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

（2）知乎面经：点击进入查看

（3）面试圈：点击进入查看

② 面经框架及参考答案：

（1）面经知识框架：点击进入查看

（2）面经参考答案：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暑假实习】

（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。

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？

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?

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？

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

● 常用采样的方法？

● MCMC采样？

● 样本不平衡时怎么处理？过采样和欠采样等。

2.5.1.2 特征工程

① 特征降维

● PCA的原理说一下？

● 自己对PCA的理解（最小方差、最大误差、信噪比最大、基于特征值分解、PCA和SVD都是基于特征值分解，然后继续说SVD可以用于做推荐）。

● SVD怎么实现降维？

● KSVD和SVD的区别；因为楼主的项目里有用到KSVD，稀疏编码的一种字典学习算法；

● 特征维度很高时你是怎样做的操作?

● 特征值的大小有什么含义，为什么PCA中分解协方差矩阵要按特征值排序?

② 特征选择

● 特征工程的作用?

● 特征选择方法都有哪些？

● lasso和ridge的区别以及如何做特征选择？

2.5.1.3 有监督学习-分类和回归方面

① 分类回归树

● 知道哪些分类算法？（回答了决策树、RF、SVM、贝叶斯、神经网络），讲讲RF和XGboost区别

A.基于bagging：随机森林

● 为什么使用随机森林？

● 随机森林的基本原理?

● 为什么随机森林效果比较好?

● 随机森林怎么进行特征选择？

● 随机森林和XGboost有什么区别？

● 为什么随机森林和SVM的效果比其他算法好？

● 随机森林怎么得到特征复杂度（简历中项目）

B.基于boosting：Adaboost、GDBT、XGBoost

● XGB，RF，LR优缺点场景？逢面必问。

● 看到你用过LightGBM，你可以说一下GBDT、XGBoost、LightGBM的特点？

● XGBoost、LightGBM哪种快一点，或者结果好一点？lightGBM说一下改进点？

● GBDT和XGBOOST的区别，gain函数和gbdt的不同？

● XGBoost如何给出特征重要性（我说根据推导的目标函数，分裂前后相减得到增益值，对这个增益值进行排序，从而给出特征重要性，面试官说可能不是这样子，让自己查一下）

● GBDT怎么分裂的？XGB原理？说说XGB相比GDBT的优势？

● RBF和XGB同等效果下，哪个更深（RBF更深）

● 说一下XGBoost的列采样？

● GBDT的梯度是什么，为什么要算这个，怎么算？

● 用GBDT的时候，主要调节的参数？如何判断判断过拟合？

● RF和GBDT的不同，GBDT和Xgboost的不同，Xgboost为什么更快，做了哪些优化？

② 逻辑回归LR

● 逻辑回归和线性回归的区别?

● LR和XGB关于特征处理有什么区别吗？

● LR和树模型区别?LR模型离散化的好处?

● LR模型能够用来回归么，不设阈值可以吗？

● LR模型为什么要用交叉熵而不是MSE？刚刚说了MSE那么多缺点，那为什么回归还要用MSE。

● 以 LR 为例，解释一下为什么权重接近 0 的时候能防止过拟合?

● LR和SVM的区别，应用起来有什么不同?当聊到损失函数，问分别是什么?hinge损失函数里面的z是什么?

● LR和SVM对于离群点的敏感性？LR有什么特点，适合做哪些？

● LR强行引入非线性和FM的差别？

● LR可以处理非线性问题吗？

● LR怎么缓解过拟合？（L1，L2）L1和L2之后的解有什么不同？

③ SVM（支持向量机）

● 问SVM的原理和优点？

● SVM的物理意义是什么？

● SVM最后训练好的网络是什么结构?

● SVM的硬间隔，软间隔表达式？

● SVM使用对偶计算的目的是什么，如何推出来的，手写推导？

● SVM的核函数使用过哪些？SVM为什么要加核函数?

● SVM和GBDT的比较？

● SVM应用于哪个领域?

● SVM可以处理非线性问题吗？

● SVM的基本假设，（存在一个超平面可以分开正负样本）如果分不开怎么办？（软间隔，核函数）

● 有哪些常用的核函数？

④ 朴素贝叶斯（Naive Bayes）

● 朴素贝叶斯与贝叶斯有什么区别？

● 朴素贝叶斯适用哪些场景?

● 极大似然估计是什么意思？

● 最大似然估计和贝叶斯估计的区别？

⑤ 决策树

● 决策树都讲讲，ID3，C4.5，CART树是什么？各有什么优势？

● 决策树有哪些选择最优划分节点的方法？决策树节点确定?有了信息增益为什么还提出了增益比？

● 决策树里面的分类树怎么选择划分属性，给了两个属性分布情况，问选择哪个?

● 决策树做回归时候划分点怎么选择? 决策树启发函数？

● 讲一下信息增益,信息增益比,Gini系数的关系?

● 有真实的场景吗？为什么树的深度会影响过拟合?

