1 Bigo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：Bigo面经-26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）全职岗位类

【计算机视觉算法工程师】、【Bigo推荐算法工程师】、【图像增强算法工程师】、【NLP算法工程师】、【强化学习算法工程师】、【图形图像算法工程师】

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：

● 有的是外地的，会用zoom进行远程面试，有的也可能三面都是电话面

1.4 Bigo面试心得汇总

★ 感觉bigo的编程题跟之前面试的不太一样，比较开放性

★ 感觉基础还是问得比较多的，不过主要是基础，延伸不会很多

★ 问得还是比较全面的，python、C++、算法、项目，都会涉及

★ 个人感觉BIGO的面试体验还挺独特的，全程没有怎么问DL，XGBOOST，GBDT，LR这样的问题，倒是统计与优化这些问的特别深，我感觉非常有意思。

★ BIGO笔试简单，但面试难度的话，就我所知的算法岗，个人认为不亚于任一大厂，用一个面C++的朋友的话说，BIGO面试问的非常硬核，很学院派，跪得很服气。而且周围拿到offer的不乏清北大佬、手握n篇（n>=2）顶会paper。

★ 签约以后，HR给每个人分配了一个导师，一般是以后的leader。和我对接的是前辈是中科院的博士，在雅虎AILAB和凤巢工作过n年，对于导师的资历还是很满意的。

★ 有的人，在第一面之前，可能会有笔试，不过不太难。

（1）编程题好像是3-4题，纯算法题均不超过剑指offer的难度，机器学习涉及到AUC的并行计算方式等等

（2）概率题1-2题，例如算贝叶斯，红球白球等

（3）机器学习基础2，例如避免过拟合的方法等烂大街的

2 Bigo面经涉及基础知识点

2.1 图像处理基础

● SIFT的原理讲一下？

● 了解的图像纹理描述方法？（讲了LBP等）

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

● 卷积底层的实现方式，在caffe里这个方法叫什么名字？（im2col）

● 空洞卷积了解吗？

● dcn可变形卷积讲一下？

● 亚像素卷积，一般上采样会有哪些问题？

● 上采样方法都有哪些？

● dropout在训练和测试时不同，怎么保证测试结果稳定？

● dropout的原理说一下？

● 感受野的计算/增大感受野

2.2.1.2 网络结构方面

● Vgg和Resnet讲一下？ ResNet的优缺点说一下

● 网络结构的演进，从AlexNet到DenseNet？

● 各种分类网络简述，mobilenet具体实现？

● 感觉他们用的还是手机端的多一点，问了resnet和resnext的发展历程和优缺点？(还得多准备一些)，我只是简单的谈了谈，并没有深入讲，还问了mobilenet。

2.2.1.3 其他方面

● 批正则化BN的原理和作用，在训练和测试时有什么不同？

● BN针对的是哪个维度？计算的维度？

● 梯度消失和梯度爆炸的原因？处理梯度消失的方法？

● 多任务学习中每部分损失函数的权重确定？

● Batch normalization的原理？在训练和预测中的差异？

2.2.2 数学计算

● 卷积的计算量，depth-wise的计算量？

2.2.3 公式推导

● 卷积后特征图大小的计算公式?

● 手写了三层神经网络的反向传播？

● 如果给定卷积核的尺寸K，输入尺寸WH，padding为P，步长为S，空洞卷积参数d=1，给出卷积之后的尺寸计算公式？（面试官将空洞卷积参数设为1，其实就是常规卷积，降低了难度，重点是怎么计算空洞卷积实际覆盖的尺寸）

2.2.4 手写算法代码

● numpy写卷积操作

2.3 深度学习：RNN递归神经网络方面

无

2.4 深度学习：CNN&RNN通用的问题

2.4.1 基础知识点

● 数据不平衡怎么办？

● 训练的时候为什么要分成训练集、验证集？

2.4.2 模型评价

● 介绍AUC，AUC的范围，手写AUC代码？

● 评价标准，精确率，召回率讲一下？

● MAP计算方式？AUC怎么计算？

● ROC曲线，他的横坐标和纵坐标？如果正负样本不均匀ROC曲线会变吗？

● 探讨了现在使用的图像评价指标的不合理性？

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

无

2.5.1.2 特征工程

① 特征降维

● PCA了解吗？

● PCA原理和执行步骤？

● PCA作用，奇异值分解？

② 特征选择

无

2.5.1.3 有监督学习-分类和回归方面

① 分类回归树（集成学习）

● XGBoost思想，具体怎么做的，怎么选取特征的？

● Xgboost在多分类与二分类过程中有什么不同？Xgboost的原理？

● Boosting是在对上一次训练结果的残差进行拟合，为什么这么说呢？

● Adaboost/GBDT分别拟合了什么残差？

② 逻辑回归LR

● 逻辑回归怎么推导出来的？

● FM模型的原理？相较于LR的优势在哪里呢？

③ SVM

● SVM的具体实现机制，整个流程？

● SVM的目标，用到的数学方法？(其中具体问了KKT条件是什么和为什么），有哪些trick？(其实是问的核函数），还问了松弛因子和惩罚因子。

● 推导SVM对偶问题，讲解SMO算法？

● SVM拉格朗日乘子的原理？SVM的软间隔？

● KKT条件内容和原理？

④ 朴素贝叶斯（Naive Bayes）

● 说一下贝叶斯优化？ (各种抠细节，从高斯过程回归，说到贝叶斯优化，到一些优缺点和改进形式，每一步都很细)

