华为算法岗武功秘籍（上）-FlyAI

华为算法岗武功秘籍（上）

Python3

最后更新 2021-07-14 17:07 阅读 5315

最后更新 2021-07-14 17:07

阅读 5315

Python3

![](https://pic4.zhimg.com/v2-c2510f3df3d39da19f81e0ac7069dc56_r.jpg)

**华为面经目录**

> 1 华为面经汇总资料
2 华为面经涉及基础知识点
3 华为面经涉及项目知识点
4 数据结构与算法分析相关知识点
5 编程高频问题：Python&C/C++方面
6 操作系统高频问题：数据库&线程等
7 技术&产品&开放性问题

1 华为面经汇总资料

**1.1 面经汇总参考资料**

① 参考资料：

（1）牛客网：华为面经-172篇，[网页链接](https://www.nowcoder.com/discuss/experience?tagId=645&order=3&companyId=239&phaseId=0 "网页链接")

（2）知乎面经：[点击进入查看](https://www.zhihu.com/search?type=content&q=%E7%AE%97%E6%B3%95%E9%9D%A2%E7%BB%8F "点击进入查看")

（3）面试圈：[点击进入查看](https://link.zhihu.com/?target=http%3A//www.mianshigee.com/interview/t17 "点击进入查看")

② 面经框架&答案&目录&心得：

（1）面经框架及参考答案：[点击进入查看](https://link.zhihu.com/?target=https%3A//docs.qq.com/doc/DWGZGc0ZVYmZCUFNO "点击进入查看")

（2）大厂目录及整理心得：[点击进入查看](https://link.zhihu.com/?target=https%3A//docs.qq.com/doc/DWGZGc0ZVYmZCUFNO "点击进入查看")

**1.2 面经涉及招聘岗位**

（1）实习岗位类【华为云EI实习岗】、【计算机视觉实习生】、【华为杭研院Cloud&AI昇腾计算产品部算法实习】

（2）全职岗位类【机器学习算法工程师】、【终端部门算法工程师】、【开发硬件算法工程师】、【华为上研算法工程师】、【AI应用研究中心工程师】、【华为云视频内容分析】、【华为消费者bg算法工程师】、【Cloud Bu人工智能工程师】、【华为南京研究院算法工程师】、【华为成都研究院算法工程师】、【华为AI算法工程师】、【华为西安研究院算法工程师】、【华为南京NLP算法工程师】、【华为自动驾驶算法工程师】、【华为射频算法工程师】、【华为消费云服务部AI工程师】、【华为数据存储与机器视觉产品线智能协作产品部AI工程师】、【华为智能车BU AI算法工程师】、【图像算法工程师】、【音频算法工程师】、【搜索推荐算法工程师】、【圣无线的通用软件开发工程师】、【成都传送/无线部门通信算法工程师】、【华为数据存储AI工程师】、【昇腾计算产品部AI工程师】（机器学习方向）】

**1.3 面试流程时间安排**

PS：以上流程为大白总结归纳所得，以供参考。

其他注意点：

●  有些人在第一面之前，还会有机试和性格测试
●  有些区域是技术面+机试性格测试+三面BOSS面
●  有些人是先综合面，再HR面

**1.4 华为面经面试心得汇总**

★  华为特别重视底层原理，和其他互联网公司不一样。
★  华为的面试看面试官吧！有的人会被很多技术的，有的只是聊聊人生和项目。
★  总结一下三场面试，需要准备好编程相关的问题，机器学习相关的问题，自己方向最新的技术。另外，三场面试都着重问了项目，可能我比较菜，没有发过论文。自己对项目的细节一定要十分了解，这样就不用慌了，随便问都能答上来。
★  每个区域的招聘流程稍微有点差异，不过一般分为基础面试、综合面试：基础面试基本就是聊项目经历或者实习经历，另外有些会从产品的角度出发，出一些发散性思维的题目，不怎么为难你 ，主要问项目经历综合面试主要谈性格、对华为的认识、为什么想加入华为；主要看重承担压力的能力，表现的性格开朗就Okay了。
★  有的时候，面试很难，有的时候很简单，所以还是看人，但是最好认真准备，以不变应万变。
★  聊简历上的项目，每次说到某个点会继续深入问一下，但挖的不深。我面的那个面试官是做人脸识别和指纹识别的，最后问我怎么识别是照片还是真人，我以为都只能拍一张照片，就说了一些用深度，或者阴影和光照等解决之类的，但其实是可以拍很多张的，可以根据运动判断，所以跟面试官好好沟通真的很重要！

**2 华为面经涉及基础知识点**

**2.1 图像处理基础**

2.1.1 讲解相关原理

●  传统图像处理的canny算子

**2.2 深度学习：CNN卷积神经网络方面**

2.2.1 讲解相关原理

2.2.1.1 卷积方面

●  CNN中1*1卷积核的作用？ 
●  介绍一个熟悉的CNN模型，卷积怎么反向传播？
●  CNN基本组成，什么是感受野， 反向传播原理?
●  膨胀卷积原理
●空洞卷积相比普通卷积的不同之处，如果特征图很小，这时要用空洞卷积就会加很多padding，增加很多无用信息，怎么处理这种情况？

2.2.1.2 池化方面

●  池化层的作用？（拓展讲了种类、反向传播，以及 pytorch 特有的自适应池化）

2.2.1.3 网络结构方面

●  简述MobileNet的V1,V2,V3的区别？
●  vgg、resnet、densenet之间的比较?
●  画一下MobileNet网络结构
●  resnet和denseNet的网络结构，以及为什么这样设计？
●  ResNet的作用?
●  认识哪些常用网络，是为了解决什么问题所提出的？
●  为什么要用轻量级的网络？shufflenetv2相比v1有什么改进？

