演算法工程師一直以高薪著稱，一般應屆畢業生薪資都在20k/月以上。據最新資料顯示，2019屆碩士應屆生的最高年薪已經達到50萬，一線城市平均薪資大概在30萬左右，二三線城市稍微低一些，但也遠超其他專業。那麼到底什麼是演算法工程師呢？它具體又包含哪些崗位呢？

作為一名演算法工程師，除了必須掌握計算機程式設計相關知識，熟練使用模擬工具MATLAB等，還必須瞭解業務背景，像人工智慧演算法工程師、交通演算法工程師、影象處理演算法工程師等都需要熟悉公司的業務，有一定業務學習能力。

一般網際網路公司的演算法工程師，主要涉及這幾個領域：推薦演算法和協透過濾演算法，音訊處理，影象處理，深度學習及AI演算法，SLAM，VR，AR領域，傳統的演算法等。

1、推薦演算法和協透過濾演算法，這類工程師主要是解決電商或者與轉化率相關問題的工程師。這類工程師需要掌握的就是特徵工程、主成分分析、統計學、貝葉斯機率、決策樹（GBDT/XGBOOST）、邏輯迴歸、協同過濾等等圍繞著轉化機率相關的知識體系。

2、語音訊號處理，比如迴路噪聲抑制什麼的，一般用在語音聊天，語音識別的前端檢測，像現在做智慧音箱的這些公司，多少都需要做一些。

3、影象處理，尤其是基於OpenCV的影象處理演算法，一般產品裡有做美顏，濾鏡什麼的特別喜歡招這塊的人，近一兩年有被做深度學習取代的趨勢。google出了arcore，所以讓不少小公司也能出一些效果很好的換頭類應用。

4、SLAM，集中在機器人定位導航上，比如無人車，掃地機器人，這個方向已經很專了，一般需要有好的導師才能帶你入門，國內這個方向的團隊實驗室來來回回就那麼幾個。

5、VR，AR領域，涉及到的包括影片跟蹤，SLAM，raytracing，幾何投影等等，實際上是一個綜合的領域，目前主要是做計算機視覺的轉行做這塊。

6、深度學習/AI演算法工程師，這類工程師說到底要做的事情就是利用深度學習中的卷積網路（CNN）、迴圈神經網路（LSTM），甚至是深度強化學習（DRL）等新的技術來解決工作中的實際問題。

但是方向仍然是前面說的推薦、音影片、自然語言等等。只不過用了深度學習技術以後，很多傳統方法解決不了的問題就比較容易解決了，或者有更高的準確率。例如，影象處理中的目標識別、人臉識別、手勢識別等等；例如，音訊演算法相關的ASR（語音識別）和TTS（語音合成）；例如自然語言處理中的，命名實體識別、知識圖譜、翻譯等。

7、傳統的演算法範疇還包括：所有的業務邏輯流程設計，隨機數生成，校驗，加密解密，壓縮演算法等等。

人工智慧的三大支柱是大資料、雲計算和機器學習，演算法工程師在這三個領域擔當核心角色，涉及到深奧的數學建模、資料分析等工作，一般沒有優異的數學天賦和計算機天賦，不苦讀十年，拿個名牌大學的博士，可能很難勝任這一職位，所以，他們都是全世界各大互朕網和人工智慧公司逐的目標，是人工智慧領域技術精英中的精英，自然身價不菲。

現在確實是資料大爆炸的時代，並且資料也促進了演算法特別是深度學習演算法的極大提升。做演算法開發會涉及到許多數學原理，而且是非常高深的數學理論知識，不是我們大學學習的高等數學就能達到那個層次的，至少要讀到碩士甚至博士，所以要做演算法開發，程式設計能力是次要的，最主要的是數學能力，能做到這方面的人非常少，所以工資很高。

演算法工程師年薪多少?

