把一些相關的知識點總結一下。這個比長，感興趣的挑自己相關的那部分看。

　　都是一些基礎知識，面相關崗位問到的比較多。

　?。ɑ卮饡r對算法要有一定的見解，最好不要照書上的背）

　?。ㄒ唬?機器學習方面

　　SVM

　　1、 支撐平面---和支持向量相交的平面；；；分割平面---支撐平面中間的平面（最優分類平面）

　　2、 SVM不是定義損失，而是定義支持向量之間的距離à目標函數看PPT13~17頁

　　3、 正則化參數對支持向量數的影響

　　LR

　　1、 LR的形式：h(x)=g(f(x))；其中x為原始數據；f（x）為線性/非線性回歸得到的值，也叫判定邊界；g（）為Sigmoid函數，最終h(x)輸出范圍為（0,1）

　　LR對樣本分布敏感。

　　***LR和樸素貝葉斯（NB）的區別？

　　LR是loss最優化求出的，NB是統計跳過loss最優，直接得出權重

　　NB比LR多了一個條件獨立假設

　　一個是判別模型（LR），一個是生成模型（NB）

　　1、 判別模型和生成模型？？？

　　2、 機器學習中，LR和SVM有什么區別？à

　　兩者都可以處理非線性問題；LR和SVM最初都是針對二分類問題的。

　　SVM最大化間隔平面、LR極大似然估計；SVM只能輸出類別，不能給出分類概率

　　兩者loss function不同；LR的可解釋性更強；SVM自帶有約束的正則化

　　2、LR為什么用sigmoid函數，這個函數有什么優點和缺點？為什么不用其他函數？（sigmoid是伯努利分布的指數族形式）

　　Logistic Regression 只能用于二分類,而sigmoid對于所有的輸入，得到的輸出接近0或1

　　Sigmoid存在的問題：梯度消失、其輸出不是關于原點中心對稱的（訓練數據不關于原點對稱時，收斂速度非常慢à輸入中心對稱，得到的輸出中心對稱時，收斂速度會非常快）、計算耗時

　　Tanh激活函數存在的問題：梯 度消失、計算耗時，但是其輸出是中心對稱的

　　ReLU：其輸出不關于原點對稱；反向傳播時，輸入神經元小于0時，會有梯度消失問題；當x=0時，該點梯度不存在（未定義）；

　　ReLu失活（dead RELU）原因：權重初始化不當、初始學習率設置的非常大

　　Maxout：根據設置的k值，相應的增大了神經元的參數個數

　　Xavier權重初始化方法：對每個神經元的輸入開根號

　　3、 SVM原問題和對偶問題關系？

　　SVM對偶問題的獲得方法：將原問題的目標函數L和約束條件構造拉格朗日函數，再對L中原參數和lambda、miu分別求導，并且三種導數都等于0；再將等于0的三個導數帶入原目標函數中，即可獲得對偶問題的目標函數

　　關系：原問題的最大值相對于對偶問題的最小值

　　4、 KKT（Karysh-Kuhn-Tucker）條件有哪些，完整描述？

　　KKT條件是思考如何把約束優化轉化為無約束優化à進而求約束條件的極值點

　　下面兩個思考題的答案都是在需要優化的目標為凸函數（凸優化）的情況下。

　　問題一：當一個優化問題是凸優化問題時，可以直接用KKT條件求解。

　　5、 凸優化（可行域為約束條件組成的區域）

　　5、 SVM的過程？Boost算法？

　　6、 決策樹過擬合哪些方法，前后剪枝

　　決策樹對訓練屬性有很好的分類能力；但對位置的測試數據未必有好的分類能力，泛化能力弱，即發生過擬合。

　　防止過擬合的方法：剪枝（把一些相關的屬性歸為一個大類，減少決策樹的分叉）；隨機森林

　　7、 L1正則為什么可以把系數壓縮成0，坐標回歸的具體實現細節？

　　L1正則化可以實現稀疏（即截斷），使訓練得到的權重為0；

　　l1正則會產生稀疏解，即不相關的的特征對應的權重為0，就相當于降低了維度。但是l1的求解復雜度要高于l2,并且l1更為流行

　　正則化就是對loss進行懲罰（加了正則化項之后，使loss不可能為0,lambda越大懲罰越大-->lambda較小時，約束小，可能仍存在過擬合；太大時，使loss值集中于正則化的值上）

