華為算法崗筆試題

華為算法崗筆試題已助力150+人進入國內(nèi)大廠的《人工智能算法崗江湖武林秘籍》，45家大廠面經(jīng)秘籍及參考答案：華為面經(jīng)目錄華為面經(jīng)匯總資料華為面經(jīng)涉及基礎知識點華為面經(jīng)涉及項目知識點數(shù)據(jù)結構與算法分析相關知識點C++方面&線程等&&開放性問題華為面經(jīng)匯總資料1、1面經(jīng)匯總參考資料①參考資料：（1）?？途W(wǎng)：華為面經(jīng)-172篇，知乎面經(jīng)：面試圈：②面經(jīng)框架&答案&目錄&心得：面經(jīng)框架及參考答案：1、2實習崗位類【華為云EI實習崗】、【計算機視覺實習生】、【華為杭研院Cloud&AI昇騰計算產(chǎn)品部算法實習】全職崗位類1、3面試流程時間安排PS：以上流程為大白總結歸納所得，以供參考。其他注意點：●有些人在第一面之前，還會有機試和性格測試●有些區(qū)域是技術面+機試性格測試+三面BOSS●有些人是先綜合面，再HR1、4★華為特別重視底層原理，和其他互聯(lián)網(wǎng)公司不一樣?！锶A為的面試看面試官吧！有的人會被很多技術的，有的只是聊聊人生和項目?！锟偨Y一下三場面試，需要準備好編程相關的問題，機器學習相關的問題，自己方向最新的技術。另外，三場面試都著重問了項目，可能我比較菜，沒有發(fā)過論文。自己對項目的細節(jié)一定要十分了解，這樣就不用慌了，隨便問都能答上來?！锩總€區(qū)域的招聘流程稍微有點差異，不過一般分為基礎面試、綜合面試：基礎面試基本就是聊項目經(jīng)歷或者實習經(jīng)歷，另外有些會從產(chǎn)品的角度出發(fā)，出一些發(fā)散性思維的題目，不怎么為難你，主要問項目經(jīng)歷綜合面試主要談性格、對華為的認識、為什么想加入華為；主要看重承擔壓力的能力，表現(xiàn)的性格開朗就Okay了?！镉械臅r候，面試很難，有的時候很簡單，所以還是看人，但是最好認真準備，以不變應萬變。我面的那個面試官是做人臉識別和指紋識別的，最后問我怎么識別是照片還是真人，我以為都只能拍一張照片，就說了一些用深度，或者陰影和光照等解決之類的，但其實是可以拍很多張的，可以根據(jù)運動判斷，所以跟面試官好好溝通真的很重要！華為面經(jīng)涉及基礎知識點2、1圖像處理基礎2、1、1講解相關原理傳統(tǒng)圖像處理的canny2、2深度學習：CNN卷積神經(jīng)網(wǎng)絡方面2、2、1講解相關原理2、2、1、1卷積方面●CNN11●介紹一個熟悉的CNN模型，卷積怎么反向傳播？●CNN基本組成，什么是感受野，反向傳播原理●膨脹卷積原理空洞卷積相比普通卷積的不同之處，如果特征圖很小，這時要用空洞卷積就會加很多padding2、2、1、2池化方面池化層的作用？（pytorch特有的自適應池化）2、2、1、3網(wǎng)絡結構方面簡述MobileNetV1,V2,V3vggrenetdenenet畫一下MobileNetrenetdeneNetReNet●認識哪些常用網(wǎng)絡，是為了解決什么問題所提出的？為什么要用輕量級的網(wǎng)絡？hufflenetv2v1221、4●簡單的介紹一下CNN，及它的發(fā)展和應用？●自己寫網(wǎng)絡模型時，是手動搭，還是復現(xiàn)或調(diào)庫？自己有沒有優(yōu)化或者自己搭建新模型，描述一下？●梯度消失、爆炸產(chǎn)生原因，及解決方法？2、2、2公式推導寫一下了batchnormSoftma（公式）寫一下？