快手暑期实习 广告算法实习生 1,2面面经 已OC
lz主要做RL方向，3月20日投简历，21日约面试
3月24日 一面 70min
一面主要问简历和做题
自我介绍；
做题：最接近的三数之和（lc.16）：做过类似的题，但第一时间没反应过来是排序+双指针，往递归和回溯的错误思路想了很久，想了一个O(N^2)的暴力解法还卡了很久没写出来，在面试官老师提示先排序后才想到用双指针写了出来；
介绍最熟悉的项目；
项目中MLP网络模型的输入输出是什么；
损失函数和优化方式：多分类交叉熵损失和Adam优化；
讲讲Adam优化的优化方式：加入了惯性梯度和历时梯度平方和；
连续网络输入做了什么处理：只做了归一化；
网络输出的准确率怎么衡量：通过对比和真实标签的预测准确率；
DQN是On-policy还是off-plicy？有什么区别：off-policy，然后以Q-Learning和Sarsa算法举例讲了下off-policy和on-policy的区别；
value based和policy based算法的区别：还是通过算法举例讲了下两者区别，其中value based采样效率高但是有偏差，policy based收敛性好但是方差大；
反问：面试中可以改进的问题：做题经验太少，反应慢，还得多刷，讲项目要先讲解决的问题和亮点，然后综合讲清楚所用的模块输入输出，目标函数，并且以更通用的语言来讲
快手最吸引你的地方：迭代速度更快，成长速度更快
总结：面试官老师人还是很nice很有耐心，面试的算法题难度中等偏上，问的问题从项目上来讲很细节，但基本都是基础题，多复习都能涵盖
3月30日 二面 60min
二面分为三个部分：介绍项目，技术问题，算法题
面试官老师上来先介绍了自己的部分主要负责流量竞价分配；
项目部分：
介绍项目，要求从背景、问题、解决方法以及可能的优化分别进行介绍；
项目中用到mlp网络，介绍一下网络前向的计算过程：说了输入特征数据形式、神经元节点计算原理和激活函数；
输入特征怎么处理的：归一化到[-1,1]；
归一化[-1,1]和归一化到[0,1]对后面的网络计算有什么影响吗：没答上具体影响，说是直觉处理；
将输入特征做求平均、求平方、开方以及池化处理后再输入网络有什么不同的影响：只说了池化能对特征下采样降低维度，另外的处理没用过没答上来（我太菜了QAQ）；
最后用了什么loss函数：交叉熵；
手写一下交叉熵公式；
为什么用交叉熵不用均方误差：从数学推导上解释了一下分类任务中用交叉熵的优势
介绍下项目中用到的MAPPO算法：说了下PPO的AC结构训练原理和CTDE结构的优势
技术部分：
给一个字典，按照val值降序排序怎么操作，说思路：转换成队列排序后再转回来（其实可以直接调函数没答上）
用pytorch实现一下mlp网络结构，包括损失函数：比较简单直接写出来了
算法题：
买卖股票的最佳时机（lc.122）：运气比较好出了道做过的原题，用dp做出来了，if else判断有点小问题
反问：面试中的问题：项目实现经验有点少，可以多做点github项目练手
老师怎么看待最近互联网下行：大环境肯定受影响，但公司的业务逻辑和人才引进策略不会变，个人的核心竞争力不受影响
快手最吸引你的地方：组内比较务实
总结：面试官老师人依然很nice，语气温和很有耐心，二面问的项目细节比一面多了很多，也多了写公式和写网络结构等上手操作，不过都是基于项目可能用到的最基础的问题，没答上主要还是自己平时积累不够，继续努力吧
===============================================================
4月2日更新
中午收到hr电话，发口头offer了，快手外循环算法部门，祝大家都能拿到理想的offer！
#快手暑期实习##春招##实习##面经##面试流程##Python##机器学习##算法工程师#
查看6道真题和解析