　　正則化使用方法：L1/L2/L1+L2

　　8、 LR在特征較多時可以進行怎樣的優化？-->L1正則有特征選擇的作用

　　如果是離線的話，L1正則可以有稀疏解，batch大點應該也有幫助，在線的解決思路有ftrl,rds,robots,還有阿里的mlr。當然還可以用gbdt,fm,ffm做一些特性選擇和組合應該也有效果。

　　9、 機器學習里面的聚類和分類模型有哪些？

　　分類：LR、SVM、KNN、決策樹、RandomForest、GBDT

　　回歸：non-Linear regression、SVR（支持向量回歸-->可用線性或高斯核（RBF））、隨機森林

　　聚類：Kmeans、層次聚類、GMM（高斯混合模型）、譜聚類

　　10、 聚類算法（可以作為監督學習中稀疏特征的處理）：Kmeans、層次聚類、GMM（高斯混合模型）

　　聚類算法唯一用到的信息是樣本和樣本之間的相似度。

　　評判聚類效果準則：高類間距，低類內距；高類內相似度，低類間相似度。

　　相似度與距離負相關。

　　圖像之間的距離的度量是對每個像素操作，最后獲得距離

　　Kmeans和GMM需要制定類別K

　　A、Kmeans算法：對于已有的未標記的樣本，同時給定結果聚類的個數K；目標是把比較接近的樣本歸為一類，總共得到k個cluster

　　Kmeans中初始k個中心點（Kmeans對中心點的選取比較敏感）的選取方法：a、隨機選取k個初始的樣本中心點(b、直接選取k個樣本點)，然后計算每個樣本到k個選定的樣本中心點的距離；再比較待聚類樣本到初始樣本點的距離，將待聚類的樣本指定為距離較近的各個類別（離哪個近，就歸為哪一類）；最后重新計算聚類中心：；重復迭代。

　　Kmeans收斂狀態:

　?。?）聚類中心不再變化（2）每個樣本到對應聚類中心的距離之和不再有很大的變化

　　損失函數àloss function后面的||xn-uk||^2表示采用歐式距離作為距離度量：

　　Kmeans可以用于圖像分割；

　　Kmeans的缺點：對初始樣本點的選取敏感；對異常點（如：一個遠離大多數點的孤立的點）的免疫不好；對團狀數據點效果較好，對帶狀效果不好；

　　Kmeans與Kmeans++初始化的區別：Kmeans初始樣本點的選取是隨機選取的；Kmeans++是選取最遠的k個點作為初始樣本點

　　A、 層次聚類

　　有兩種層次聚類--)bottom-up（從多個類聚成一個類-->每次都是合并最相似的兩個類）、up-bottom（一個類到多個類-->每次都剔除最不相似的類）；層次距離是一種樹狀結構

　　Kmeans與層次聚類對比：

　　C、高斯混合模型à由單高斯模型線性加權組合

　　初始參數：樣本點屬于各個高斯函數的概率，以及每個高斯函數的均值和方差（參數都是隨機給定）

　　GMM求解過程àEM算法求解

　　E-step（由已知的均值和方差估算在該參數下的樣本點的分布）和M-step（由樣本點的分布再求均值和方差）是EM算法。

　　à這和EM求解的過程一樣

　　Kmeans是硬聚類（每個樣本只能屬于某一類）；而GMM對于每個樣本點，都有屬于每個類的概率。

　　GMM優勢：多個分布的組合、速度快（EM算法求解）、最大數據似然概率

　　GMM劣勢：對初始化值敏感，容易陷入局部最優、需指定k個高斯分布；對非凸分布數據集效果不好。

　　11、 kmeans的分類過程，用kmeans的數據有什么樣的分布（高斯分布），loss函數是啥？

　　見問題“9”

