格科微电子技术支持(应届)面试

一名应届生分享了他在格科微电子的面试经历,强调了深入理解项目和专业知识的重要性,尤其是在技术面试中。文章详细记录了面试流程、提问内容及应对策略。

“你让我提供建议的话,我觉得你介绍你实习或者项目的时候你要深入了解,多说一点,不然我们只能根据你这个项目出现的我们了解的东西提问,而我们提问的东西你答不出来的话,你给我们的印象分就很低”

“因为是应届生,所以我们不会问太多工作上的事,只会问你我们认为重要的专业课程的东西,比如说模电、数电,如果是现场面试的话,我们可能就给你一些题做了,但是因为是电话面试,而且你可能偏向通信和电子这边,而我们更主要的是电子这边,所以技术的话需要另外找个人来面试你”

 


昨天格科微电子(上海)打电话来让我面试,说是针对应届生的校招,问了我一些基本问题,然后让我邮箱填写一个基本信息和发送一下成绩单。

今天早上先是和经理聊了一下,主要就是关于以前的经历,一些面试常见问题,1.上面写你喜欢读书,最近在读的是什么,2.职业规划3.恋爱情况4.,的,还有就是愿意在哪个地方发展等一系列问题,最后我问了一下对我我们这样的应届生面试基本问的技术知识都是什么呢?他回答说都是重要的专业课,这是我印象最深刻的地方。

其他的就是问我家庭情况怎么样,我比其他学生的优势是什么,因为我在薪资期望上写的无。我回答是因为自己刚毕业,对薪资这些没有准确的概念,贵公司对于我这样的应届生来说,应该要工作一段时间才能对自己有更清晰的定位。(我后面应该加一句,贵公司应该对我这样的应届生有一套合理的评估体系,但当然我也会根据各个应聘的情况,来估计自己的实际情况)

最后他说我们公司是做图像传感器的,可能图像占工作的百分之60,软件占百分之20,硬件占百分之20,你的第一份工作要好好选择,不希望选择了这个行业干了几个月就不干了。


后来换了一个他手下的人来面试吧,主要是面一些技术性的知识,对着简历来说,总体来说这轮面试表现的很不好,关于简历上的项目,第一个通信项目,问我那个频段是什么,额,我说我不太清楚2.关于实验室,他问我在实验室干的事情是什么,我说就是替项目组做matlab仿真,他说代码都是你写的嘛,我说主要是改网上已经有的代码,仿真参数这些。关于第三个项目,智能互联家居系统,问我们团队有多少人,我负责什么,这个嘛,也挂彩,第四个数显直流电源,关于电路设计,里边有什么重要的器件,用的电容,电阻是多少,PCB里用的几层板,这些个问题也把我问住了,好久之前做的了,都忘了。总体来说,技术面还是深挖自己上面写的项目,还是前面要做好准备。

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值