腾讯算法岗武功秘籍（上）-FlyAI

腾讯算法岗武功秘籍（上）

Python3

最后更新 2021-06-29 10:57 阅读 2417

最后更新 2021-06-29 10:57

阅读 2417

Python3

![](https://pic3.zhimg.com/v2-1502acc2efe4f47115c9cb576293ae6a_720w.jpg?source=3af55fa1)

**腾讯面经目录**

> 1 腾讯面经汇总资料 
2 腾讯面经涉及基础知识点   
3 腾讯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 腾讯面经汇总资料

1.1 面经汇总参考资料

**① 参考资料：**

（1）牛客网：腾讯面经-212篇，[网页链接](https://www.nowcoder.com/discuss/experience?tagId=645&order=3&companyId=138&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](http://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://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://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【微信nlp应用研究实习】、【光子技术中心实习生】、【腾讯游戏算法实习】、【PCG推荐岗实习】、【腾讯AI暑假实习岗】、【腾讯新闻NLP实习】、【腾讯音乐媒体研发中心算法实习】、【腾讯机器学习暑假实习】、【视频推荐算法实习】、【腾讯应用宝推荐算法实习】

（2）全职岗位类【omg事业群计算机视觉工程师】、【腾讯优图算法工程师】、【SNG云部门算法工程师】、【腾讯社交广告部算法工程师】、【IEG安全部门算法工程】、【IEG（数据挖掘部）机器学习】、【腾讯游戏数据挖掘实现】、【微信事业部机器学习】、【PCG机器学习】、【TEG事业群机器学习岗】、【腾讯量子研究室】、【IEG事业群光子工作室】、【腾讯短视频推荐算法工程师】、【wxg推荐算法工程师】、【腾讯AI Lab】、【腾讯北京应用研究路径规划和车辆流量监测】、【PCG看点用户增长算法工程师】、【TEG应用研究岗】、【PCG应用研究岗】、【PCG微视业务组】、【微信搜一搜算法工程师】、【PCG腾讯视频搜索】、【腾讯云NLP算法工程师】、【CSIG腾讯云算法工程师】、【腾讯动漫算法工程师】、【PCG创新推荐算法工程师】、【机器学习技术研究算法工程师】、【WXG开发平台基础部机器学习工程师】、【CSIG云与智慧产业事业群CV算法工程师】、【后台策略安全岗机器学习工程师】、【QQ音乐算法工程师】

**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：

●  实习岗是两面+HR，正式岗是四面+HR

●  第一面，也有人说是简历面，主要问基础

**1.4 腾讯面经面试心得汇总**

★  关于项目的问题问的都很一针见血，面试官真的会很关注你简历上面写的东西，你写上去的一定要特别熟悉才行。

★  感觉腾讯面试官更侧重应用场景，然后根据项目中的方法进行拓展问。

★  面试的问题都是从简历内容出发延伸的，注意细节要完全弄清楚，面试官会问到底的。

★  简单来说的话，可能对于有论文和比较好比赛成绩的同学，有专精方向的话，基础问的不会那么多，比如什么lr推导，svm推导，bp推导。

★  腾讯的笔试题还是相对容易的，好好复习、认真做题应该问题不大。尤其最后的两三道编程题，其实腾讯出的都是常规题，只要数据结构和算法基础扎实，AC两三道应该没问题。

★  语言组织能力也很重要，逻辑能力好点，做过的事给面试官讲清楚。就算很水的项目，多介绍下原理，多说说自己的理解，多讲讲自己的改进，还是有很多谈资的。

★  腾讯机器学习算法岗的面试算是非常正规的了，整套面试流程下来几乎能把你几年所学的东西都问到。所以，不要存在侥幸心理，踏踏实实的刷题，复习好常规机器学习算法，尤其是算法的原理和应用场景。

★  项目和比赛经历非常的重要，往往面试官都是根据项目里用到的方法拓展提问，对项目的优化和改进也问的比较多。还有就是能内推的一定去找学长学姐或是其它资源去内推。

★  面试过程中如果实在写不出来代码的话，就给面试官讲思路，尽量把自己的想法和思考过程表达出来。

★  关于简历的技术经历的考察，面试官会问：你觉得简历里面的哪个项目做的最好？然后追问这个项目当中的技术细节，cnn，loss function，参考指标之类的。所以，建议大家把自己做过的项目好好的总结复盘一下，可以尝试着自己提问自己。

★ 找实习的话，由于校招同学没有工作经验，所以项目和实习是展示自身能力的最好亮点（一堆CCF-A的大佬请忽略并接受我的膝盖）。面试官可以从介绍中了解你的工程能力、抗压能力、沟通能力、思维方式等等，所以对于简历上的内容要滚瓜烂熟。切忌在简历上洋洋洒洒地写"熟悉Xgboost、SVM、Bayes、HMM、CRF、KNN、LR、CNN、Attention等算法"。是听过名字就算熟悉？还是啃过源码？而对于没有项目/实习/比赛经历的同学，这一部分时间只能由考察基础算法来弥补了，这样一来随机性、难度都提升了不少；所以平时尽可能多积累这方面的经验，让简历充实起来。

★ 腾讯一面难度中规中矩，量比较多但基本都在考察基础。

**2 腾讯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

●  Canny、Scharr、Sobel 边缘检测

●  HOG 特征

●  Hough 变换

●  图像匹配算法了解哪些？

●  SIFT 特征了解吗？是怎么生成的？SIFT特征是怎么进行匹配的？（OpenCV中常用的是暴力匹配函数，即对两组SIFT特征向量，将一组中的每个向量依次与另一组的所有向量进行欧式距离度量，选择距离最近的作为匹配点）

●  如何根据局部特征去检索更大的图片？

●  Opencv 如何读取数据流中的图片？如何生成图片？

●  Opencv中高斯滤波的函数是什么？

**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

●  谈谈1*1卷积？ 1*1卷积有什么作用?