　　12、 邏輯斯特回歸和線性回歸的損失函數？

　　13、 正則化為什么能防止過擬合？(https://www.zhihu.com/question/20700829)

　　過擬合表現在訓練數據上的誤差非常小，而在測試數據上誤差反而增大。其原因一般是模型過于復雜，過分得去擬合數據的噪聲. 正則化則是對模型參數添加先驗，使得模型復雜度較小，對于噪聲的輸入擾動相對較小。

正則化時，相當于是給模型參數w 添加了一個協方差為1/lambda 的零均值高斯分布先驗。對于lambda =0，也就是不添加正則化約束，則相當于參數的高斯先驗分布有著無窮大的協方差，那么這個先驗約束則會非常弱，模型為了擬合所有的訓練數據，w可以變得任意大不穩定。lambda越大，表明先驗的高斯協方差越小，模型約穩定，相對的variance(方差)也越小。

　　10、關鍵詞

　　1、訓練集測試集驗證集劃分方式

　　https://www.zhihu.com/question/26588665/answer/33490049

　　2、TPR（Recall）、FPR、ROC 、AUC(與準確率和召回率有關)

　　https://blog.csdn.net/feiyang2010jin/article/details/50547365

　　3、坐標軸下降法->用來解決loss function對參數不可導時（此時梯度下降算法不再有效），求取參數更新量的方法

　　坐標軸下降法和梯度下降法具有同樣的思想，都是沿著某個方向不斷迭代，但是梯度下降法是沿著當前點的負梯度方向進行參數更新，而坐標軸下降法是沿著坐標軸的方向。

　　https://blog.csdn.net/ymmxz/article/details/69396222

　　lasso(Least absolute shrinkage and selection operator)

　　坐標軸下降法和最小角回歸法（https://blog.csdn.net/bbbeoy/article/details/72523540）都是求解Lasso回歸的方法。

　　4、批量梯度下降算法BGD，小批量梯度下降法MBGD，隨機梯度下降算法SGD的比較

　　https://blog.csdn.net/yMMxz/article/details/69371926

　　5、學習率褪火 （衰減）-->沒學習多少次都會將學習率減少（lr/decay_rate）

　　6、多分類問題轉二分類方法-->組合多個二分類器來實現多分類器，方法如下：

　　a.一對多法（one-versus-rest,簡稱OVR SVMs）。訓練時依次把某個類別的樣本歸為一類,其他剩余的樣本歸為另一類，這樣k個類別的樣本就構造出了k個SVM。分類時將未知樣本分類為具有最大分類函數值的那類。

　　b.一對一法（one-versus-one,簡稱OVO SVMs或者pairwise）。其做法是在任意兩類樣本之間設計一個SVM，因此k個類別的樣本就需要設計k(k-1)/2個SVM。當對一個未知樣本進行分類時，最后得 票最多的類別即為該未知樣本的類別。

　　c.層次支持向量機（H-SVMs）。層次分類法首先將所有類別分成兩個子類，再將子類進一步劃分成兩個次級子類，如此循環，直到得到一個單獨的類別為止。

　　說明：LR的多分類也可以用上面的方法。

　　https://blog.sina.com.cn/s/blog_4af0fab001010ybp.html

　　https://blog.sina.com.cn/s/blog_4c98b96001009b8d.html

　　1、 跳出局部極小值方法

　　-->優化方法，如momentum updata、Adam等；調整學習率

　　4、顯著性檢驗

　　5、線性回歸、廣義線性回歸

　　7、最小二乘誤差及其概率解釋

　　9、LDA（二類、多類）

　　11、類別不平衡解決方法：欠采樣、過采樣、閾值移動

　　12、模型融合方法：bagging、隨機森林、ADABOOST、 Gradient Boosting Tree

　　前面兩種是綜合多個模型的結果；后面兩個是重復訓練

　　Bagging-->模型融合（隨機森林也屬于模型融合）；有兩種方法(bagging對樸素貝葉斯沒什么用，因為NB太穩定，提升不大)