2018屆網際網路校招高薪酬清單出爐，排在第一位的是谷歌中國的年薪56萬(人工智慧)，其次是微軟、Google的演算法工程師，以51萬，50萬分居第二，第三。演算法工程師的平均工資為18912元。而之前調查的一線城市的程式設計師的平均工資只有11770元，可見演算法工程師在程式設計師裡屬於高工資。工資中位數為17500元。如果你的工資超過22500元，你就已經超過了75%的演算法工程師，算是優秀的演算法工程師了。

所以知識改變命運是不變的真理！

是的！自己永遠是貧農，只怪年少讀書不努力，又怪投胎不選號，其實窮重點原因大多出自本身問題，魯迅先生說過"金錢可以解99%的煩惱”，這句話或許最適合現今社會。

具體不清楚演算法工程師到底是什麼樣的職業。但是我的概念裡只要是能稱得上工程師一詞、相信這個人的成就和收入都不會太低！

小時候我們都有很多同學都夢想著長大以後要成為設計工程師、建築工程師等等，因為一直以來我們都有一個概念，覺得工程師不管在哪應該都是吃香的喝辣的！

在如今工程師年均30萬的薪資屬於中游。應該算是普遍的吧，也許30萬對於普通打工的和一些小老闆都是一個很高等的收入！但我相信書中自有黃金屋，這句話是很有道理的，尤其是那些資質比較久的工程師，他們相對都積累了十年甚至幾十年的行業經驗。這樣的收入也是對他們這麼多年付出的一種認可。

結束語：也許我們都是普通人，但是每個人的生活狀態都是不一樣的，過好屬於自己的生活，這才是最大的收穫和人生價值！

作為一名科技工作者，我來回答一下這個問題。

近些年來，隨著大資料和人工智慧技術的快速發展，行業領域對於演算法工程師的需求量也比較大，由於人才缺乏嚴重，導致一部分急於在人工智慧領域佈局的科技企業，甚至招聘了大量數學專業和統計學專業的研究生，這也導致了在研發過程中出現了一系列問題。

但是由於近兩年人工智慧產品存在一定的落地難問題，這導致了行業領域對於演算法工程師的需求量有了明顯的下降，薪資待遇也出現了一定程度的下滑。從2019年研究生的秋招情況來看，演算法崗位的薪資待遇與大資料開發崗位基本持平，而且演算法崗位在數量上要明顯少於大資料崗位，這導致一部分關注於演算法崗位的畢業生面臨較小的選擇範圍，不少畢業生也轉向了從事大資料研發崗位。

從人工智慧的發展前景來看，未來演算法工程師的發展前景依然非常廣闊，但是在人才需求上很難再出現爆發式的人才需求，所以關注演算法崗位的研究生，應該及時把握行業領域對於人才需求的這種變化。

除了人才需求量在下降以外，目前科技公司（網際網路公司）對於演算法崗位的需求也有了更高的要求，不僅要求從業者具有一定的演算法設計能力，同時也要求演算法工程師要具備一定的演算法實現能力，這是一個較為明顯的變化。由於演算法工程師的培養週期相對比較長，而且當前研發領域的演算法迭代速度也比較快，所以要想成長為一名優秀的演算法工程師還是比較困難的，研發團隊對於演算法工程師的培養有非常重要的影響。

已經不是中游水平啦，2020年第四季度已經成為最吸金的崗位了。

BOSS直聘4日釋出《2020四季度人才吸引力報告》(下稱《報告》)顯示，四季度，北京以平均招聘月薪13138元領跑全國；最吸金崗位是推薦演算法，平均招聘薪資高達38687元。（中新經緯APP）

影象演算法工程師三重境界 ：

一、傳統影象演算法工程師： 主要涉及圖形處理，包括形態學、影象質量、相機成像之3A演算法、去霧處理、顏色空間轉換、濾鏡等，主要在安防公司或者機器視覺領域，包括缺陷檢測；

二、現代影象演算法工程師: 涉及模式識別，主要表現的經驗為Adaboost、SVM的研究與應用，特徵選取與提取，包括智慧駕駛的研究與應用、行人檢測、人臉識別；

三、人工智慧時代影象演算法工程師： 深度學習，主要在大型網際網路公司或者研究所機構，具體體現在TensorFlow等開源庫的研究與應用，包括機器人的研究、基於深度學習的人臉識別； 首先！！！演算法工程師包括：

