技术面试高频考点整理：AI、CV、NLP方向

教程导读：AI、CV、NLP 面试高频考点

一句话定位：AI 方向的技术面试不是比谁背得多，而是比谁能在白板上把一个概念讲到底——从数学直觉到工程取舍。这份教程把 AI、CV、NLP 三大方向的高频考点重新组织成"能讲清原理、能写代码骨架、能答追问"的体系。

这个教程解决什么问题

准备过 AI 面试的人都遇到过这种尴尬：明明把概念背得很熟，面试官一问"为什么 ResNet 用残差连接而不是直接加深""BatchNorm 在训练和推理时有什么不同"，脑子里就一片空白。问题不在记忆力，而在我们学的时候把知识点当成了孤立的条目，没有把它们串成一条"因为 A，所以 B，代价是 C"的因果链。

面试官真正在考察的，是你对一个方法的理解深度和工程判断力。他们想听到你说"我倾向用 X，因为在这种数据分布下 Y 会失效"，而不是"X 是一种经典的算法"。这套教程就是按这个标准重写的——每个高频考点都拆成"问题与直觉 → 核心原理 → 工程取舍 → 追问应对"，目标是让你读完既能讲清原理，也能扛住连环追问。

本教程覆盖三大方向：机器学习与深度学习基础（AI 的通用底座，CV/NLP 都绕不开）、计算机视觉（图像世界的建模）、自然语言处理（语言信号的建模）。三者共享同一套深度学习骨架，但各自有独特的任务定义、经典模型和评估指标，所以我们把它们组织成"基础 → CV → NLP"的递进结构。

适合谁读

• 求职的 AI 算法工程师：校招或社招，需要系统梳理 CV/NLP/ML 方向的高频考点
• 转方向到 AI 的工程师：有编程基础但缺体系化的 AI 理论，想快速补齐
• 在校生：课程学得零散，想在面试前把知识结构理顺
• 技术 leader / 面试官：想建立一套系统的考察维度，避免只问"背过的概念"

学完你能做什么

1. 说清监督学习、无监督学习、强化学习的本质区别，并举例各自的典型算法
2. 在白板上推演反向传播的链式法则，解释梯度消失和梯度爆炸的成因与对策
3. 对比 CNN 各代架构（LeNet 到 ResNet）的设计动机，说清残差连接解决了什么问题
4. 讲清 LSTM 三个门的作用，以及它相比朴素 RNN 解决了什么
5. 从 Self-Attention 出发推演 Transformer，对比 BERT 与 GPT 的预训练范式差异
6. 针对目标检测任务，说清两阶段（Faster R-CNN）与单阶段（YOLO）的权衡
7. 面对追问时能从"是什么"深入到"为什么这么设计""代价是什么""换个场景还成立吗"

学习路线

建议按顺序读。第 1 章是地基，CNN、RNN、反向传播这些概念在第 2、3 章会反复用到，没吃透的话后面会卡。第 2、3 章相对独立，先看哪个都行，但它们都假设你已经掌握了第 1 章的深度学习骨架。每节末尾的"要点回顾"适合面试前一晚速查，建议合上书自己默写一遍。

怎么用这个教程

每节都按"面试官会怎么问"来组织内容，配了流程图、对比表和概念代码。代码是简化骨架，重点是说清数据怎么流动、关键张量维度怎么变，不是可以直接跑的生产代码。读到代码时，重点理解它为什么这么写——为什么用这个损失函数、为什么这一层要归一化、为什么那个位置加 dropout。

最有效的用法是"主动回忆"：读完一节，合上文档，对着标题自问"如果面试官让我用白板讲这个，我能讲几分钟？讲到哪里会卡？"卡住的地方就是你的盲区，回去重点看。如果有一起面试的同学，互相提问的效果远好于独自刷题。

五分钟自测：你适合从哪章开始

在正式进入正文前，建议先用下面几道"试金石"问题定位自己的水平。第一题：偏差和方差分别刻画什么？如果你能脱口而出"偏差是模型拟合能力不足导致的系统性误差，方差是模型对训练数据扰动过于敏感"，并且能接一句"集成降方差、boosting 降偏差"，那么第一章的机器学习部分可以快读。第二题：IoU 大于 0.5 的两个候选框，NMS 之后剩下几个？答不上来的话，第二章的检测部分值得精读。第三题：为什么 BERT 用 Masked Language Model 而不是像 GPT 那样从左到右预测？能说清"双向上下文与自回归目标的冲突"这条因果链，说明你的 NLP 基础扎实，第三章可以直接看预训练模型的实战部分。

这套自测的意义不只是定位起点，更是在训练你的"面试元能力"——面试官的问题大多是这样从基本概念出发、一层层追问到边界条件的。平时自测时就模拟这种追问链：答完一个概念，自己问自己"为什么""什么场景失效""怎么改进"，三连问下来，一个考点才算真正吃透。

本教程的知识地图

地图里第 1 章是地基，第 2、3 章是两个方向的纵深，第 4 章把知识转译成面试现场的表达。如果你的目标岗位明确（比如 CV 算法岗），可以在对应章节多停留，把每条考点的追问链练熟；如果是全栈 AI 岗，三章的广度比单点深度更重要。