　　ADABOOST（boosting一類的算法）的步驟-->重復迭代和訓練；每次分配給錯的樣本更高的權重；最簡單的分類器（如：線性分類器的二分類）疊加

　　ADABOOST分類過程詳細解釋如下：先用一個簡單的分類器將樣本分成兩類；為分錯的樣本分配更高的權重（初始權重設為1/N即可，N為樣本數）；重復上次兩個過程（再次分類，并為錯誤的樣本設置更高的權重）；最后將所有樣本數據正確分類后，將各個分類器疊加。

　　Gradient Boosting Tree：和Adaboost的思路類似，解決回歸問題。

　　14、 決策樹、隨機森林、GBDT、XGBOOST

　　A、決策樹（有監督學習）：

　　建立決策樹的關鍵，即在當前狀態下選擇哪個屬性作為分類依據。根據不同的目標函數，建立決策樹主要有一下三種方法：ID3、C4.5、CART

　　B、Bootstraping：不需要外界幫助，僅依靠自身力量讓自己變得更好。

　　C、隨機森林（bagging+決策樹）：

　　Bootstrap采樣：有放回的重復抽樣

　　D、Adaboost：

　　教程第11節 決策樹隨機森林……pdf –p37

　　E、 GBDT—梯度下降決策樹（有監督學習）

　　15、 熵 信息增益（ID3算法）、信息增益率（C4.5算法）、基尼系數（CART）

　　教程第11節 決策樹隨機森林……pdf -p10

　　16、 投票機制

　　1）一票否決（一致表決）、2）少數服從多數、3）有效多數（加權）

　　16、數值優化理論：梯度下降、牛頓、共軛梯度

　　牛頓法（dk為更新量）-->引入了二階偏導（Hessian矩陣）-->求解無約束優化（迭代的初始值一般是隨機選取的）

　　缺點：不能保證Hessian矩陣（二階偏導組成的矩陣）一定可逆

　　17、SVM、SVR、軟間隔SVM、SMO

　　18、SVM核函數

　　核函數主要是將線性不可分的數據映射到高位空間再進行分類

　　核函數的種類：

　　高斯核是用的最多的核函數à對訓練數據分類效果最好

　　高斯核的缺點：容易過擬合，需要更多的樣本、泛化能力弱

　　19、距離方法：閔科夫斯基 、VDM、馬氏距離

　　20、K-means、KNN、LVQ、DBSCAN、譜聚類

　　21、降維方法：LDA、PCA、SVD

　　22、特征選擇方法：總體分為過濾型、包裹型、嵌入型（à基于模型的；如：正則化）

　　Relief、LVW、正則化（L1/L2）

　　特征選擇的原因：特征存在冗余（特征相關度太高）、摻雜了噪聲（特征對預測結果有負影響）

　　L1正則化是截斷效應（實現稀疏，把不相關的特征的系數變成0）；L2正則化是縮放效應，使最后得到的參數很小

　　25、交叉熵？KL散度（也叫KL距離）？

　　25、最大熵模型、EM(Expectation Maximization)算法

　　最大熵模型的求解可以轉化為對偶問題的極大化；

　　26、特征-->數據中抽取出來的對結果預測有用的信息

　　特征工程-->使用專業背景知識和技巧處理數據，使得特征能在機器學習算法上發揮很好的作用的過程。

　　27、交叉驗證

　　K折交叉驗證（K-flod cross validation）

　　https://www.cnblogs.com/boat-lee/p/5503036.html

　　將訓練集分成K份；依次將第i（i=k,…,1）折作為交叉驗證集，其余k-1折（除第i折外）作為測試集；總共進行k次，每進行完一次訓練，都用test data去測試，得到k個準確率；最后取k個準確率的均值作為最后結果。

　　28、過擬合和欠擬合

　　欠擬合（under fitting）：參數過少，不足以表達數據的特征

　　過擬合（over fitting）：參數過多，過渡擬合數據，泛化能力差（訓練時的準確率很好，但測試的時候就很差）

　　欠擬合解決方法：找更多的特征；減小正則化系數

　?。ǘ┥疃葘W習方面

　　1、MLP的BP過程？delta的意義？每一層節點的殘差？

　　2、max pool層怎么做的？

　　3、caffe架構？caffe如何構建網絡?