2.5.1.4 无监督学习-聚类方面

● Kmeans解释下？

2.5.2 手推算法及代码

● SVM的数学公式以及推导过程？

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

● 写一下RPN的损失函数？(多任务损失:二分类损失+SmoothL1损失)

● 推导交叉熵求导？

● 交叉熵和KL散度的联系？

2.6.2 激活函数方面

● Sigmoid和Relu区别，为什么现在都用Relu而不用Sigmoid？

● Relu和Sigmoid的优缺点说一下？

2.6.3 网络优化梯度下降方面

● 牛顿法的收敛速度，是不是一定比梯度下降快？（举反例）

● 牛顿下降的几个phase，KKT的仔细描述？

● 梯度下降步长选择问题？（回溯法，两阶段优化法，梯度积累法）

● 除了梯度下降，线性回归还能怎么求解？

2.6.4 正则化方面

● 常用的正则化方法有哪些？

● L1和L2正则化的区别？

● L1和L2正则化各有什么特点？为什么会有这样的特点？

2.6.5 过拟合&欠拟合方面

● 缓解过拟合的方法？

● 树模型会不会过拟合，树模型防止过拟合的方法？

3 Bigo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

● 介绍Faster R-CNN原理？

● RCNN->Fast RCNN->Faster RCNN的内容？

● Faster RCNN, SSD, yolo之间的区别？

● 写一下RPN的损失函数？(多任务损失:二分类损失+SmoothL1损失)

● RPN损失中的回归损失部分输入变量是怎么计算的？

● RoI Pooling是怎么做的？有什么缺陷？

● 目标检测有一个类别AP很低怎么办？

3.1.2 图像分割

● FCN有了解过吗？

● 在人像分割中，针对头发这种区域的分割，往往处理不是很好，怎么改进?

● 如何在分割中利用周围像素点进行建模，提高分割结果?

3.1.3 超分辨

● 超分辨率问题设计深度网络上的注意事项和主要关注点，超分辨率问题和别的问题有什么区别？

● 从结构原理上对比超分最先进的网络特点以及优缺点？

● 为什么超分没有用L2 loss？

● 超分辨率部分，自己做了哪些创新？

● SubPixel的原理是什么？它的尺寸变换公式是什么？比如给定输入shape：NCHW，subPixel之后的shape是多少？（假设上采样因子为4，即扩大4倍）

（这个地方跟面试官的观点有些冲突，我的答案是N(4C)(2H)(2W)，面试官认为应该是N(C/4)(2H)(2W)。最后他强调了一点，就是上采样不会增加参数计算量）

3.1.4 图形图像方面

● 渲染管线相关：

简单介绍渲染管线，从顶点着色器到片元着色器

● 顶点着色器和片元着色器分别用于做什么？在顶点着色器里主要进行什么操作？

● 光照的计算可以在顶点着色器进行吗？可以在片元着色器进行吗？两者有什么区别？

● 在顶点着色器中一般会对法线做什么修改？

● 顶点着色器主要进行哪些坐标转换？从世界坐标系中转换到模型坐标系中的变换矩阵是怎么得来的？

● 对于一个世界坐标系下有一个子空间（子空间三个坐标轴可能不会相互正交），子空间中有一个向量，如何将该向量变换到世界坐标系中？

● 片元着色器之后还会进行什么操作？

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

● Transformer的原理？Transformer在训练过程中有哪些可以 调整的超参？Multi-head attention的原理？

3.3 强化学习

● 针对我的强化学习推荐系统项目，问了强化学习如何做重排序问题？

● 场景题，用强化学习做推荐我会怎么做，从召回到精排整个流程设计，算法使用DDPG？

● 强化学习推断的时候时间复杂度太大怎么解决？

3.4 机器学习方面

3.4.1 推荐系统

● 问了下wide&deep中有没有遇到预训练的embedding，接到deep网络中由于前者参数的scale较大带来的问题？怎么解决？面试官说可以用两个网络，一个固定deep网络参数，一个固定embedding

● 你对推荐系统的了解？

答曰：了解了推荐系统的主流框架，召回方法，排序模型，并简单介绍了基于embedding相似度的召回和FM模型。

4 数据结构与算法分析相关知识点

4.1 数据结构与算法分析

4.1.1 线性表

4.1.1.1 数组

● 从两个排序好的数组中找出中位数?（合并数组，分奇偶求中位数，也很简单）

● 数组中只有一个出现一次的数，其余的数出现两次，怎么找到这个数？衍生： 优化空间复杂度、时间复杂度，如果出现一次的数有两个怎么解决？

● 给一个数组，随机shuffle数组使得每个值在每个索引处出现的概率相等，也是给两个API(int random(),返回0-65535的任意值或者int random(a,b),返回[a,b)区间内的任意值），最后还要证明自己的方法保证概率相等?

