NLP社招面经分享！-技术圈

作者 | 年年的铲屎官整理 | NewBeeNLP
https://zhuanlan.zhihu.com/p/546364420

背景介绍

知乎上有个问题是有哪些行为堪比「1949年加入国民党」？^[1], 那么我觉得我选择在2022年跳槽也算是一种吧[捂脸]。

2022年大环境不太好，整体hc(head count)比2021年少了很多 ，回想2021年，各个候选人所到之处，各家大厂中厂竭诚欢迎，hc充足，大家挑花了眼，那种生机勃勃，万物竞发的景象犹在眼前，没想到短短一年之后，居然情况急转直下。

情况介绍：我主要做nlp，也涉及到多模态和强化学习的东西。2022年的大环境比较差，能投的公司不是很多，比如腾讯，主要还是高级别的，所以腾讯我就没投（说得好像我投了能面过一样...）

面了的公司包括 小红书，抖音，寒武纪，蚂蚁 ，还有一些 国企和研究院 ，比如北京智源人工智能研究院，某国内金融公司，其他的用来练手也面了一些，比如 蔚来汽车，吉利汽车，华人运通，boss直拒 ，还有一些元宇宙公司，AI制药公司之类的，拿到了其中大部分offer，当然我自己也遇到一些拉胯情况，比如小红书二面挂[笑哭]

面试总结

这一个多月面下来，总体面试考察主要包括下面几个模块： 代码题+项目细节+八股文+场景题 ，其中：

代码

代码题，写不出来大概率还是要跪的，我觉得刷200道左右一般就问题不大。200道争取达到肌肉记忆，就是给出你题目你要10s之内给出思路，哪怕没有bug free，但是一定要保证有思路。

有一点要注意， 200道高频题刷2遍，好过400道题目刷一遍，重点还是刷高频题 。另外推荐的 刷题地址 ，里面可以选择公司和标签：

https://codetop.cc/home

项目

项目细节我的感触最深，有些面试官会问的很细，在不断的试探我们的边界，所以项目细节还是要准备到位。通过这段时间的面试我反而对项目的理解更深刻，不知道这算不算面试给我带来的收益？

这里有一个 提高通过率的小trick ：可以和1个或者多个靠谱小伙伴一起， 让大家看对方的简历，假设自己是面试官，然后针对项目出一些题目 ，这样一来可以查漏补缺，有点co-teaching的感觉，这个方法还是挺管用的，大家可以试试~

八股文

八股文的话主要 围绕项目出题 ，比如你做了强化学习的东西，那么常见的reinforce，actor-critic，on policy和off policy的区别，一定要掌握。

比如你项目用到了swin-transformer，那么swin-transformer和传统的transformer的区别是什么，patch merging怎么做的，要清楚。

场景题

场景题可能是大厂喜欢考察，小厂不一定问。

面经

废话不多说，面经奉上：

小红书

小红书一面：

聊项目
你们的训练集和验证集，测试集分别是多少？怎么来的？
宏平均和微平均是用来干什么的？是如何计算的？他俩的主要区别？
知识蒸馏为什么有效，详细介绍一下知识蒸馏？
强化学习适合在哪些场景使用？
智力题：如何用rand6实现rand10
代码题：lc 76，最小覆盖子串

小红书二面：

聊项目
layer normalization的好处是？和batch normalization的区别？你有没有看过有的transformer也用bn？
BERT的主要改进，包括结构的改进，预训练方式的改进，都说一下？（这里能说的很多，挑自己熟悉的说就行）
Reformer中，LSH（局部敏感哈希）是如何实现的？
CRF和HMM的区别，哪个假设更强？他们的解码问题用什么算法？
lstm参数量计算，给出emb_size和hidden_size，求lstm参数量
cv中有哪些常见的数据增强方式
简单实现一个layer normalization类，只需要实现__init__和forward就行

总结：这一面压力不小，而且面试官从一开始就多次打断我的说话，说我目前做的项目没意义，而且表情好像不耐烦，不知道是不是晚上面试耽误他下班了。这是我体验最差的一场面试，当时我有点想和他怼起来，但是想想还是忍住了，最后挂了也是意料之中

抖音

抖音一面

聊项目
AUC的两种公式是？你能证明这两种等价的吗？
BERT-CRF中，为什么要加CRF？好处是？
self-attention为什么要用QKV三个矩阵，不用有什么问题？有没有哪个模型的Q和K矩阵是一样的？
reinforce属于on-policy还是off-policy？为什么？
reinforce带上baseline好处是？reinforce的loss写一下？
策略梯度会推导吗？简单写一下？

代码题（代码题一般别着急写，先跟面试官说下思路，确定了再写）：

lc 46，全排列（lc表示leetcode，下同）
lc 73，矩阵置0

总结：这一面我以为面试官只会问多模态，不会问强化学习，没想到这个面试官好厉害，强化学习也很懂，真的很强啊，我比较好奇，他们哪里来那么多时间看那么多领域的东西

抖音二面

介绍项目
知识蒸馏有哪几种？你觉得哪种效果最好？
nlp的数据增强方法，主要有哪几种？每一种举个例子？
分类的损失函数为什么是交叉熵而不是mse？
BERT对输入文本的长度有什么限制，为什么要限制长度呢？
BigBird里面有哪几种注意力机制？相比原始transformer的self-attention的优势？
场景题：如何根据拼多多的商品数量，估计淘宝的商品数量？
给出emb_size, max_len, vocab_size, ff_inner_size，num_heads, 12层，求BERT参数量
代码题：n皇后问题