●推導神經(jīng)網(wǎng)絡鏈式法則2、2、3手寫算法代碼●手推卷積過程2、3深度學習：RNN遞歸神經(jīng)網(wǎng)絡方面2、3、1講解相關原理●簡單的介紹一下RNN，及它的發(fā)展和應用？●RNN，LSTM，GRU的異同●介紹LSTM及其變種●解釋LSTM原理，LSTM的結構描述一下，超參數(shù)說一下？●LSTM為了解決長依賴問題，引入了三個門，分別啥意思？●能否詳細的介紹LSTM模型的結構和內(nèi)部的運行過程？●雙向LSTM比LSTM到底好在哪？●LSTM為什么可以避免過擬合？●LSTM23、2●畫出LSTM的結構圖，寫公式2、4深度學習CNN&RNN通用的問題2、4、1基礎知識點●不平衡樣本怎么處理TranformerRNN●怎么做的數(shù)據(jù)增廣？attention2、525、1251、1251、2①特征降維●SVD與PCA的關系？②特征選擇filter,wrapper,embedded講，我只是說了PCA，LDA，L1）2、5、1、3有監(jiān)督學習-分類和回歸方面①分類回歸樹（集成學習）●集成學習了解嗎？GBOOST、GBDT簡單介紹，區(qū)別？baggingbooting，tackingA?；赽agging：隨機森林●為什么隨機森林能降低方差？B?；赽ooting：Adaboot、GDBT、GBoot樹模型和熵介紹，為什么gbootgbgbdt●GBDT、RF有什么異同？各適用于什么樣的情況？介紹gb,lgb②邏輯回歸LR●線性回歸解析解的推導（三種方法）③SVM（支持向量機）介紹一下SVM隔、HingeLo？vm優(yōu)缺點④樸素貝葉斯（NaiveBaye）●貝葉斯模型？（這里我順著講了樸素貝葉斯、邏輯回歸最大似然推損失函數(shù)的過程）●解釋極大似然估計，最大后驗概率估計，解釋核函數(shù)及其應用？⑤決策樹（DT）●決策樹劃分選擇、樹的復雜度、剪枝●決策樹，隨機森林原理？2、5、1、4無監(jiān)督學習-聚類方面knnk-meank-meanDBSCAN的對比，k的選取，提速，聚類方法的評估？●聚類算法如何提升性能？K-mean（簡歷中有提到K-mean++）●DBSCAN的原理2、5、2手推算法及代碼●手推SVM●寫一下貝葉斯公式●寫一下KL2、6深度學習&機器學習面經(jīng)通用知識點2、6。1損失函數(shù)方面●深度學習有哪些激活函數(shù)？為啥會有激活函數(shù)？為什么Relu00？這樣有什么優(yōu)點（防止梯度消失，稀疏性以及加快計算，當時沒想到）版relu（忘記了叫LRelu）？●MSE和交叉熵的區(qū)別，寫交叉熵？●手推交叉熵的求導26。2說一下激活函數(shù)，reluigmoid26。3gdadam●什么是ADMM，為什么用ADMM，子問題為什么不用梯度下降求解？●梯度下降為什么可以成功？（我回答的是損失函數(shù)是凸函數(shù)）2、6。4正則化方面●L1，L2符合哪種分布？2、6。5壓縮&剪枝&量化&加速●模型壓縮的幾種方法？（量化、剪枝、低秩分解等）實際用過嗎？●量化的理解，有什么好處？●加速優(yōu)化的方法有哪些，剪枝如何操作，最近看過的論文，跟進的方法？2、6。6過擬合&欠擬合方面●怎么判斷過擬合與欠擬合？●解決過擬合和欠擬合的辦法●機器學習當中可能會有欠擬合過擬合的問題，怎么解決過擬合問題？(rf,lr,vm免正則化問題，那么應用到深度學習里面，過擬合的解決方式主要有dropoutearly-topping、數(shù)據(jù)增強等2、6。7其他方面●深度學習與傳統(tǒng)方