1 基础
我一般上来就会给候选人做几个小计算，随便给个输入给个卷积，算输出尺寸、参数量、计算量。
大概有50%的候选人没法都算出来，在这里面少部分人算不对输出尺寸，一半人算不对参数量，大部分人不会算计算量。其他的感受野BN之类的随便问问也就大概知道对方基础怎么样了。
很多候选人都是简历天花乱坠，基础都不太牢靠。
2 诚实性
这个很重要，如果不诚实，别的都免谈。
我一般就问项目里最基础的细节，比如模型大小、数据量、线上/实验室指标。
再比如说有很多人说有部署经验，用过trt、mnn这些，那就问用的推理引擎版本是什么，模型转换的步骤是什么。
如果觉得这些还判断不出来，就问对方在简历里写的熟悉的xxx模型，看是不是真熟悉。
3 对数据/模型/训练技巧的理解
这里其实是在考察分析问题和解决问题的能力。
我一般会问对方在项目里遇到的各种困难，以及项目经历中各种可以cue的点。
这一趴我期待候选人有分析数据，尤其是分析bad case并且能做针对性解决的能力；对模型选型、魔改的方式、训练的手段给出理由和思考，在这个过程中可以看出对方是不是在背博客上的答案。
4 代码能力
必考，但我也不出太难，只是看看对方平时写不写代码，是不是只会扒github。leetcode我从来不考。
我一般就让候选人随便给我写个卷积模型，真是随便写，就这样能难倒一多半的候选人，我也不知道为什么。
最近面的几个人，让他们实现一个深度可分离卷积，或者随便写个模型，我都是把架子给他们搭好，比如这样：
import torch.nn as nn
class Net(nn.Module):
def __init__(self, in_channels, out_channels):
super(Net, self).__init__()
pass
def forward(self, x):
pass
def test():
pass
test()
如果不给搭架子，就从白板儿写，那大部分更是写不出来（惨
所以只填里面的nn.Conv2d和forward，再写个test case。就这，没有一个人能顺顺当当填出来的。
对于面试者，可以帮助你在面试前查漏补缺；对于面试官，可以帮助你综合判断候选人的深度学习水平。
- 理论基础
- 项目经验
- 编程能力
- 行业认知
1）了解前向传播反向传播，以及链式求导；例如给一个两层的MLP和简单的二维向量，能推导出 forward propagation，再用 chain rule 推导出 back propagation；
2）了解常见的损失函数，激活函数和优化算法，明白它们的区别优劣，例如 relu 相比 sigmoid 的优点在哪，Adam对于SGD做了哪些改进，交叉熵公式是什么；
3）了解常见的评价指标以及它们的区别，例如 accuracy，precision，recall，F1，AUC，混淆矩阵 各自的公式；
4）有哪些防止过拟合的策略，至少3个以上；
5）了解梯度下降算法原理，准确指出梯度下降、随机梯度下降、批量梯度下降的区别；
6）如何合理的设置训练batch，是不是越大越好？
7）了解基础的神经网络，例如 MLP、CNN、RNN(GRU, LSTM)、Attention，基本各个子领域都会用到；
8）明白各个神经网络的优缺点是什么，例如 Attention相比CNN做了哪些改进，RNN为什么容易造成梯度消失&爆炸；
9）有哪些缓解数据分布不均匀的方法，至少3个以上；
10）了解基本的数据冷启动和数据增强策略；
以上列举的部分知识点，如果短时间内没答上超过1个，基础功可能还需要加强。
这里推荐一本《深度学习500问》，书中按章节罗列了500多个深度学习高频问题，是一本不错的复盘工具书。
有需要的读者在我的公众号【NLP情报局】后台回复“500”即可领取。
1）熟悉语言模型发展史（word2vec->ELMO->GPT->BERT->...），以及改进的优点；
2）熟悉word2vec，例如两种模型结构和优化技巧，与glove的差异；
3）熟悉BERT模型，例如2个预训练任务，3个Embedding层，主要缺点，如何做英文分词(BPE)等；
4）熟悉文本预处理方法和常见的特征提取策略；
5）能解释文本CNN使用平均/最大池化时，反向传播参数梯度如何更新；
6）能手推RNN计算公式以及参数量；
7）熟悉Transformer有哪些核心模块，Attention计算公式；
8）熟悉底层的分类、匹配任务，并掌握一些经典的神经网络模型；
9）如果做过实体抽取任务，至少熟悉CRF的原理与损失函数，与HMM的区别等；
实际面试中，面试官不会完全从答案是否正确来判断面试者的深度学习水平，有些问题甚至没有标准答案。
和面试官及时交流，反馈自己的思考过程也十分重要。
这一小节主要针对手上还没有顶会论文的同学，项目经历将是面试中的考查重点，往往会占据至少一半的面试时间。
实验室项目、实习经历、算法比赛等都可以看作是项目。由于每个人的研究方向有差异，这一小节主要归纳一些共性问题。
1）这个项目的背景以及最大亮点是什么？
2）自己负责了哪些具体任务？
3）项目中碰到最大的挑战是什么，最后如何克服的？
4）除了采用深度学习，有没有尝试其他解决方案，例如传统的机器学习算法？
5）项目最终的评测结果如何？是否部署上线？
通过上面几个问题，面试官基本可以摸清面试者在项目中的角色，是核心骨干还是浑水摸鱼，有创新价值还是仅仅跑了一遍开源代码。
如果我是面试官，会非常希望同学有基础的深度学习项目经验，最好熟悉完整的算法开发流程、GPU训练和服务器调用指令，这样可以帮助公司减少很多培训成本。
面试中手撕代码是近几年技术岗的必备环节，甚至是面试通过与否的硬门槛之一，可以快速考查编程基本功。之前网上流传，pony马化腾每周还会在leetcode上刷一道编程题！
而考查的类型大致可以分为以下3种：
1）1-2道数据结构算法题，类似于leetcode；难度一般为medium，偶尔穿插easy和hard，考查的数据结构以二叉树、动态规划、数组、字符串、二分查找等为主；
2）用深度学习框架（TF、Keras、Pytorch等）实现一个简单的任务，要求定义类、损失函数、优化器、前向传播等，考查对框架的熟悉程度；
3）用Python或深度学习框架手推一个机器学习算法，例如KNN、KMeans、LR等。
经过3个环节的考查，面试官已经基本掌握了你的深度学习水平。如果前面答的都不错，恭喜你离offer仅一步之遥了。
在某些公司的总监或boss面中，一般不会再问技术细节，但是会对全局认知能力再次考核。面试者是仅仅站在程序员的角度思考问题，还是会有更高层次的全局观、更长远的见解和规划。
而这种宏观认知，只需要询问几个问题：
1）该领域未来发展方向有哪些，会在哪发力？
2）目前的瓶颈或痛点在哪？
3）针对这些难点有没有好的思路？
面试就像是老师和学生们围坐在一起面对面探讨问题，大家依次发表自己的想法，最终老师会选出思路敏捷清晰、专业基础扎实的同学当课代表（发offer）。