　　4、去卷積過程（轉置卷積）？https://blog.csdn.net/fate_fjh/article/details/52882134

　　5、單個神經元是否線性可分（模式識別的概念，是否能用用線性函數將樣本分類）？

　　是否線性可分是對于樣本集的;線性可分是數據集合的性質，和分類器沒啥關系。

　　可以通過線性函數分類的即為線性可分

　　6、深度學習模型的發展？深度學習的評價標準？

　　7、強化學習應用場景和方法？adaboost和cascade adaboost？損失函數有哪些？分類回歸聚類的區別與聯系？目標檢測的三種方法？

　　8、目標檢測常用的網絡,RCNN, SPP, Fast RCNN, Faster RCNN的區別？

　　9、隨機梯度下降，標準梯度？softmax公式？信息熵公式？

　　10、SVM和softmax的區別？

　　Svm具有附加穩定性，當樣例滿足邊界條件時，該樣例不會影響損失函數；而softmax將考慮所有的樣例

　　11、訓練時，mini-batch與GPU的內存匹配-->訓練網絡時的mini batch是由GPU的內存決定的。

　　12、正則化：正則化表現的是對高維度W的懲罰力度，當正則化系數（lambda）很大時，使w變的非常小，最終的結果是函數變得非常平滑。正則化系數（lambda）越小，擬合程度越高，效果越好。

　　13、batch normalization中gamma和beta初始化為1和0，然后在訓練中優化他們

　　BN可以減少dropout（可以不要dropout）

　　14、當訓練到最后，loss值很大，但精度在上升？-->說明loss變化很小，需要增大學習率

　　梯度爆炸（loss發散，出現nan）-->學習率很大，需要減小學習率

　　15、如果loss開始一直不變，但是從某點開始下降的原因à因為初始值選定的不好，錯誤的初始值會讓梯度一開始接近0。

　　16、優化策略的比較：

　　https://www.cnblogs.com/denny402/p/5074212.html

　　SGD-->Momentum updata-->Nesterov Momentum updata-->AdaGrad update--> RMSProp update-->Adam update

　　以上都是一階優化方法，對于二階優化方法(BFGS和L-BFGS)，二階優化方法不需要學習率這個參數，可以直接對目標進行優化。

　　SGD:根據梯度直接更新w

　　Momentum updata：不是通過計算得到的梯度直接更新w，而是增加一個變量V（定義為速度），改變了和梯度直接相關，再用V更新w

　　Nesterov Momentum updata:更新方式

　　AdaGrad update：每個參數自適應學習速率的方法（因為參數空間的每一維都有自己的學習速率，它會根據梯度的規模的大小動態變化）

　　長時間訓練時，AdaGrad算法會發生什么？-->根據更新公式，不斷有正數加到cache中，更新步長會逐漸衰減到0，最后完全停止學習。

　　1e-7：平滑因子，防止除數變成0

　　RMSProp update:解決了AdaGrad中會停止更新的問題

　　Adam update:

　　adagrad記錄的是梯度的二階矩，并按指數和形式表示

　　Momentum的作用：穩定梯度的方向

　　17、模型集成

　　先單獨訓練多個不同的模型；在訓練時，將每個模型的結果取平均值即可。-->可提升精度

　　缺點是必須單獨訓練不同的模型

　　18、Cross entropy loss 和sigmod Cross entropy loss的區別？

　　https://blog.csdn.net/u012235274/article/details/51361290

　　看博文里寫的就沒啥區別

　　SmoothL1Loss

　　優勢：smoothL1Loss在接近0的時候，看起來像二次函數

　　SoftMaxWithLoss

　　19、沒有隱藏層的神經網絡是線性的，只能處理線性可分的問題（線性可分問題從二維角度看，即分界線是一條直線，多維就是存在線性超平面將其分類）。

　　20、卷積神經網絡中，在沒有zero-padding的情況下,當輸入為7*7,filter為3*3，stride為3是，這里的stride是不允許這樣設置的，因為這樣的話輸出就是2.333*2.333（不是整數），所以zero-padding避免了這種情況的發生

