的時間復雜度是多少？

ALBert相比BERT的改進，說一下？

BERT預訓練有哪些問題？后面的模型怎么改進的？重點說說ELECTRA和MacBERT。

有沒有了解過，有的模型用生成的方式做信息抽取？

講一下UIE模型是怎么做信息抽取的？其中的SSI和SEL說一下？

你老家哪里的？有哪些興趣愛好？

你覺得自己優缺點有哪些？

我們走個流程，來一道代碼題吧:lc 207，課程表。

3.4 寒武紀

3.4.1 寒武紀一面：

聊項目。

你知道哪些對比學習的方法？cv和nlp都說一下。

simCLR和moco區別？moco里面加k_encoder的作用？

moco v2, moco v3相對moco的改進有哪些？

resnet為什么效果好？殘差連接的好處？

pytorch中，dataloader dataset和sampler的關系？

動態圖和靜態圖區別？

蒸餾，量化和剪枝的原理大致說一下？

3.4.2 寒武紀二面：

聊項目。

簡單介紹一些CRF的好處，CRF條件概率的公式寫一下。

transformer相比lstm的優勢有哪些？

transformer優點那么多，是不是可以淘汰lstm了，以后全用transformer？

swin-transformer和ViT的區別？數據量少的時候，他們和ResNet比，哪個效果好？為什么？

寒武紀做什么你知道嗎？分布式訓練用過嗎？

pytorch的ddp和dp區別是什么？

你對混合精度的了解多嗎？說一下混合精度的原理？

4. 面試感受總結

高密度的面試挺累的，所以我建議分階段面試：前期面試一些練手的小公司，同時這些小公司也不能太水，不然達不到練手的效果，然后比如隔一周時間稍微總結下，接下來正式面試自己的dream company。

結對跳槽是個不錯的選擇，這次跳槽我和朋友一起跳，相互給對方出題，相互吐槽自己遇到的奇葩面試官，比自己一個人跳槽有趣的多。這次面試的復習過程也得到了很多大佬的幫助，比如 給了我很多指點和建議，沒有他們的幫助我估計面試通過率下降一半，所以內心真的特別感謝~

持續更新中，因為最近面試完了以后有點累，加上本身工作也有點忙，面經沒寫完，后面會繼續更新~

審核編輯 ：李倩