年底了,最近技术群组织了一次AI算法岗面试讨论会,今天分享一位特别棒的同学,把整个秋招的NLP算法岗面经面试经历都共享了出来。如果你想加入我们的讨论群,见文末。
下面是这位同学分享的内容,喜欢记得收藏、点赞、关注。
首先感谢组织AI算法岗的交流会,我从中收获很多,也有机会分享我的秋招面试的经历,我投的岗位比较杂,主要是NLP,也包括一些多模态、大模型、推荐相关的岗位,最终拿到了腾讯、顺丰、平安金服和迪子的offer,华子、京东和百度的池子。
总结一下,首先算法的问题会问得非常杂,主要根据你的项目经历,面试官一般会从你的经历里挑和他们工作内容比较相关的点提问,然后不断扩展;反而八股文问的不多,一般是一些中小厂喜欢问八股。
最后是自己的一点见解,对于非研究性质的算法岗位,论文的权重并没有很大(也看面试官的喜好),反而是相关的竞赛/实习经历会非常重要。有意找算法岗的uu,一定要去搜广推(可以再加一个大模型)相关的岗位刷刷实习经历。
以下是整个秋招的面试的题目总结了一下:
- 用语言介绍一下Transformer的整体流程
- 深度学习的三种并行方式:数据并行,模型并行,流水线并行
- Deepspeed分布式训练的了解,zero 0-3的了解。
- 对于CLIP的了解
- 说几种对比学习的损失函数,以及它们的特点和优缺点
- 说说大模型生成采样的几种方式,它们的特点和优缺点比较
- 损失函数中温度的作用
- BLIP的细节。(面试中提的问题是BLIP为什么将训练分成两个阶段)
- Visual Encoder有哪些常见的类型?
- 深度学习中常用的优化器有哪些?
- SimCSE的了解
- prenorm和postnorm
- LLaMA 2的创新/ChatGLM的创新点/Qwen的创新点/Baichuan的创新点
- LLM的评估方式有哪些?特点是什么?(中文的呢?)
- 文本生成模型中生成参数的作用(temperature,top p, top k,num beams)
- LoRA的作用和原理
- CoT的作用
- 神经网络经典的激活函数以及它们的优缺点
- softmax函数求导的推导
- BERT的参数量如何计算?
- AUC和ROC
- batch norm和layer norm
- 大模型训练的超参数设置
- 经典的词向量模型有哪些?
- InstructGPT三个阶段的训练过程,用语言描述出来(过程,损失函数)
- 大模型推理加速的方法
- Transformer中注意力的作用是什么
- RNN、CNN和Transformer的比较(复杂度,特点,适用范围etc)
- AC自动机
- 产生梯度消失问题的原因有哪些?
- 大模型的幻觉问题
- 大模型训练数据处理
- RLHF的计算细节
- 构建CoT样本的时候,怎么保证覆盖不同的场景?
- 召回的三个指标:Recall、NDCG、RMSE
- RoPE和ALiBi
- 交叉熵、NCE和InfoNCE的区别和联系
- 贝叶斯学派和概率学派的区别
一个文件的大小超过了主存容量,如何对这个文件进行排序?应该使用什么算法? - Python中的线程、进程和协程
- python中的生成器和迭代器
技术交流&资料
技术要学会分享、交流,不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
成立了AI算法岗技术&面试交流群,完整代码、相关资料、技术交流&答疑,均可加我们的交流群获取,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友。
方式①、微信搜索公众号:机器学习社区,后台回复:加群
方式②、添加微信号:mlc2060,备注:来自CSDN + 技术交流