　　Zero-padding的另一種作者用，就是避免圖像在卷積神經網絡中向前傳播時，圖像提取出來的特征越來越小，zero-padding可以保證圖像的尺寸。

　　21、定位和檢測的區別：

　　區別在于要找的目標的數量；

　　對于定位，圖像中只有一個或一種對象，用框標出對象的位置

　　對于檢測，圖像中有多個目標或多種對象。

　　23、數據不足時：

　　數據增強、transfer learning（fine-tuning：根據數據集的大小，訓練網絡的最后一層或者最后幾層）、修改網絡

　　Fine-tuning:固定網絡，即為學習率為0、需要訓練的層的學習率比較高（原來訓練好的網絡的學習率的十分之一）、當預訓練的層（中間層）需要改變時，學習率很小（如原學習率的一百分之一）

　　24、goolenet和resnet中用到的結構（瓶頸結構 bottlenecks：輸入輸出相同）

　　1x1的卷積層相當于全連接層-->遍歷所有像素

　　3x3的卷積可以替換成1x3和3x1的不對稱卷積（inception v3）-->減少參數

　　25、CNN中 卷積的實現

　　傅里葉變換可以用于大卷積核的運算

　　im2col（主要的）：

　　caffe和torch不支持使用16位計算。

　　26、WindowDataLayer（窗口數據），用于檢測，可以讀取hdf5數據。

　　27、Caffe中的交叉驗證？

　　定義兩個prototxt文件（訓練階段和測試階段），train_val.prototxt和deploy.prototxt;后者用于測試集中，測試階段的train_val.prototxt用于驗證。

　　28、其他框架？

　　Torch-->C和Lua語言寫的，Torch中主要的是Tensors類

　　TensorFlow-->pip安裝，TensorBoard為可視化工具 ，支持多GPU，支持分布式訓練（多機），支持RNN

　　Theano、MxNet、

　　29、語義分割（Semantic Segmentation）和實例分割（Instance Segmentation）

　　語義分割-->操作像素，標記每個像素所屬的標簽à不關心具體的類，同一類目標標記為相同的像素

　　實例分割à 輸出類別同時標記像素（同時檢測并分割）-->關心目標的類，不同目標標記為不同的像素（同一類中的目標也標記為不同 的像素）

　　分割時使用全卷積網絡（以filter為1*1的卷積層替換fc層，操作每個像素）可以得到所有像素的標簽，而不用先將圖像分成許多小塊，再通過卷積為塊 的中心像素分類（這樣就很耗時）

　　30、反卷積（卷積轉置）

　　31、Spatial Transformer Networks（空間變換網絡）

　　32、無監督學習

　　聚類等、PCA(線性的)

　　自動編碼器（Auto encoder）、Generative Adversarial Networks（GAN）

　?。ㄈ﹫D像方面

　　1、opencv遍歷像素的方式？

　　2、LBP原理？

　　3、HOG特征計算過程，還有介紹一個應用HOG特征的應用？

4、opencv里面mat有哪些構造函數？

5、如何將buffer類型轉化為mat類型？

6、opencv如何讀取png格式的圖片？（我貌似記得opencv不能讀取png格式的圖片，好像每種格式圖片的表頭不一樣，需要轉化，給他說了半天他，他也沒明白）

7、opencv如何讀取內存圖片？

8、opencv里面有哪些庫？

9、用過opencv里面哪些函數？（我順帶回答了一下canny，HR又問opencv里面有c-a-n-n-y有這幾個字母的函數嗎，尷尬。。。又問我如何自己寫canny邊緣檢測算法）