● 决策树的分裂方式是什么，根据什么变量来决定分裂变量？

● 决策树怎么选择分裂点？

⑥ 其他

● 分类与回归的区别（自己说区别是目标变量是连续还是回归，面试官提出质疑，后面和面试官讨论了一下，今天搜答案，有个答案说最本质的区别是度量空间的不同）

浅层： 两者的的预测目标变量类型不同，回归问题是连续变量，分类问题连续变量。

中层：回归问题是定量问题，分类问题是定性问题。

高层： 回归与分类的根本区别在于输出空间是否为一个度量空间。

2.5.1.4 无监督学习-聚类方面

● 聚类的算法有哪些？评价方法？优化算法？

● 聚类了解那些算法？只说了K-Means，介绍了K-means的步骤？

● 聚类kmeans的原理、缺陷以及改进方式，初始点的选择？

● Kmeans与kNN什么区别？

2.5.1.5 模型评价

● 模型评价标准，RMSE\ROC\AUC等等

● 二分类混淆矩阵及相关指标你能想起来哪些，都介绍下？

● 怎么衡量两个分类的相似度，说下混淆矩阵和softmax输出的两个概率之差这两种方法确定分类相似度的异同？

● 机器学习分类指标有哪些？AUC如何计算？

2.5.2 手推算法及代码

2.5.2.1 手推公式

● 推一下FM的公式，然后推一下FM的梯度更新方式

● 说下LR模型的推导，指定LR模型之后你怎么判断这个问题是回归还是分类?

● LR写一下损失函数

● 介绍核岭回归算法，并推导？

2.5.2.2 手写代码

● 一个M的空间，对其采样（采样有误差），在2范数的情况下，映射到N维空间，输出N维正交基?

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

● 常用的损失函数和适用场景？物理意义？

● 从理论角度讲解一下，基于不确定性平衡多任务各个loss的原理以及合理性

● Logistic Regression损失函数

● 逻辑回归中损失函数的意义？

● 为何分类问题用交叉熵而不用平方损失？

● 二分类交叉熵和多分类交叉熵的公式？

● 手写交叉熵公式、核函数解决什么问题?

● 交叉熵和最大似然损失函数的区别？

2.6.2 激活函数方面

● 激活函数的作用是什么？我说最开始的感知机那儿是可以让神经元的输出是一个0~1之间的数，这样可以判别属于哪一类的概率大，他问我还有没有，我想了一会儿说不知道了（面试的最后我问了他，他说是让神经元非线性化，这个非常重要）

● 常用什么激活函数，有什么作用？

● Leaky-ReLU和ReLU的区别？

● 激活函数为什么会梯度消失、Relu有什么改进？

2.6.3 网络优化梯度下降方面

● 说一下常见的优化器？优化方法？Adam和sgd？

● SGD优化方法，批数量的影响？

● minibach SGD的minibatch怎么选择，如果给1000万的数据，minibach应该选多少？

2.6.4 正则化方面

● 正则化有哪些方法？作用？原理？

● 从原理上解释L1, L2正则（如L1正则为什么能够起到特征选择的作用）

● L1和L2正则化区别，为什么防止过拟合？

● L1的形状，无穷范数的形状?

2.6.5 压缩&剪枝&量化&加速

● 深度学习模型压缩有哪些方法介绍一下？

● 量化和剪枝讲一下？不了解量化，主要说了剪枝，主要是随机取消某些权重，如果模型跑的结果和原完整模型跑的结果在我们容忍（阈值）范围内，剪掉这些参数，模型压缩会降低原模型精度。

2.6.6 过拟合&欠拟合方面

● 过拟合的本质？

● 防止过拟合的方法，具体怎么实现的？正则项为什么能减缓过拟合？

● Loss不降怎么办？vali loss不升（过拟合）怎么办？

● 少样本问题怎么办？从模型的角度：添加正则项防止过拟合、提前停止训练等。

● 如何解决过拟合，L1和L2正则原理，区别？

2.6.7 其他方面

● 数据类别不平衡问题如何解决？

● 模型训练的停止标准是什么？如何确定模型的状态（指标不再提升）

3 腾讯面经涉及项目知识点

3.1 深度学习-CNN卷积神经网络方面

3.1.1 目标检测方面

3.1.1.1 讲解原理

● 说一下目标检测有哪些网络？挑一个说一下

● SSD 原理讲一下

● 讲一下faster rcnn、yolo、SSD？

● Faster-RCNN结构，与其他RCNN对比？

● FasterRCNN细节，怎么筛选正负anchor？

● softnms原理，比nms好吗？

● 简单介绍Fast RCNN -> Faster RCNN -> mask RCNN (这个真的好高频)、有没有自己搭一个faster rcnn的网络？

● YOLO为什么比其他检测算法快？

3.1.1.2 手写代码

● 实现简单的NMS（已提供计算IOU的函数）

● IOU的实现写一下？

3.1.2 目标追踪

● 追踪结果与检测结果怎么融合？

● EKF多目标跟踪的原理？

3.1.3 图像分割

● 问了解其他图像领域的任务吗？我说了解图像分割，然后叫介绍一下图像分割领域的常用结构，我说了FCN, U-net, deep lab系列之类的，然后稍微介绍了这些网络的结构，优点之类的