●  卷积原理，工程实现

●  为什么深层神经网络里的卷积核都改成了3x3，而不是5x5？

●  感受野的原理，CNN的局限性？

●  为什么 Dropout 可以防止过拟合？随机失效会不会导致单次 Forward 的神经网络欠拟合?

●  Dropout 作用与原理 ？dropout是怎么调整参数？

●  神经网络利用dropout和多项式回归利用正则项减轻过拟合的本质是什么？（为什么就能减轻过拟合了）

●  介绍Dropout后，问缺点是什么？或者说，低层还是高层使用，为什么？2.2.1.2 池化方面●  Pooling种类，区别以及适用场景？

●  Maxpool和Average Pool哪个好？

●  pooling 层前向计算、反向传播？

2.2.1.3 网络结构方面

●  写了vgg-16网络结构，问的还比较详细，又问我还用过其他什么网络没有？

●  图像分类ResNet 和 DenseNet 原理？DenseNet 相比 ResNet 提升的效果怎么样？DenseNet为什么比ResNet有更强的表达能力？

●  了解胶囊网络么？

●  SENet的Squeeze-Excitation结构是怎么实现的？

●  mobileNet、shuffleNet的结构知道吗？

●  Resnet，讲一下结构，优点，为啥有效？为什么效果不会随着深度变差？

●  Mobilnetv2和v1的区别？

●  介绍一下图表示学习GCN以及GCN的缺点以及针对缺点前沿的扩展模型？

●  VGG，ResNet这种模型的优势的改进点？

2.2.1.4 其他方面

●  怎么解决图像细节不足问题的？（增强特征提取骨干网络的表达能力）

●  BN层怎么实现？有什么具体的好处？有哪些缺陷，怎么改进，了解其他的归一化算法吗？

●  Batch Normalization 的原理及作用 （问的最多，感觉被问了至少3次）

●  介绍BN后：问BN有什么缺陷？在模型中用过吗？回答效果不太好。分析原因？

●  了解Layer normalization吗？（这个应该才是想问的问题...感觉上面的BN缺点都是铺垫） ●  BN每层的参数一样吗？

●  实际场景下做softmax容易出现一些问题，怎么解决（面试的时候没明白什么意思，面试结束后询问，他是说实际场景做softmax很容易出现下溢问题，这个可以用每个维度减去一个固定值就可以了）

●  普通的DNN网络如何设计的，隐层规模、隐藏单元，我说根据样本大小和输入的特征来设计。

●  Batch size如何选择？

●  梯度消失和梯度爆炸的原因和解决方法？

2.2.2 数学计算

●  输入是三通道的WH的图像，3×3的卷积核，步长是1，有padding，输出是512通道的feature maps，问输出的feature map大小和总共的卷积参数？

●  卷积输出大小的公式写一下？

●  输入25*25*10的feature map， 用3*3卷积， 输出成25*25*30， 问参数量?

2.2.3 公式推导

●  Res和Densenet中的融合有什么区别？用公式解释。

●  DNN反向传播公式推导？

●  CNN反向传播公式推导？

2.2.4 手写算法代码

●  定义函数实现一下softmax（不要用numpy） ，数值太大溢出怎么办?

2.2.5 激活函数类

●  DNN中如果把中间层的激活函数去掉会怎样？去掉激活函数的DNN与逻辑回归有什么区别？

**2.3 深度学习：RNN递归神经网络方面**

2.3.1  讲解相关原理

●  RNN的梯度爆炸怎么解决?

●  LSTM对于RNN的改进地方在哪?解决了RNN的什么问题?(梯度弥散)

●  LSTM的结构，里面的遗忘门是一个数值还是向量?维度是多少?

●  LSTM为什么可以解决梯度弥散的问题？

●  为什么用Relational-RNN代替LSTM？

●  LSTM对于one-to-one，many-to-many等这些场景如何选择模型？

●  LSTM里面有哪些门，为什么用这些门？

●  LSTM和GRU的区别，GRU具体简化了哪个门？

●  LSTM与RNN的区别？

●  LSTM你用的优化方法是哪个，我说是Adam，他问还有哪些，我说SGD等等，他问GD和SGD的区别?

●  LSTM里面为什么有些激活函数用sigmoid，有些用tanh？

●  LSTM门控机制是怎样的?LTSM主要解决了RNN什么问题，为什么能解决?

2.3.2 手绘网络原理

●  LSTM能解决rnn什么问题，并通过数学公式推导？

●  手写BiLSTM的公式？

**2.4 深度学习CNN&RNN通用的问题**

2.4.1 基础知识点

●  了解Attention机制吗？Attention的几种实现方式?

●  CNN、LSTM区别、文本里怎么应用？

●  讲一下对CNN和RNN的认识？

●  解释一下模型训练里面的偏差和方差对于训练的意义?

●  CNN，RNN，Attention 在文本上怎么用？

●  实现一下Attention，不准使用任何库函数?

● 一个二分类任务，假设只有一个维度的特征，取值范围是0～正无穷，如何实现二分类？

2.4.2 模型评价

●  多分类有哪些评判指标，micro-f1和macro-f1有哪些不同，做多分类的时候precision、recall和f1往往是相等的，为什么？

●  分类模型评价标准有哪些？追问，AUC可以用于多分类模型么？

●ROC怎么画 ？

●  解释一下AUC(ROC的面积)，从概率上面的解释一下?

●  AUC为什么适合在二分类任务下，为什么能解决正负样本不均衡？

>本文来源：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/art679b07ce756fc156dd5544fe?type=e

讨论

500字

表情

发送

删除确认

是否删除该条评论？

取消删除