面灵AI→

华为 OD 算法岗社招面经:机考、技术一面与二面的完整题单(定级 D3)

结果
定级 D3
时间
2026-10
来源
牛客网

《面试题目》

机考(3 道算法题,满分 400、150 过线)

  1. 模拟 + 哈希题。
  2. 动态规划题。
  3. 图论题,BFS 加剪枝。

技术一面(原理 + 场景 + 一道手写,一个多小时)

  1. 给输入尺寸、kernel、padding、stride,现场算卷积输出尺寸。
  2. 感受野怎么算?两层 3×3 和一层 5×5 的感受野谁大、参数量差多少?
  3. BN 在训练和推理时分别做什么?
  4. dropout 训练时要除以 keep_prob,为什么?推理时为什么不除?
  5. 过拟合怎么判断?除了加数据还能怎么处理?
  6. 目标检测里 anchor-based 和 anchor-free 的区别是什么?你实际用过哪个?
  7. IoU 怎么算?NMS 的流程讲一下。
  8. mAP 具体怎么算?AP 和 mAP 是什么关系?
  9. 交叉熵和 Focal Loss 的区别是什么?样本极度不均衡你怎么处理?
  10. 为什么要做 INT8 量化?量化之后精度掉了你怎么救?
  11. 模型从训练框架到边缘设备上跑起来,中间要过哪几步?
  12. 手写:NMS,给一组框和置信度,写出完整流程。

技术二面(约 20 分钟)

  1. 场景题:模型在你这边测试集上 98%,上线到产线只有 80%,你怎么查?

主管面

  1. 为什么想换工作?
  2. 能不能去长沙?
  3. 有没有读博打算?
  4. 期望薪资是多少?
  5. 家里什么意见?

《参考解析》

卷积输出尺寸:out = floor((in + 2*padding - kernel) / stride) + 1。这个公式要能当场心算,并且知道它的来源——输出位置的数量等于窗口在输入上能滑动的次数加一。空洞卷积把 kernel 换成 dilation * (kernel - 1) + 1 代入即可。

感受野与参数量:两层 3×3 堆叠的感受野等于 5×5,但参数量是 2 × 3 × 3 = 18,一层 5×5 是 25,而且两层多了两次非线性,表达能力更强。这就是 VGG 用连续小卷积核替代大卷积核的理由。感受野的递推公式是 RF_i = RF_{i-1} + (k_i - 1) × stride_{累计}。

BN 在训练和推理时的行为完全不同,这是那场面里卡住的地方。训练时对当前 batch 做归一化(减 batch 均值、除 batch 标准差),同时用滑动平均更新全局的 running_mean 和 running_var;推理时不再看当前 batch,而是用训练阶段存下来的这两个统计量做归一化。所以推理的行为取决于训练时有没有正确更新滑动平均,这也是「训练时用大 batch、推理时单条」不会出问题的原因。如果推理时误用了当前 batch 的统计量(比如 batch size 为 1 时方差为 0),输出会完全错乱。

dropout 除以 keep_prob 是为了保持期望不变:训练时以概率 p 把神经元置零,如果不做缩放,下一层的输入期望会变成原来的 (1-p) 倍;除以 (1-p)(即 keep_prob)把期望拉回原值。这样训练和推理的激活值尺度一致,推理时就可以直接关掉 dropout 而不用做任何调整。

过拟合的判断与处理:判断看训练集与验证集的指标差距是否随 epoch 扩大。处理除了加数据,还有数据增强、正则化(L2、dropout)、早停、降低模型容量、批归一化、以及标签平滑。工业场景里最有效的往往不是换模型,而是把数据分布做对——训练集和线上不一致时,再强的正则化也救不回来。

anchor-based 与 anchor-free:前者在特征图上预设一组不同尺度和长宽比的先验框,网络回归相对先验的偏移量,代表是 Faster R-CNN、YOLOv3/v4;后者直接预测关键点或中心点到边界的距离,代表是 CenterNet、FCOS、YOLOv8 之后的主线。anchor-free 省掉了调 anchor 超参和大量先验框带来的正负样本失衡,但对密集小目标有时不如精心设计的 anchor。