2.2.1.4 其他方面

●  简单的介绍一下CNN，及它的发展和应用？
●  自己写网络模型时，是手动搭，还是复现或调库？自己有没有优化或者自己搭建新模型，描述一下？
●  梯度消失/爆炸产生原因，及解决方法？

2.2.2 公式推导

●  写一下了batch norm的公式？
●  Softmax等层的原理（公式）写一下？
●  推导神经网络链式法则

2.2.3 手写算法代码

●  手推卷积过程

**2.3 深度学习：RNN递归神经网络方面**

2.3.1  讲解相关原理

●  简单的介绍一下RNN，及它的发展和应用？
●  RNN，LSTM，GRU的异同?
●  介绍LSTM及其变种?
●  解释LSTM原理，LSTM的结构描述一下，超参数说一下？
●  LSTM为了解决长依赖问题，引入了三个门，分别啥意思？
●  能否详细的介绍LSTM模型的结构和内部的运行过程？
●  双向LSTM比LSTM到底好在哪？
●  LSTM为什么可以避免过拟合？
●  LSTM哪个门用到了上一状态？

2.3.2 手绘网络原理

●  画出LSTM的结构图，写公式

**2.4 深度学习CNN&RNN通用的问题**

2.4.1 基础知识点

●  不平衡样本怎么处理?
●  Transformer相比于RNN你认为有哪些改进？
●  怎么做的数据增广？
●  attention怎么做？

**2.5 传统机器学习方面**

2.5.1 讲解相关原理

2.5.1.1 数据准备

无

2.5.1.2 特征工程

① 特征降维

●  SVD与PCA的关系？

② 特征选择

●  特征选择的方法？(这里建议分 filter, wrapper, embedded 来讲，我只是说了PCA，LDA，L1）

2.5.1.3 有监督学习-分类和回归方面

① 分类回归树（集成学习）

●  集成学习了解吗？XGBOOST/GBDT简单介绍，区别？
●  bagging和boosting，stacking区别，分别的原理？A.基于bagging：随机森林
●  为什么随机森林能降低方差？B.基于boosting：Adaboost、GDBT、XGBoost
●  树模型和熵介绍，为什么xgboost效果好？
●  xgb和gbdt的区别?
●  GBDT、RF 有什么异同？各适用于什么样的情况？
●  介绍xgb,lgb?

② 逻辑回归LR

●  线性回归解析解的推导（三种方法）

③ SVM（支持向量机）

●  介绍一下SVM，介绍了核函数的种类、支持向量、超平面、软间隔、Hinge Loss？
●  svm 优缺点

④ 朴素贝叶斯（Naive Bayes）

●  贝叶斯模型？（这里我顺着讲了朴素贝叶斯、逻辑回归最大似然推损失函数的过程）
●  解释极大似然估计，最大后验概率估计，解释核函数及其应用？

⑤ 决策树（DT）

●  决策树划分选择、树的复杂度、剪枝?
●  决策树，随机森林原理？

2.5.1.4 无监督学习-聚类方面

●  knn与k-means的区别？
●  k-means和DBSCAN 的对比，k 的选取，提速，聚类方法的评估？
●  聚类算法如何提升性能？
●  K-mean算法的优缺点（简历中有提到K-means++）
●  DBSCAN的原理?

2.5.2 手推算法及代码

●  手推SVM
●  写一下贝叶斯公式
●  写一下KL散度公式

**2.6 深度学习&机器学习面经通用知识点**

2.6.1 损失函数方面

●  深度学习有哪些激活函数？为啥会有激活函数？
●  为什么Relu的结构小于0的输出为0？这样有什么优点（防止梯度消失，稀疏性以及加快计算，当时没想到）什么缺点，如何改进，改进版relu的名字是什么（忘记了叫LRelu）？
●  MSE和交叉熵的区别 ，写交叉熵？
●  手推交叉熵的求导

2.6.2 激活函数方面

●  Sigmoid与Softmax的区别与联系？
●  说一下激活函数，relu和sigmoid区别？

2.6.3 网络优化梯度下降方面

●  sgd和adam的优缺点？
●  什么是ADMM，为什么用ADMM，子问题为什么不用梯度下降求解？
●  梯度下降为什么可以成功？（我回答的是损失函数是凸函数）

2.6.4 正则化方面

●  L1，L2符合哪种分布？

2.6.5 压缩&剪枝&量化&加速

●  模型压缩的几种方法？（量化、剪枝、低秩分解等 ）实际用过吗？
●  量化的理解，有什么好处 ？
●  加速优化的方法有哪些，剪枝如何操作，最近看过的论文，跟进的方法？

2.6.6 过拟合&欠拟合方面

●  怎么判断过拟合与欠拟合？
●  解决过拟合和欠拟合的办法?
●  机器学习当中可能会有欠拟合过拟合的问题，怎么解决过拟合问题？
●  对于传统的机器学习(rf,lr,svm)来说，一般靠引入正则化项来避免正则化问题，那么应用到深度学习里面，过拟合的解决方式主要有dropout、early-stopping、数据增强等

2.6.7 其他方面

●  深度学习与传统方法的区别，深度学习为什么效果这么好？
●  根据项目经历解释偏差-方差的权衡？
●  数据不平衡怎么解决？
●  说一下训练模型过程中可能遇到的问题以及解决方法？(这里我详细讲了梯度消失、爆炸，训练曲线不下降，过拟合，欠拟合的产生情况和解决方案)

>来源：知乎

>作者：江大白

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://flyai.com/article/963

讨论

500字

表情

发送

删除确认

是否删除该条评论？

取消删除