总结：给我来了一道hard题目，我以为我要挂了，结果没几分钟HR告诉我过了

抖音三面

简单聊项目
CRF和HMM区别？CRF为什么比HMM效果好？
如果BERT词表很大，比如vocab_size达到几百万，怎么办？
快速手写一些transformer的mha（多头注意力），伪代码意思一下就行
为什么对比学习中，temperature很小，而知识蒸馏的temperature比较大？
你觉得在抖音买东西，和淘宝、拼多多他们的区别是？（我没在抖音买过，就只能现场编。。）
你最近看到过哪些paper？简单介绍下？
你觉得自己有那些优缺点？平时喜欢怎么缓解压力？

总结：这一面的面试官很和蔼，一直笑呵呵的，后面就是闲聊了，体验很不错

蚂蚁

蚂蚁一面：

聊项目
多模态的预训练方式你知道哪些，知道的都说一下？
coca和CLIP的区别？为什么coca效果比CLIP好？
CLIP预训练的时候，batch size达到了32768，他用到了哪些trick去提高batch size？
CRF的loss写一下，CRF打破了HMM的哪个假设？
对比学习为什么有效？cv和nlp的经典的对比学习的模型说一下？
多头注意力的头的数量，对参数量有影响吗？为什么？
transformer里面为什么要加add&norm模块？好处是什么？

代码：

简单实现一个transformer-encoder-layer，要求pre-norm和post-norm可选
编辑距离

这和我想的蚂蚁的面试不太一样，我以为蚂蚁的代码题会容易一些呢，之前看到的面经，蚂蚁的代码题一般以medium为主

蚂蚁二面：

聊项目
衡量对比学习的两个指标是哪些？公式？
transformer相比lstm的优势有哪些？
distillBERT， tinyBERT， mobileBERT和miniLM，他们是如何对BERT蒸馏的？
ViT是如何对图片进行处理的？为什么要加position embedding？
说到position embedding，transformer一定要加position embedding么？有些模型没有加pe，你知道吗？
beam search的思想，伪代码实现
代码题：lc 33，排序数组的搜索

蚂蚁三面：

聊项目
多头注意力，给出序列长度n和hidden_size，那么多头注意力的时间复杂度是多少？
ALBert相比BERT的改进，说一下？
BERT预训练有哪些问题？后面的模型怎么改进的？重点说说ELECTRA和MacBERT
有没有了解过，有的模型用生成的方式做信息抽取？
讲一下UIE模型是怎么做信息抽取的？其中的SSI和SEL说一下？
你老家哪里的？有哪些兴趣爱好？
你觉得自己优缺点有哪些？
我们走个流程，来一道代码题把，lc 207，课程表

寒武纪

寒武纪一面：

聊项目
你知道哪些对比学习的方法？cv和nlp都说一下
simCLR和moco区别？moco里面加k_encoder的作用？
moco v2, moco v3相对moco的改进有哪些？
resnet为什么效果好？残差连接的好处？
pytorch中，dataloader dataset和sampler的关系？
动态图和静态图区别？
蒸馏，量化和剪枝的原理大致说一下？

寒武纪二面：

聊项目
简单介绍一些CRF的好处，CRF条件概率的公式写一下
transformer相比lstm的优势有哪些？
transformer优点那么多，是不是可以淘汰lstm了，以后全用transformer？
swin-transformer和ViT的区别？数据量少的时候，他们和ResNet比，哪个效果好？为什么？
寒武纪做什么你知道吗？分布式训练用过吗？
pytorch的ddp和dp区别是什么？
你对混合精度的了解多吗？说一下混合精度的原理？

面试感受

高密度的面试挺累的，所以我建议 分阶段面试 ：前期面试一些练手的小公司，同时这些小公司也不能太水，不然达不到练手的效果，然后比如隔一周时间稍微总结下，接下来正式面试自己的dream company
结对跳槽 是个不错的选择，这次跳槽我和朋友一起跳，相互给对方出题，相互吐槽自己遇到的奇葩面试官，比自己一个人跳槽有趣的多。这次面试的复习过程也得到了很多大佬的帮助，比如 @Notic、@顾逸、@还我漂漂拳、@马东什么给了我很多指点和建议，没有他们的帮助我估计面试通过率下降一半，所以内心真的特别感谢~

3，针对有些大厂，流程可能有些长，建议速战速决（比如约面试时间，如果准备好了，那面试安排的越早越好），不然拖得太久了可能被流程里面更match或者更优秀的候选人挤掉

如何对待面经：

现在市面上面经很多，我的感受是要有的放矢，避免对面经的过拟合，比如我之前也看了很多学长学姐的面经，里面很多传统机器学习的问题，比如GBDT，xgboost之类的，我这次面试，也花了不少时间准备了一些相关内容，然而面试的时候，GBDT，xgboost之类的压根就没遇到，白白准备了半天。

究其原因，一个是因为他们的简历有相关内容，所以面试官会问，第二个原因也可能是大家遇到的公司类型不一样，有的喜欢顺带考察一些机器学习的内容。所以大家如果时间紧张，那看面经的时候，发现面经里面很多问题不会，不用太过担心，把项目相关的基础知识+常见八股搞懂就可以了。当然了如果你还是不放心，或者你要面试的部门可能考察，那可以花几天准备下。

END

在看