讯飞算法工程师面试题

1. SVM核函数能否映射到无穷维

    可以的，多项式核函数将低维数据映射到高维（维度是有限的），而高斯核函数可以映射到无穷维。由

2. 描述下xgb原理，损失函数

    首先需要说一说GBDT,它是一种基于boosting增强策略的加法模型，训练的时候采用前向分布算法进行贪婪的学习，每次迭代都学习一棵CART树来拟合之前t-1棵树的预测结果与训练样本真实值的残差。XGBoost对GBDT进行了一系列优化，比如损失函数进行了二阶泰勒展开、目标函数加入正则项、支持并行和默认缺失值处理等，在可扩展性和训练速度上有了巨大的提升，但其核心思想没有大的变化。或

3. 描述下卷积神经网络

    卷积神经网络，通常包含5层，输入层，卷积层，激活层，池化层，全连接F℃层，其中核心部分是卷积层和池化层。优点：共享卷积核，对高维数据处理无压力；无需手动选取特征。缺点：需要调参；需要大量样本。

4. Tensorflow和Pytorch的区别

    pytorch中是动态图机制，也就是在运行的时候构建，而tensorflow1.x是静态图，需要先构建，再运行。灵活性pytorch:动态计算图，数据参数在CPU与GPU之间迁移十分灵活，调试简便；tensorflow1.X:静态计算图，数据参数在CPU与GPU之间迁移麻烦，调试麻烦。设备管理pytorch:需要明确启用的设备tensorflow:不需要手动调整，简单

5. 为什么Tensorflow方便部署

    从一开始，TensorFlow就是一个面向部署的首选框架，因为有一系列可以提高端到端深度学习效率的工具，如TensorFlow Serving和TensorFlow Lite。

6. 静态图和动态图

    目前神经网络框架分为静态图框架和动态图框架，PyTorch和TensorFlow、Caffe等框架最大的区别就是他们拥有不同的计算图表现形式。TensorFlow使用静态图，这意味着先定义计算图，然后不断使用它，而在PyTorch中，每次都会重新构建一个新的计算图。动态图比较方便dbug,同时非常直观，而静态图是通过先定义后运行的方式，之后再次运行的时候就不再需要重新构建计算图，所以速度会比动态图更快。

7. 简单描述下知识蒸馏、量化、剪枝

    知识蒸馏一般将复杂、学习能力强的网络学到的特征表示“知识”蒸馏出来，传递给参数量小、学习能力弱的网络。量化就是用较低位宽表示典型的32位浮点网络参数。剪枝的主要思想就是将权重矩阵中相对“不重要”的权值剔除。

AI算法岗面试

1. 描述transformer的原理，encoder和decoder是怎样的？

    Transformer网络是一个Encoder-Decoder(编码，解码)的结构，整体是由输入部分，Encoder部分和Decoder部分组成。Encoder端和Decoder端均有6个Block,Encoder端的Block包括两个模块，多头self-attention模块以及一个前馈神经网络模块；Decoder端的Block包括三个模块，Masked多头self-attention模块，多头Encoder-Decoder attention交互模块，以及一个前馈神经网络模块；需要注意：Encoder端和Decoder端中的每个模块都有残差层和Layer Normalization层。

2. CNN家族算法和Transformer家族的算法区别在哪里？

    Transformer模型的核心是self-attention机制，而CNN模型的核心是卷积和池化；(2)Transformer模型可以学习到数据中每个词之间的相关性，而CNN关注于二维局部数据之间的相互关联，随着层的加深，关注区域会更广。

3. 给定一个递增数组，找出总和为k的最长子数组

class Solution: 
	def maxSubArrayLen(self,nums:List[int],k:int)->int:
		n=len(nums)
		preSum={}#第一次出现和为key的子数组的index(O~index)
		count=0
		ans=0
		preSum[0]=0
		for i in range(n):
			count=count+nums[i]
			if count not in preSum:
				preSum[count]=i+1
			if count-k in preSum:
				ans=max(ans,i-preSum[count-k]+1)
		return ans