1、音/影片演算法工程師(通常統稱為語音/影片/圖形開發工程師) 2、 影象處理演算法工程師 3、計算機視覺演算法工程師 4、通訊基帶演算法工程師 5、訊號演算法工程師 6、 射頻/通訊演算法工程師 7、 自然語言演算法工程師 8、資料探勘演算法工程師 9、搜尋演算法工程師 10、控制演算法工程師(雲臺演算法工程師，飛控演算法工程師，機器人控制演算法) 11、導航演算法工程師 12、 其他【其他一切需要複雜演算法的行業】

影象處理演算法工程師

相關術語：（1） OCR：OCR （Optical Character Recognition，光學字元識別）是指電子裝置（例如掃描器或數碼相機）檢查紙上列印的字元，透過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程

（2） Matlab：商業數學軟體；

（3） CUDA：(Compute Unified Device Architecture)，是顯示卡廠商NVIDIA推出的運算平臺（由ISA和GPU構成）。CUDA™是一種由NVIDIA推出的通用平行計算架構，該架構使GPU能夠解決複雜的計算問題

（4） OpenCL: OpenCL是一個為異構平臺編寫程式的框架，此異構平臺可由CPU，GPU或其他型別的處理器組成。

（5） OpenCV：開源計算機視覺庫；OpenGL：開源圖形庫；Caffe：是一個清晰，可讀性高，快速的深度學習框架。

（6） CNN：（深度學習）卷積神經網路（Convolutional Neural Network）CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。

（7） 開源庫：指的是計算機行業中對所有人開發的程式碼庫，所有人均可以使用並改進程式碼演算法。

1必備技能總結

職位要求

程式設計技能：

1、 具有較強的程式設計能力和良好的程式設計習慣， 精通c/c++程式設計，並熟練使用VS 或matlab開發環境；

2、 在計算機技術領域擁有紮實的技術功底，尤其在資料結構、演算法和程式碼、軟體設計方面功力深厚；對資料結構有一定的研究基礎如連結串列、堆杖、樹等，熟悉資料庫程式設計；

