算法岗一面

A. 算法工程师大致是做什么的

各个行业都有算法部分，统计有统计的算法，控制有控制的算法，图像处理有图像处理的算法。在很多传统行业，算法不是一个独立的岗位，而是由研发工程师负责。今天小编就带大家来了解下算法工程师大致是做什么的?我们接着往下看。

1. 图像处理，尤其是基于OpenCV的图像处理算法，一般产品里有做美颜，滤镜什么的特别喜欢招这块的小朋友，近一两年有被做深度学习的取代的趋势。最近google出了arcore，所以让不少小公司也能出一些效果很好的换头类应用。
2. 计算机图形学，这也算是一个大类，主要涉及到图形渲染算法，光追算法，三维图像重构等图像绘制方面的内容。这个方向，不光是做3d引擎和游戏开发方面，对于很多行业需要与cad相关的，都会涉及到这一个领域的模型和优化算法设计。
3. VR，AR领域，涉及到的包括视频跟踪，SLAM，raytracing，几何投影等等，实际上是一个综合的领域，目前主要是做计算机视觉的转行做这块。
4. 医学影像处理，三维图像重构，用在B超，CT成像上，这个是医疗方向的。
5. 通信基带信号处理，网络优化算法，这一块其实很式微了，毕竟高大上的算法小公司没成本去实施。
6. 音频滤波，用在HiFi产品，比如车载音响，手机厂商，圈子其实蛮小的。
7. 控制算法，自适应滤波算法，用在机械领域上，比如机械臂行程控制，稳定性。
8. 有限元算法，这块从雷达，机械，电磁学，到服装设计，都有很有价值的应用。
9. 信号处理，比如插值，频谱分析，盲信号分离，压缩感知，物联网大部分应用会涉及这一块。
互联网和软件行业把算法分离成一个独立的岗位大体有两个原因。第一，低级的软件工程师不懂算法，或者更干脆一点说不懂数学，所有涉及到模型和计算公式的工作都必须要找专业人员来搞定。第二，从生产效率考虑，初级算法工程师很多没有很好的软件工程背景，简单点说就是不会写代码只会写matlab，这种工程师的工作交付没有办法直接投入生产，所以需要将他们的工作和生产环节隔离开。综上所述，就是小编今天给大家分享的内容，希望可以帮助到大家。

B. 都快2021年了，算法岗位应该怎样准备面试

说到算法岗位，现在网上的第一反应可能就是内卷，算法岗位也号称是内卷最严重的岗位。针对这个问题，其实之前我也有写过相关的文章。这个岗位竞争激烈不假，但我个人觉得称作内卷有些过了。就我个人的感觉，这几年的一个大趋势是从迷茫走向清晰。

早在2015年我在阿里妈妈实习的时候，那个时候我觉得其实对于算法工程师这个岗位的招聘要求甚至包括工作内容其实业内是没有一个统一的标准的。可以认为包括各大公司其实对这个岗位具体的工作内容以及需要的候选人的能力要求都不太一致，不同的面试官有不同的风格，也有不同的标准。

我举几个例子，第一个例子是我当初实习面试的时候，因为是本科生，的确对机器学习这个领域了解非常非常少，可以说是几乎没有。但是我依然通过了，通过的原因也很简单，因为有acm的获奖背景，面试的过程当中主要也都是一些算法题，都还算是答得不错。但是在交叉面试的时候，一位另一个部门的总监就问我有没有这块的经验？我很明确地说了，没有，但是我愿意学。

接着他告诉我，算法工程师的工作内容主要和机器学习相关，因此机器学习是基本的。当时我就觉得我凉了，然而很意外地是还是通过了面试。

核心能力

由于我已经很久没有接触校招了，所以也很难说校招面试应该怎么样准备，只能说说如果是我来招聘，我会喜欢什么样的学生。也可以理解成我理解的一个合格优秀的算法工程师应该有的能力。

模型理解

算法工程师和模型打交道，那么理解模型是必须的。其实不用说每一个模型都精通，这没有必要，面试的时候问的模型也不一定用得到。但更多地是看重这个人在学习的时候的习惯，他是浅尝辄止呢，还是会刨根究底，究竟能够学到怎样的地步。

