不想说什么丧气的话，互联网寒冬只会把没有能力的水军淘汰下去。
工作了大半年，渐渐觉得深度学习像是漂浮在空中，理论支撑的薄弱，和戏称为调参侠的我们，让我渐渐失去了方向，不知道当初毕业一门心思找算法工程师的坚持是不是正确。不想说什么了，只想说好好找好方向，夯实自己的能力。
不知道未来会走向何方，想要在这个人工智能大潮流中转行的我，不知道会不会被一众网友嘲笑。
进正题
毒app在虹口足球场附近，办公外面的环境是可以的，办公就一层，各个小房间，内部布局我个人不是很喜欢，白的晃眼。
面试分两面，技术面 + HR面，因为现在缺人，正在扩招中，才给我这个工作经验不足的人机会吧。
1、技术面
网易挖来的推荐算法大神，很巧，我们一个学校，一个家乡的，很佩服他，虽然没有共事过，但是从问的问题上可以看出是个踏实做技术的大神，思考很有深度。
由于工作经验太短，他直接说面基础，真的超难
1、CNN自己的理解
大概就是提特征，空域上将图像信息整合，拓宽视野，整合不同通道的图形特征等。
2、为什么用logistics，不用其他的线性函数？
我说是可以归一到0-1，保证分布一致性，加快收敛。扯到BN，接着大神问
3、BN为什么可以加快收敛
同一分布，这个不好使，大神说这还是宏观层面的认识，可不可以从公式推导，不会。大神说了一句从loss函数反推，可以证明，目前还没有其他人证明过，但他自己推过。膜拜ღ( ´･ᴗ･` )比心。
不过在美帝的同学跟我讲，BN有没有效现在各路大神还在各种撕逼当中，好想回去死皮赖脸问下大神他怎么推的，囧。。
4、为什么都用l1，l2正则化，不用1/2正则化？
依旧不知道，只说了l1正则化具有稀疏性的原则，画了经典的那个图，l2正则化具有平滑性的特点。1/2正则化不知道为什么，大神提了一嘴，拉普拉斯分布，让我回去自己查，一脸懵逼。
找到两个链接：
https://www.zhihu.com/question/21958931
https://www.cnblogs.com/fstang/p/4197120.html
L1/2是不满足三角不等式的，但是还是不太理解满不满足三角不等式有什么关系。难不成是随机初始化w值，理论上的最优值不是唯一的？问了其他同学，确实L1/2是凹函数，都是只有凸优化，没有凹优化。。
5、为什么求解w的那个迭代公式可以work呢？loss为什么一定会下降呢？
这个真的是太tricky， 不是沿着梯度最大的方向递减吗？让loss等于0，然后求导迭代吗？？懵逼。。
我想到的角度一个是经典的图，一个是想到了SVM的对偶形式，把它展开之后，说w可以是特征的线性组合。自己脑子里全是，最优化理论不就是loss=0，求导，迭代吗？为啥还要证明呢？
最后问了大神，大神将w的迭代公式带入loss，然后进行泰勒展开，最终完美的证明了loss的下降。So awesome！能想到这个角度，五体投地。
总结
技术leader真的很牛，原本都没有考虑过小公司，毕竟我本身在相对大的互联网公司，因为佩服技术leader，都有点心动了。
技术leader愿意培养新人，很幸运面试过了，跟面试官聊得也很开心。
最后问了技术大牛我觉得深度学习太虚了，想做机器学习，推荐算法，开发类。他说了一句话给我印象深刻，做了一年的深度学习和两三年的，似乎区别不大。终归，是调参，如何把参调好，总结出一套自己的东西，是做这行的一个积累。
不过，对玄学的总结，是否真的是经验，总归我自己的感觉不太好。
一家之言，大家笑笑就好