● 二维数组从左往右递增，从上往下递增 、写了O(M+N),面试官问有没有有O(log(n))的，二分的没答出来？

4.1.1.2 链表

● 链表循环右移k位?

4.1.2 树

● 二叉树输出最右节点？

● 每个二叉树节点都有一个高度，一个人站在右边向左看，输出这个人能看到的节点？

● 二叉树从根节点出发的最大路径

● 二叉树从任意节点出发最大路径

4.1.3 排序

● 千万级的数，选出最小的100个数！

● 寻找N个数中，第K大的数

4.2 算法思想实战及智力题

4.2.1 算法思想实战

● 螺旋矩阵的题目

4.2.2 智力题

● 一个硬币有一面比较厚，总是倾向于翻到这一面，利用这个硬币如何实现公平？

4.3 其他方面

4.3.1 数论

● Hessian矩阵的求逆与计算量问题？（正则化，Hessian矩阵的近似）

● 说一下运筹学和凸优化?（问的很细，说了梯度下降，牛顿法，KKT，单纯形，混合整数规划）

4.3.2 计算几何

● 给四个点的坐标，判断四个点是不是能够构成菱形？

● 一个单位球，均匀产生球表面的坐标？提示：用极坐标。

4.3.3 概率分析

● 算一个贝叶斯概率的问题，就是教科书上非常喜欢问的一个人诊断某种疾病阳性，问真实的得病概率?

● 一个圆，圆上有三个点，构成锐角三角形的概率？答案：1/4

● n个红球，m个白球，A，B两个人轮流不放回取球，谁先取到红球谁获胜，求A获胜的概率？

● A，B两人轮流和电脑下象棋，A赢的概率0.8，B赢的概率0.7，赢了的人继续下，输了换人，求最终A和B共同对电脑获胜的概率？

● 丢十个硬币，七个正面，用贝叶斯概率求正面朝上的概率？

4.3.4 矩阵运算

● 给一个矩阵（n*m），求出矩阵中每两行的cos相似度，放在一个n*n的矩阵里，可以用两个API（matmul(a,b)和reduce_sum(a,1)）?

● 矩阵顺时针打印？

4.3.5 其他

● A-B＋C……一个表达式，假设所有变量都是int32，求问交换运算符号会不会影响求值结果？int32换成float，会不会影响求值结果？取具体的例子说明。

● 最大连续字序列的和与积，求和的说了一下思路，求积是手撕的？

● 从一个低字节的int型变量中分别提取每个字节的数据?

● 求属于最大子段积，是积不是和？

● 最大连续子列，要求能够保存多个相同的最优情况的起始点？

4.4 Leetcode&剑指offer原题

● Leetcode 53：连续子序列的最大和

● Leetcode 358：重排一个数组，让相同数字的间隔>=d，返回重新排列后的结果？

5 编程高频问题：Python&C/C++方面

5.1 python方面

5.1.1 网络框架方面

● pytorch中train和eval下有什么不同？

● 熟悉和常用哪些框架？

5.1.2 基础知识

5.1.2.1 内存相关

● python实现深拷贝？

● Python的浅拷贝和深拷贝（字符串的拷贝）

5.1.2.2 区别比较

● python2和python3的区别？(print, raw_input, xrange, 整除除法）

● mutable和immutable(后来有详细地问 a="abc", a+="d" / a=[1], a.append(2) 时的内存变化引导我)

5.1.2.3 讲解原理

● python继承封装多态,线程和进程，多线程？

● 类的继承和基类

● 装饰器，@property

● python3中基类怎么运作的？

● “==”的具体实现机制

● python中的数据类型？

● python什么数据是可比较的，什么是不可比较的？

5.2 C/C++方面

5.2.1 基础知识

5.2.1.1 线程相关

● 线程间通信

● 进程和线程讲一下？

5.2.1.2 区别比较

● 左值引用和右值引用

● 指针传递和引用传递

5.2.1.3 讲解原理

● C++中虚析构函数的作用、static的作用和特点？

● C++中什么是左值什么是右值？

● 有哪些线程锁？（生产消费者模型）

5.2.1.4 讲解应用

● 一个类A派生出类B，其中类A的析构函数不为虚，然后new一个子类对象并强制转换成父类，再delete这个对象会产生什么问题？

● 一个类A派生出类B，A中有一个虚方法，在A的构造函数中有调用该方法，此时new一个子类对象并强制转换成父类，会分别调用哪些函数？

6 操作系统高频问题：数据库&线程&常用命令等

6.1 数据库方面

无

6.2 操作系统方面

● 浅、深拷贝区别？

7 技术&产品&开放性问题

7.1 技术方面

● 写代码的时候，为什么要声明训练语句和测试语句？

● 结合precison，求解自动驾驶中图像推导的多少秒发生一次错误?

7.2 开放性问题

● 你对自动驾驶的看法，对REID的看法等一系列开放性问题?