在实际的工作当中我们可能会面临各种各样的情况，比如说新加了特征但是没有效果，比如升级了模型效果反而变差了等等，这些情况都是有可能发生的。当我们遇到这些情况之后，需要我们根据已知的信息来推理和猜测导致的原因从而针对性的采取相应的手段。因此这就需要我们对当前的模型有比较深入地了解，否则推导原因做出改进也就无从谈起。

所以面试的时候问起哪个模型都不重要，重要的是你能不能体现出你有过深入的研究和理解。

数据分析

算法工程师一直和数据打交道，那么分析数据、清洗数据、做数据的能力也必不可少。说起来简单的数据分析，这当中其实牵扯很多，简单来说至少有两个关键点。

第一个关键点是处理数据的能力，比如SQL、hive、spark、MapRece这些常用的数据处理的工具会不会，会多少？是一个都不会呢，还是至少会一点。由于各个公司的技术栈不同，一般不会抱着候选人必须刚好会和我们一样的期待去招人，但是候选人如果一无所知肯定也是不行的。由于学生时代其实很少接触这种实践的内容，很多人对这些都一无所知，如果你会一两个，其实就是加分项。

第二个关键点是对数据的理解力，举个简单的例子，比如说现在的样本训练了模型之后效果不好，我们要分析它的原因，你该怎么下手？这个问题日常当中经常遇到，也非常考验算法工程师对数据的分析能力以及他的经验。数据是水，模型是船，我们要把船驶向远方，只懂船只构造是不行的，还需要对水文、天象也有了解。这样才能从数据当中捕捉到trick，对一些现象有更深入的看法和理解。

工程能力

虽然是算法工程师，但是并不代表工程能力不重要，相反工程能力也很重要。当然这往往不会成为招聘的硬性指标， 比如考察你之前做过什么工程项目之类的。但是会在你的代码测试环节有所体现，你的代码风格，你的编码能力都是你面试的考察点之一。

并不只是在面试当中如此，在实际工作当中，工程能力也很关键。往小了说可以开发一些工具、脚本方便自己或者是团队当中其他人的日常工作，往大了说，你也可以成为团队当中的开发担当，负责其团队当中最工程的工作。比如说复现一篇paper，或者是从头撸一个模型。这其实也是一种差异化竞争的手段，你合理地负担起别人负担不了的工作，那么自然就会成为你的业绩。

时代在变化，行业在发展，如今的校招会问些什么早已经和当年不同了。但不管怎么说，这个岗位以及面试官对于人才的核心诉求几乎是没有变过的，我们从核心出发去构建简历、准备面试，相信一定可以有所收获。

C. 百度计算机视觉算法工程师面经(research 岗，已offer)

一面(技术面)：
1、相机外参，相机内参
2、分水岭算法
3、目标检测了解吗
4、3D这块有了解吗
5、论文是你写的吗
6、介绍一下图像分割
7、Deeplab v1, v2, v3, v3+
8、U-net后续改进
9、Non-local
10、经典三维重建公式
11、分割常用backbone

二面(技术面)：
1、数据增强方法
2、dropout方法
3、图像分割常见深度学习方法
4、简单介绍一下三维重建项目，平行还是stereo，如何估计的depth map
5、deep lab v3与deep lab v3+的区别
6、深度可分离卷积介绍，输入输出，channel数
7、为什么mobile net要用深度可分离卷积
8、数据集imbalance如何处理
9、常见的图像分割损失函数
10、iou能作为损失函数吗
11、linux 下shell命令行开发熟悉吗
12、组里以发论文为主，写论文的意愿
13、相机铅培内外参
14、现在大几，可实习到段激猜什么时候
15、希望自驱性比较高

三面(hr面)
因为是日常实习岗不是校招所以没有...

总结
二次面试过程中我都有些太随意了，有过一些打断面试小姐姐握型说话的举动，谢谢说的比较少，中间不舒服还活动了下嗓子...还好问的问题比较简单最后过了。