10、opencv里面為啥是bgr存儲圖片而不是人們常聽的rgb？

12、你說opencv里面的HOG+SVM效果很差？他就直接來了句為啥很差？差了就不改了？差了就要換其他方法？、

13、講講HOG特征？他在dpm里面怎么設計的，你改過嗎？HOG能檢測邊緣嗎？里面的核函數是啥？那hog檢測邊緣和canny有啥區別？

13、如何求一張圖片的均值？（考慮了溢出和分塊求解，貌似不滿意。。。回頭看看積分圖里面如何解決溢出的。）

14、如何寫程序將圖像放大縮??？（我回答的插值，不太對。。。比如放大兩倍可以插值，那放大1.1倍呢，）-->放大1.1倍也可以插值

15、如何遍歷一遍求一張圖片的方差？（回答的是采用積分圖，并讓我推導這樣為啥可行。這個問題以前幫同學解決過。。。）

　?。ㄋ模┚幊谭矫妫–++/Python）

　　1、 全排列

　　2、 矩陣求最長連續遞增的路徑長度？à

　　329. Longest Increasing Path in a Matrix https://leetcode.com/problems/longest-increasing-path-in-a-matrix/discuss/

3、vector和list的區別？

4、c里面有哪些內存申請方法？

5、虛函數和純虛函數的區別？

6、重載、覆蓋、重寫的區別？

7、用過C++11嗎？用過里面的哪些？

8、有哪些類型轉換函數？以及用在哪些場景？

9、用過GCC嗎？會linux嗎？

10、堆和棧的區別？

11、Python中定義類的私有變量？在變量前面加雙下劃線“__”，如：__x，則為私有變量

　　11、請描述指針數組和數組指針的區別

　　指針數組：array of pointers，即用于存儲指針的數組，也就是數組元素都是指針

　　數組指針：a pointer to an array，即指向數組的指針

　　還要注意的是他們用法的區別，下面舉例說明。

　　int* a[4] 指針數組

　　表示：數組a中的元素都為int型指針

　　元素表示：*a[i] *(a[i])是一樣的，因為[]優先級高于*

　　int (*a)[4] 數組指針

　　表示：指向數組a的指針 元素表示：(*a)[i]

（五）開放性問題

　　1、最后問面試官的問題

　?。?）我以后的面試要注意哪些問題，提點建議？或為了更好地勝任這個崗位，我還需要補充哪些技能？ 入職后是否有產品培訓和技能培訓？

　　（2）當感覺還可以時，就問公司培訓制度，晉升機制，以及自己來了應該做什么，當感覺沒戲時，就問，你給我一些關于職業的建議吧，以及怎么提升自己

　　3、 HR面試（自己總結的）

　?。?） 期望薪資

　?。?） 你理想的工作是什么樣的？

　　（3） 關于你以后的工作打算，你有什么想法？

　?。?） 職業規劃

　?。?） 做項目時遇到的困難及解決方法？

　?。?）做科研辛苦嗎？

　?。?） 對公司的看法？為什么應聘我們公司？

　?。?） 你在同齡人中處于什么檔次 和大牛的差距在哪？

　?。?） 你跟同齡人相比有什么優勢?

　?。?） 你除了我們公司，還投了哪些公司？

　　說幾個

　　（10） BAT之外，你最最想去的是哪家公司，為什么？

　?。?1） 如果我們給你發offer，你還會繼續秋招么？

　　（12） 【跨專業】本科+研究生在本專業學了多年，為什么沒在本行業求職？

　?。?3） 【家離企業所在地較遠】為什么想來xx地方工作，父母支持么？

　?。?4） 【對象】如果對象和你在意向工作地發生分歧，你怎么處理？

　?。?5） 優缺點？

　　（16） 介紹你一次最失敗的一次經歷？

　?。?7） 介紹你一次最成功的一次經歷？

　?。?8） 這份工作你有想過會面對哪些困難嗎？

　?。?9） 如果你發現上司做錯了，你將怎么辦？

　?。?9）你覺得大學生活使你收獲了什么?

　?。?0）你對加班的看法？

　?。?1）當公司給出的待遇偏低不足以吸引到優秀人才的時候，你該怎么去招聘？

　　這些知識點都是我自己總結的，包括HR面的問題。

　　輕 松 一 刻