NMS 的完整流程:把候选框按置信度降序排列 → 取最高分的框加入保留列表 → 计算它与剩余所有框的 IoU → 删掉 IoU 超过阈值的框 → 重复直到候选为空。工程上要注意的点:同类内做还是跨类做(通常按类别分别做)、IoU 阈值的选择(0.5 还是 0.7 影响很大)、以及大量框时的性能(先按分数阈值粗筛,或用 soft-NMS 缓解遮挡场景的漏检)。

mAP 的计算:先把预测按置信度排序,逐个累加算出 TP、FP,得到 Precision-Recall 曲线;AP 是 PR 曲线下的面积(实践中用插值或积分近似);mAP 是所有类别 AP 的平均。COCO 还会在多个 IoU 阈值(0.5 到 0.95,步长 0.05)上取平均,所以同一个模型报「mAP@0.5」和「mAP@[.5:.95]」数值差很多,比较时必须对齐口径。

Focal Loss 解决的是正负样本与难易样本的失衡:标准交叉熵对易分样本也会产生不小的 loss,数量占优的背景样本会主导梯度。Focal Loss 乘以 (1 - p_t)^γ,让易分样本的权重衰减,γ 一般取 2;再配一个 α 平衡正负类。样本极度不均衡时的组合拳是:Focal Loss + 重采样(过采样少数类或欠采样多数类)+ 难例挖掘(OHEM)+ 调整分类阈值。

INT8 量化的动机是带宽与算力:8 位整数的访存和矩阵乘吞吐都比 FP16/FP32 好,边缘设备上通常能带来 2 到 4 倍加速。精度掉了怎么救:用训练后量化(PTQ)先看敏感层,对敏感层保留高精度;做逐通道量化而不是逐张量;用一小批真实数据做校准(而不是随便挑图);必要时上量化感知训练(QAT),在训练时模拟量化误差。

从训练框架到边缘设备:导出(PyTorch → ONNX)→ 图优化(算子融合、常量折叠、去掉训练专用节点)→ 量化/编译(TensorRT、TFLite、厂商工具链)→ 算子适配(不支持的算子要替换或自己写)→ 精度与性能验证(对齐输出、测延迟与内存)。这中间最容易出问题的是预处理和后处理——归一化参数、通道顺序(RGB/BGR)、resize 的插值方式、NMS 的阈值,任一处不一致都会导致精度断崖。

「测试集 98% 上线 80%」这个场景题,答案的顺序比答案本身重要。合理的排查顺序是:先确认模型有没有真的生效(是不是还在跑旧版本)→ 再查线上线下预处理是否一致(resize、归一化参数、通道顺序这三处最容易对不上)→ 再看现场数据分布与训练集的差异(光源、来料批次、相机角度)→ 最后看漏检的分布:如果集中在某一类,大概率是该类样本不足,回去补采补训;如果全类都掉,多半是前两个环节的问题。答这题时如果能补一句「我会先确认模型根本没换上来」,会显得真的在生产环境里踩过坑。

机考的准备策略:三道题看总分,150 过线,所以目标不是做出 hard,而是「简单题拿满、中等题拿到大部分用例、难题写出框架骗部分分」。那位同学专攻 hard 刷了一个多月,考场上反而一道 hard 都没出——这是很典型的走偏。刷题范围应该按题型覆盖(模拟、哈希、贪心、DP、图搜索、并查集、二分),而不是按难度。

主管面不谈技术,谈的是稳定性:为什么换、能不能去这个城市、有没有读博打算、期望薪资、家里意见——这几问背后是一个判断:你会不会干两年就走。「有没有读博打算」答「没有,想在工程上往深走」是清晰的答案,含糊会让对方担心你随时回去读书。

关于「打标」这个劝退说法的拆解:数据、部署、落地是这条链上最贵的三段,标注只是链条最前端、可替代性最高的一环。判断自己在这条链上的位置,可以问三个问题:标注规则是谁定的?模型从训练到在设备上跑起来中间那段谁做?上线后准确率掉了谁去现场?三问的答案如果都指向你,那你做的是工程落地而不只是打标。