4. Precision和Recall在评价模型指标有什么区别？

    Precision和Recall通常是一对矛盾的性能度量指标。一般来说，Precision高时，Recall值往往偏低；而Precision值低时，Recall值往往偏高。比如商品推荐系统场景，希望推荐内容的确是用户感兴趣的，侧重Precision;而贷款违约用户识别场景，希望尽可能不放过坏用户，更侧重Recall。

5. PR AUC和ROC AUC有什么区别？

    ROC AUC:指ROC曲线下的面积。通过在[0,1]范围内选取阈值(threshold)来计算对应的TPR和FPR,最终将所有点连起来构成ROC曲线。PR AUC:指PR曲线下的面积。通过在[0,1]范围内选取阈值(threshold)来计算对应的Precision和Recall,最终将所有点连起来构成ROC曲线。ROC-AUC衡量的是模型排序的能力；当样本不平衡的时候，更适用ROC-AUC,因为其对于正负样本的比例不敏感；当我们关心Positive Samples和Negative Samples时，可以使用ROC-AUC。PR AUC适用于更关心Positive Samples,以及权衡precision和recall的时候。

6. 并行训练的时候有哪些方法加快训练速度？

    数据并行：将一大块数据切成小份，分发给几个完全相同模型，分别训练，之后聚合梯度。模型并行：模型太大，一张卡放不下，要放到多张卡上去。

风控算法工程师

1. 了解的社区发现算法有哪些？

    GN算法 Louvain算法 LPA标签传播 SLPA算法 K-L算法

2. Louvain算法的算法流程

• 通过局部的更改节点社区分类来优化Modularity:先将每个节点指定到唯一的一个社区，然后按顺序将节点在这些社区间进行移动。以节点i为例，它有三个邻居节点j1,j2,j3,我们分别尝试将节点i移动到j1,j2,j3所在的社区，并计算相应的modularity变化值，哪个变化值最大就将节点i移动到相应的社区中去，如果最大的变化值也为负，则不移动。
• 按照这个方法反复迭代，直到网络中任何节点的移动都不能再改善总的modularity值为止。
• 1,2两个步骤看做第一阶段。把第一阶段得到的社区视为一个新的节点。重新构造子图，两个节点之间边的权值为相应两个社区之间各边的权值的总和。
• 重复1,2,3步骤的操作，直到Modularity不再增加为止。

3. LPA算法的算法流程

• 为所有节点指定一个唯一的标签
• 逐轮刷新所有节点的标签，直到达到收敛要求为止。
• 对于每一轮刷新，节点标签刷新的规侧如下：
• 对于某一个节点，考察其所有邻居节点的标签，并进行统计，将出现个数最多的那个标签赋给当前节点。
• 当个数最多的标签不唯一时，随机选一个。

4. 线程和进程的区别是什么

    进程是操作系统进行资源分配和调度的基本单位，多个进程之间相互独立：线程是CPU进行资源分配和调度的基本单位，线程是进程的一部分。进程适合计算密集型任务，进程数取决于CPU核数：线程适用于1O操作密集型的任务。

5. LC124一一二叉树中的最大路径和

class Solution:
	def_init_(self):
		self.maxSum float("-inf")
	def maxPathSum(self,root:TreeNode)->int:
		def maxGain(node):
			if not node:
				return 0
			leftGain max(maxGain(node.left),0)
			rightGain max(maxGain(node.right),0)
			priceNewPath node.val leftGain rightGain
			self.maxSum max(self.maxSum,priceNewPath)
			return node.val max(leftGain,rightGain)
		maxGain(root)
		return self.maxSum

6、LC440一—字典序的第K小数字，字典树思想

class Solution:
	def getSteps(self,cur:int,n:int)->int:
		steps,first,last =0,cur,cur
		while first<∈n:
			steps +=min(last,n)-first 1
			first *=10
			last last 10 +9
		return steps
	def findKthNumber(self,n:int,k:int)->int:
		cur 1
		k-=1
		while k:
			steps self.getSteps(cur,n)
			if steps <k:
				k-=steps
				cur +1
			else:
				cur *10
				k-=1
		return cur