📚 课程目录第4章面试评分表与自我评估工具

面试评分表与自我评估工具：评分维度、能力雷达图、短板定位策略

面试评分表是面试官将主观判断量化的核心工具，通常围绕技术深度、项目经验、工程能力、沟通表达、学习潜力五大维度展开。自我评估则帮助你提前识别短板，针对性补强。本章提供一套可直接用于模拟面试的评分框架与自我诊断方法。

评分维度	权重	典型考察内容	优秀标准（4-5分）
技术深度	30%	CV经典算法（CNN/Transformer/检测/分割）、数学基础、模型原理	能深入推导损失函数、反向传播细节，分析模型收敛性
项目经验	25%	业务场景理解、方案设计、落地效果、难点攻克	能清晰陈述STAR，量化指标提升，展示迭代过程
工程能力	20%	代码能力、模型部署、优化（蒸馏/剪枝/量化）、框架使用	手撕代码正确率高，了解ONNX/TensorRT部署链路
沟通表达	15%	逻辑清晰度、结构化回答、主动引导、协作意识	分点回答、主动总结、对追问能快速调整思路
学习潜力	10%	新技术理解、研究追踪、批判性思考	能评价现有方法的局限性并提出改进方向

💡 自我评估工具：使用雷达图+短板定位法。先对每个维度打1-5分，绘制雷达图；然后选择最低分维度，拆解为3个子技能重点攻克。

面试问题	你在之前的项目中如何衡量自己的贡献？你遇到过哪些关键难点？
面试官考察点	1. 项目参与深度（角色、时间） 2. 能否用数据量化产出 3. 是否具备主动复盘和问题解决能力
回答框架	STAR：Situation（场景与背景）→ Task（任务与目标）→ Action（具体行动，重点突出算法选型、调优、协作）→ Result（量化指标，如mAP提升3%、推理速度降低20%）
简短示例回答	“在工业质检项目中，目标为检测产品表面裂纹（S）。我负责模型选型与优化（T）。采用YOLOv8 + 在线数据增强，结合光照修正预处理（A）。最终mAP从0.82提升至0.91，误检率下降40%，部署延迟控制在12ms内（R）。” （98字）
可能追问	为什么选YOLOv8而不是Faster R-CNN？数据增强具体策略？部署时有哪些量化挑战？
避坑提醒	❌ 只讲技术名词不讲场景和数字；❌ 流水账式描述；❌ 将团队成果全部归功于自己。准备2-3个细节供追问时深入展示。

面试问题	能否解释一下Batch Normalization的原理？为什么它能让训练更稳定？
面试官考察点	1. 数学推导能力（μ、σ、γ、β） 2. 对训练动态的理解 3. 前沿改进（如LayerNorm、GroupNorm的使用场景）
回答框架	原理公式（训练时mini-batch统计）→ 作用（缓解ICS、允许更高学习率）→ 推理时行为（移动平均）→ 局限性（batch size太小失效）→ 替代方案（GN/LN）
简短示例回答	“BN在每层前对输入做归一化，计算mini-batch均值方差，再通过可学习参数γ、β缩放平移。它稳定了激活分布，收敛更快。但batch size过小时噪声增大，我曾在检测头中使用GN替代BN，稳定了小batch训练。” （99字）
可能追问	训练和推理时μ、σ分别用什么？为什么BN通常放在激活函数之前？CPN、SyncBN如何实现？
避坑提醒	❌ 只背结论不推公式；❌ 混淆BN与Dropout的作用；❌ 对限制条件一无所知。建议在白板上写出前向和反向公式。

面试问题	你觉得自己在算法工程化方面有哪些不足？你打算如何提升？
面试官考察点	1. 自我认知的客观性 2. 行动方案的可行性 3. 学习闭环能力（理论→动手→复盘）
回答框架	具体短板（如模型部署经验）→ 原因分析（未接触生产环境）→ 短期行动（学习ONNX export/TensorRT）→ 长期规划（参与开源部署项目或K3s上搭建服务）
简短示例回答	“我在模型量化和TensorRT加速方面经验较少。为此我系统学习了INT8量化原理，复现了PP-YOLOE的部署流程，在Jetson Nano上实现15ms推理。下一步计划参加MLSys的量化比赛，积累端侧优化经验。” （96字）
可能追问	你能对比一下动态量化与静态量化的区别？如何解决量化后的精度损失？
避坑提醒	❌ 说“没有短板”或“太笼统（如‘算法有待提高’）”；❌ 只谈理论计划无实际行动。最好引用一个你已完成的弥补动作。

⚠️ 短板定位策略三步法：① 雷达图打分（诚实自评5个维度）→ ② 差值法选短板（选与岗位JD要求差距最大的维度）→ ③ SMART计划（具体、可衡量、有截止日期的任务清单）。