文章目录
题记
面试经验第3贴，感兴趣过往文章的可点击以下链接（们）：
[1] 面试经验｜创业公司CTO面和技术总监面
[2] 面试经验｜PlayStation全球交互娱乐组——技术总监面
对在英国或者海外科技岗找工作感兴趣的同学，欢迎关注这个专栏！
碎碎念：
转眼过去了快半个月，中间也有一场正式面试和一场模拟面试。
正式面试是前司不太对口的一个组，基本上没问特别多问题，主要还是个人意愿和组是否匹配的问题。
模拟面试对应的正式面试估计会在接下来半个月里推进，之后再更新。
英国面试框架
在记录这次面试经验之前，我想总结一下英国科技岗面试的流程。
通常分为以下几个部分：
HR简单沟通
在这个阶段，HR会约线上30分钟会议、或是直接打一个30分钟内的电话。
首先，HR会对候选人进行简单了解，比如候选人目前的就职状态（脱产/待业），以确保多久可以入职。
另一方面，HR会简单了解候选人的技术栈是否匹配目标岗位，这个主要是因为HR和真实招人的经理（Hiring Manager）信息差，HR大多为非技术背景，为了节约后续的面试成本，会先简单让候选人做个自我介绍，同时也介绍待面试岗位的要求，看看双方是否匹配。
再来就是了解薪资需求，HR通常会给一个薪资范围，同时也了解候选人上一份工作的薪资，确定候选人是否可以接受。
最后，就是确定下一次面试的时间。英国这边的节奏都比较慢，所以HR打完电话之后，会过几天发个正式邮件，让候选人选一个空闲时间进行面试。
技术经理面
目前我大部分的面试都在这个阶段，之前记录的PlayStation技术经理面已经通过，但因为薪资没谈拢（HR嫌我要求的有点高），所以下个阶段的面试迟迟没有推进，看看这个星期会不会有消息（fingers crossed :）。
说回正题，技术经理面通常会由技术总负责人，比如创业公司的CTO，或者部门负责人（经理）和一个资深的工程师联合面试。
目前面下来的感觉是，这个面试重点在于考察候选人的简历项目，所以需要好好复习所有写在简历上的项目，同时还要仔细看职位描述，根据每一条进行具体的准备。大部分要考的技术相关的内容都是以过去的项目经验切入，同时会考一些专业领域的算法知识，比如图像处理的一个任务应该怎么解决。
另一方面，技术经理和资深员工通常还会隐性考察技术能力之外的特性，比如语言能力（我这次准备的不够充分，整体感觉说话经常打结），沟通能力，以及性格。虽然这些都有些虚，不过气场合拍对于未来的工作还是挺重要的。再加上英国这边的技术人员通常都会在一个岗位干十几、二十年，招人性格合得来是非常重要的一个品质。
技术面
这个部分每个公司大同小异，通常由3轮技术面试构成。因为我还没有实战经验，先留个坑。
大体的准备内容包括：
- 系统设计（system design）
- AI系统设计：针对AI任务如何设计工作流，包括数据采集、方法验证、方法迭代
- 算法（leetcode）：数组、链表、二叉树、dfs、bfs、二分查找、图、动态规划。
- 特定岗位的技术栈：如图形学算法工程师，则需要准备图形学相关的基础知识。
谈Offer
同样先占坑。
面试记录
自我介绍环节
- 通常面试开始时，招聘经理会介绍组别情况，以及让资深工程师做自我介绍。
- 接下来就会让候选人自我介绍，建议大家要根据职位调整一下自我介绍，凸显自己和目标职位的匹配程度。
- 最后表达一下很荣幸参加这个面试，希望之后有机会和大家一块工作。
项目
这个部分，通常有两种情况：一种会让候选人自己选一个项目进行介绍；一种是由面试官主导问简历上、或者职位上相关的项目。
我这次遇到的情况是后一种，但是简历上很多项目都没有准备好说辞，捏一把汗。
在海外面试，有一个很重要的考察是语言能力，面试官们会在提问时体会沟通的顺畅度。
所以提前准备基本介绍，和对可能提的问题的答案，有利于放轻松和临场发挥。
关于机器学习和图形算法相关的项目，主要需要交代清楚以下几个要素：
- 项目背景/动机：为什么要做这件事，解决了一个什么问题
- 方案：如何设计、技术模块解释清楚
- 评价指标：如何评价这个方案是可行的
- 数据收集：这个在深度学习/机器学习相关领域尤其重要
- 最终效果：对比现有方法的优势，需要记住几个重要的指标结果
机器学习/图像处理/图形学算法
如何做超分辨率任务，通常使用什么loss函数
- 超分辨率任务的输入是低质量的图像，如480x360分辨率；输出为放大一定比例，如2倍的分辨率，即960x720。
- 基于深度学习的超分辨率模型，通常由全卷积层构成。之前的state of the art方法大多是基于GAN网络进行实现，后来有了diffusion扩散模型，也受到该方法的冲击。
- loss函数：如果使用GAN网络，那么需要使用一个generator生成器模型的loss函数，如L2 loss，同时还有一个discriminator辨别模型的loss函数，如最小化模型可以分辨真实图像、合成图像的区别。
输入10个连续的低质量视频帧，如何对画面进行去噪
- 如果使用深度学习算法，那么需要根据目标去噪场景进行数据收集，然后训练一个去噪模型。
- 面试官提示用传统方法试试，传统方法来说，首先想到的是对每一帧进行分别的去噪处理。而传统的方法去噪通常由平滑（smoothness）操作来实现，我们可以用一个高斯滤波的kernel来进行图像的平滑。
- 面试官继续问：高斯滤波的核应该如何生成？假设高斯滤波的核是一个3x3的矩阵，那么将每一个坐标点输入到高斯分布函数中即可得到一个权重。
- 面试官又问：哪一个权重最大呢？中心位置的数值最大。
请简述计算光流的过程
- 对图像进行超像素处理
- 对超像素进行特征提取（feature extraction）
- 在帧间做超像素匹配，则可以生成纵向和横向的光流。
请简述alpha blending算法的过程
- 这道题是第一学期的一个作业，但我印象有点模糊了。后来凭借记忆回答，面试官肯定我答对了，只是名字忘了。
- alpha blending的目标是合并多张图像。
- 可以根据线性权重来合并两张图像，也可以根据高斯函数计算权重来合并两张图像，距离最后一张图像越近的图像权重越高。
- 面试官继续问：线性合并的缺点是什么？会有重影，而且不能区分图像贡献的重要性。
后记
最近的节奏大多是：准备面试——面试——面试后放松，其间伴随着推进毕设实验——毕设周会——改进实验，还伴有科技项目的推进，除此之外，还有很多学校相关的体验性活动，不愿意错过。
不知不觉又处于这样一个高压的状况下，真的需要好好调整情绪。
慢慢来，这个过程到六月就会好很多啦！
尽力就好！
已经是最后一个学期了，好不舍得啊！
继续体验哦，在我梦想的学校里学习，真是一件很快乐的事情。
P.S. 春天也来啦！