● Mask R-CNN相比于Faster R-CNN有哪些改进？

3.1.4 超分辨

● 视频超分如何应对异常可能，即运动误差大的如何处理？

3.1.5 图像分类

● 介绍分类经典网络；当时我就只想到AlexNet,VggNet,ResNet,着重讲了下Alex和ResNet。

● 分类问题：几万个类怎么做，如果用softmax的话有什么问题，类之间如果很相关又如何做？

3.2 深度学习-RNN递归神经网络方面

3.2.1 自然语言处理NLP

3.2.1.1 讲解原理

① Bert

● BERT的细节、优势？与GPT、ElMo比较

● BERT模型的个人理解，有那些tricks，为什么会好用?

● 讲下bert，讲着讲着面试官打断了我，说你帮我估算一下一层bert大概有多少参数量?

● Bert里add&norm是什么以及作用?

● Bert里面位置向量的作用是什么？有哪些生成方式？

● 了解bert的扩展模型，roberta，albert，XLnet吗？为什么XLnet效果比bert效果好？

② Transformer

● Transform和RNN的优缺点?

● Transformer结构，input_mask如何作用到后面self-attention计算过程。

● 讲下transformer相对于其他RNN的优点，讲下self-attention和attention。聊了下bert的文本分类，然后扩展到场景题，问一个新的短文本，如何正确分到正确的类别里取，不可能去重新训练模型（包括增量训练），也不是用规则这种。

③ HMM隐马尔科夫模型

● 隐马尔科夫了解吗？

● CRF和HMM的区别？

● CRF与HMM，特征函数，有向图无向图，因子分解。

● 命名实体识别模型介绍？评价标准 ROC？

● 命名实体识别模型的参数量？

● 命名实体识别过程做了哪些参数的调整？

④ Word2vec

● word2vec原理讲一下?word2vec的训练过程？

● 从word2vec讲到分层softmax，再到负采样。

● 简单介绍一下word2vec和fasttext？

● word2vec两个模型的损失函数是什么？

● 关于NLP的word2vec，怎么实现对单词的编码？

● w2v怎么用的，为什么不和NN一起训练而是固定住，训练开销很大么，embedding矩阵很大么，会占用很多内存么？

● NN用的框架是什么，画出框架图，为什么选择双向LSTM，序列与时间有关么？如果和序列没有关系，那双向LSTM会不会引入噪声？

⑤ 其他

● 情感分析用什么数据集？

● 你了解network embedding方法吗？deepwalk和node2vec

● 问了gcn、deepwalk之类的graph embedding?

● one-hot编码的原理及意义?

● cbow和skip gram的区别？你觉得用哪个训练的词向量结果好？为什么？

● 序列标注常见的算法有什么？

● 问了一下简历里面关键词提取是怎么实现的?觉得我只是用TFIDF和TextRank没有什么亮点，他们会根据业务需求去设计learning模型。

● tf-idf原理，还知道其他关键词提取技术吗？

3.3 强化学习

3.3.1 讲解原理

● 介绍一下强化学习的策略梯度？

● 生成对抗网络用在文本中如何梯度估计？

● 判别学习和生成学习分别有哪些？

● Policy Gradient和Q Learning的区别？

● GAN 训练过程一定能收敛吗？

● GAN相关。描述、介绍优缺点、知道哪些variant、WGAN的优点和不足、conditionalGAN的应用场景

● 你用GAN做数据增强？你有对比过GAN和VAE的生成效果吗？

3.4 机器学习方面

3.4.1 推荐系统

● CTR预估的深度模型以及一些扩展从wide&deep 到deepfm到dcn到xdeepfm都解决什么问题？

● 问推荐算法，fm，lr，embedding？

● 谈谈FM与DeepFM？FM和FFM的区别在哪里？

● DIN结构，DIN提出动机以及与之前模型的区别？

● DIN中Attention机制实现

● CTR预估模型的演化过程中的着手点？

● 协同过滤的itemCF，userCF区别适用场景？

● 推荐系统的大概步骤，如何解决冷启动？

● 推荐系统有几个步骤，为什么要召回？

● 深度学习用在推荐里的例子有哪些？能描述一下ncf的基本框架吗？

● 推荐系统里的排序算法有哪些?

● 如果让你给用户推荐页面的排序评分，你会怎么设计这种评分机制?

● 介绍din、dien？

● 两种协调过滤，区别比较，如何解决冷启动？

● 推荐系统如何离开局部最优？

3.4.2 点击率预估

● 广告点击率预测怎么做？怎么特征选择？

腾讯算法面经秘籍(下)：点击查看