我的个人微信公众号：Microstrong
微信公众号ID：MicrostrongAI
公众号介绍：Microstrong(小强)同学主要研究机器学习、深度学习、计算机视觉、智能对话系统相关内容，分享在学习过程中的读书笔记！期待您的关注，欢迎一起学习交流进步！
知乎专栏：https://zhuanlan.zhihu.com/Microstrong
Github：https://github.com/Microstrong0305
个人博客：https://blog.csdn.net/program_developer
一面：
（1）自我介绍。
（2）两篇论文中最好的一篇文章，是怎么做的，把具体的原理讲一下？
我就把论文中的主要创新点和对LSTM模型的改进详细的进行介绍。
（3）你能否详细的介绍LSTM模型的结构和内部的运行过程？
我就把LSTM的模型画出来，然后详细的讲解了LSTM的运行机制。
（4）简单的介绍一下RNN，及它的发展和应用？
回答：RNN可以解决时间序列的问题，因为RNN的隐含层是循环层，可以记忆之前输入到网络中的数据信息。它可以解决含有时间序列特性的问题，比如：股票预测、文本生成、对话系统等。由于传统的循环神经网络存在梯度消息和梯度爆炸的问题，因此研究者提出了LSTM，它由于含有遗忘门、输入门、输出门等可以解决梯度消失的问题。但是现在经常使用的是GRU（Gate Recurren Unit，门控循环单元）网络，它只有两个门，分别为更新门和重置门。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。GRU简化了LSTM的各个门，把LSTM中的遗忘门和输入门合并成更新门，GRU也合并了细胞状态和隐层状态等。
（5）简单的介绍一下CNN，及它的发展和应用？
回答：在图像处理中，卷积神经网络提取的特征比之前的手工特征效果更好，这是由CNN特殊的组织结构来决定的，卷积层和池化层的共同作用使得CNN能提取出图像中较好的特征。
一般而言，卷积层和池化层交替出现构成了CNN的低层，高层则为1~2层的全连接层，最后一层输出层通常为分类器，例如逻辑回归（LR）、支持向量机（SVM）、Softmax回归等等。
卷积层的作用：在卷积层中，通常包含多个可学习的卷积核，上一层输出的特征图与卷积核进行卷积操作，即输入项与卷积核之间进行点积运算，然后将结果送入激活函数，就可以得到输出特征图。卷积核是CNN对图像特别work的主要原因。我们可以把每个卷积核当成是一个学生，每个学生看一幅画时关注的地方不一样，也就是每个卷积核提取图片的特征都不一样，因此CNN可以很好的提取图片的特征，对图像处理work比较好。
池化层作用：池化层通常出现在卷积层之后，二者相互交替出现，并且每个卷积层都与一个池化层一一对应。池化层降低了特征的维度，从而避免过拟合，同时还使得池化输出的特征具有平移不变性。
（6）数据结构中查找最快的算法是哪个？
我：您问的查找算法，是在数据量比较大的情况下，还是在数据量比较小的情况下？
面试官：分别说一下在数据量比较大的情况下最快的查找算法，和数据量比较小的情况下最快的查找算法。
其实这道题面试官想让我回答“哈希表查找”。
我当时回答了一个“二分查找”、“二叉排序树”。
面试官问：二分查找的时间复杂度是多少？
我：O（lg(n)）
面试官：lg(n)是以10为底的吧！这样写对么？
我：赶紧把之前写的改正了一下，老老实实，规规整整的写下O（）。注意：面试的时候，一定要细心仔细。
面试官问：二叉排序树的时间复杂度是多少？
我：O（）。
面试官：看来你真的不知道查找最快的算法了。
面试官：那三叉排序树、四叉排序树的时间复杂度呢？
我：其实我内心是想说O（），O（
）。但是没有把握，就没说。就告诉面试官：这个之前没有考虑过。
（7）了解Java里面的集合么？
我：了解。就大概把下面的这幅图给描述了一下：
面试官：查找HashMap中的一个数据的时间复杂度是多少？查找TreeMap中的一个数据的时间复杂度是多少？
我：HashMap的底层实现是哈希表的查找，时间复杂度是O（1）。TreeMap的底层实现是树结构，时间复杂度是O()。
所以HashMap的查找速度更快。
一面完。
二面：
（1）自我介绍。
（2）详细介绍一下，你项目中是如何进行图像水印的处理工作？
我就把项目中每一步用到的所有方法都详细的讲解了一遍。论文《On the Effectiness of Visible WaterMarks》。
（3）你平时是怎么看论文的？
涉及到我目前要做的工作的文章，我都会拿过来看看，研究论文中的创新点和方法，然后复现论文中的实验结果。最后，我会总结论文形成读书笔记，笔记里包含我对这篇论文的理解和感想。然后发表到我的博客、知乎专栏、和微信公众号中。
（4）你对RNN了解么？简单介绍一下RNN网络？
（5）你能详细介绍LSTM的内部结构和运行原理么？
我就在纸上边画LSTM网络结构，边写每个门设计到的公式，然后讲解每个门的作用。
（6）你期望的工作地点是哪里？
（7）你未来的职业规划是什么？
由于刚出校门，自己知识技能和工作经验都不是很丰富，我希望在未来一两年内，脚踏实地的学好工作技能、提升技术能力、丰富工作经验。把这些做好之后，后面的升职加薪就是水到渠成的事情。
二面完。
