背景：985本，保研985硕，微服务与软件架构方向
自我介绍
介绍专业背景，保研情况与项目经历
项目介绍
-
你之前做过faster-rcnn是吧，你们当时对那个网络还加了什么修改没有
没有，我们就是用的baseline训练的
-
你们那个雷达是怎么使用的
我们当时用的那个叫8什么雷达，是把雷达和摄像头固定在车上，同步进行录制的
-
是8线雷达吧，你们那个是激光雷达，那数据融合呢？
我们没有把雷达上的点和faster-rcnn上的框结合起来，就只是人工把他们时间上统一，然后显示出来
项目的延伸拓展
-
噢，就是一个雷达的可视化和faster-rcnn的框是吧，那如果现在让你进行一个结合，你有什么想法吗
我首先想到的是两组数据的维度不同，雷达是三维数据，图片是二维数据，可以使用一些方法，提取图片的深度数据，再按坐标进行匹配
-
好，你这是三维上的匹配是吧，那如果二维层面呢
二维层面，因为车辆他不存在一个上下关系，不可能存在一个车在另外一个车上面的情况，所以用雷达数据转为二维坐标似乎也可行，按照近大远小应该可以用一些规则或者算法进行匹配。不过如果存在遮挡的情况，可能效果就不是很好，考虑到我们是一个安全场景下的应用，可以把视觉数据里最大的坐标优先进行匹配，因为近大远小嘛（上面这段持续口糊中）。
-
ok，你刚刚提到了误差，那么你想想这个误差可能哪些地方会产生，怎么减小匹配的误差
这个，首先两组坐标相互转化的时候肯定存在误差，然后视觉数据本身也存在误差，减小误差的话，好像没有什么太好的思路，就优先匹配最近的？学长你有什么想法
-
这个误差有几个方面，1. 视觉和雷达坐标系不一致，要归一化 2. 不同的摄像头方向，得到的坐标也不一样，所以要纠正图片的一个畸变。这个误差，我们可以用监督学习的思想，得到一个误差，通过误差来学习出算法，纠正这个误差。
嗷，好的了解了
NLP与Transformer
-
看你还做过nlp，你说一下这个rnn和attention的一个区别吧
rnn主要是存在一个问题，序列很长的情况下，序列前端的语义会被忽略掉。而attention利用Q,K,V。查询解码的隐向量 与 编码过程中所有隐向量的相似度，将相似度较高的隐向量赋予较大的权值，为当前解码提供更多更有效的信息。（当时没说这么清楚，说得很乱）
-
行，那你讲讲transformer解决了什么问题
这个...就是刚刚说的那个序列前端语义被忽略的问题（持续口糊中）
(1) 时间片 tt 的计算依赖 t−1t−1 时刻的计算结果，这样限制了模型的并行能力；
(2) 顺序计算的过程中信息会丢失，尽管LSTM等门机制的结构一定程度上缓解了长期依赖的问题，但是对于特别长期的依赖现象，LSTM依旧无能为力。
Transformer的提出解决了上面两个问题：
(1) 首先它使用了Attention机制，将序列中的任意两个位置之间的距离是缩小为一个常量；
(2) 其次它不是类似RNN的顺序结构，因此具有更好的并行性，符合现有的GPU框架。
DevOps相关
-
看你还搞过devops，介绍一下k8s吧
k8s相关概念介绍
-
你讲一下service怎么和pod通信的
介绍core-dns, iptables相关内容
-
给你一个web端，一个深度学习模型，怎么用k8s为用户提供服务
两个service，若干个pod，使用eureka进行服务发现注册，通过http传输数据
自由提问
-
行，差不多，你有什么问题要问吗
学长你让我想一分钟好不好
-
哈哈哈，没有问题也没关系的
emmm 有问题，但是我不知道方不方便问
-
你问吧，没事
学长您觉得咱们公司的竞争力在哪
-
介绍了一些momenta 的战略，大概是用量产自动驾驶的数据支撑完全无人驾驶，形成闭环
好的，谢谢学长
感想
自己简历中写的东西一定要了解，这里对attention和transformer的内容有些遗忘，没有答出来