3、 出色的演算法分析能力，對某一特定演算法可以做廣泛的綜述，有實際演算法實現經驗；

4、 熟悉面向物件程式設計思想，精於windows下的C/C++、VC++程式設計，熟悉MATLAB，對MFC有相對的瞭解和應用經驗；

專業技能：

1、紮實的數學功底和分析技能，精通計算機視覺中的數學方法；

高等數學(微積分)、線性代數（矩陣論）、隨機過程、機率論、

攝影幾何、模型估計、數理統計、張量代數、資料探勘、數值分析等；

2、具備模式識別、影象處理、機器視覺、訊號處理和人工智慧等基礎知識；

對影象特徵、機器學習有深刻認識與理解；

3、精通影象處理基本概念和常用演算法包括影象預處理演算法和高階處理演算法；

常見的影象處理演算法，包括增強、分割、復原、形態學處理等；

熟悉常見的模式識別演算法，特別是基於影象的模式識別演算法，掌握特徵提取、特 徵統計和分類器設計；

4、熟練使用OpenCV、Matlab、Halcon中的一種或一種以上工具庫；

5、熟悉機器視覺系統的硬體選型，包括CCD相機，鏡頭及光源；熟悉相機與鏡頭搭配；

外語：

1.英文熟練，能夠熟練閱讀和理解專業英文資料，有英文文獻檢索和閱讀能力；

2. 良好的英語溝通能力

綜合能力：

1.對工作認真負責，積極主動，勤奮踏實；

2.做事嚴謹，注重細節，有耐心，能夠在壓力下獨立工作；

3.學習鑽研能力強，有較強的理解能力和邏輯思維能力和良好的創新意識；

4.良好的協調溝通能力和團隊合作精神；

視覺演算法經驗：請提供實現的演算法列表

目標識別、影象配準、三維測量、標定和重建、手勢識別；

表面缺陷檢測；尺寸測量；特徵識別；

影象去噪、濾波、融合演算法 3A演算法：如自動曝光、自動對焦、自動白平衡

崗位職責：

1、負責計算機視覺中的影象採集，處理面陣和線掃描相機的成像和控制 ；

2、針對特定的計算機視覺問題，設計目標識別與快速定位與檢測演算法的實現，並進行最佳化；

3、對彩色影象和灰度影象實現物體表面的汙點劃痕檢測演算法設計和實現；

4、處理三維物體表面數據獲取和實現三維測量演算法的實現；

5、處理點鐳射和線鐳射源的成像，散斑噪聲濾波和輪廓檢測；

6、負責演算法與軟體GUI開發工程師介面;

7、完成上級領導交辦的其他的工作。

2面試題大全

1-影象基礎知識：

1.常用的影象空間。

2.簡述你熟悉的聚類演算法並說明其優缺點。

3.請描述以下任一概念：SIFT/SURF LDA/PCA

4.請說出使用過的分類器和實現原理。

5. Random Forest的隨機性表現在哪裡。

6. Graph-cut的基本原理和應用。

7. GMM的基本原理和應用。

8.用具體演算法舉例說明監督學習和非監督學習的區別。

2-筆試

大概有： 1.表示影象的特徵有哪些 紋理，頻率，梯度這種

2.寫出canny邊緣提取演算法的原理

3.影象插值方法

4.自己設計一個OCR引擎 5.寫出Kmeans程式，並在一個設計環境中怎樣使用 6.中值濾波7.static的作用 8.寫一個c++宏9.二分查詢

10.整數翻轉，如何處理越界問題

11.C++多型，靜態聯編和動態聯編，虛擬函式表

12.模型融合如何做

13.提升樹的思想，隨機森林和提升樹的區別

14.SVM推導，對偶性的作用，核函式有哪些，有什麼區別

15.python兩個每行都是數字的檔案合併，去重。

16.shell程式設計，編輯檔案。

17.程序與執行緒的區別

18.卷積神經網路介紹

19.SVM的推導

20.大檔案求交集，如何解決雜湊之後小檔案還是放不進記憶體堆排序程式碼

21.連續和最大問題，如何證明？

22.bp演算法介紹，梯度彌散問題。

23.svm介紹，優缺點是什麼，lr介紹，區別是什麼

24.lr與線性迴歸的區別

25.如果要預測房價，用什麼模型

26.如果要預測房價，並且知道一個房間的房型資訊，如何構建模型

27.sigmoid 函式的應用有哪些，為什麼？

28.列舉十種常用的神經網路模型

29.語音識別模型有哪些

30.如何識別一個人在喝酒，需要幾個模型

31.卷積神經網路中卷積如何實現，啟用函式的意義，損失函式有哪些，初始化引數如何選擇

32.用過哪些深度學習框架，TensorFlow中的session是什麼，session和interactivesession的區別

33.如何實現卷積層權值共享

34.如何儲存模型，讀取已有的模型

35.用過哪些深度學習模型，區別是什麼。

36.瞭解哪些尋優演算法

37.softmax損失函式作用是

38.c++ 的 const，static作用

39.強制型別轉換cast之間的區別

40.svm推導，核函式的體現，常用的核函式有哪些

41.alexnet介紹

42.過擬合的原因，有哪些避免過擬合的trick

43.1G的文字統計詞頻，輸出頻率最高的1000個詞

44.手寫topk的程式碼，快排。程式碼還能如何最佳化，如果要上線的話還需要做哪些處理？

45.如果分類樣本的標籤只有一定的機率可信，如何處理？如何設定負樣本？

46.過擬合的原因，有哪些防止過擬合的方法

47.模型評價如何做，其中存在哪些問題

48.決策樹演算法有哪些，隨機森林和GBDT的區別

49.降維方法，PCA原理

50.哈夫曼樹在機器學習中的應用

51.文字挖掘演算法瞭解哪些

52.人流量預測系統如何設計

53.profession筆試：最優的程序排程演算法，至少用多少個cpu

54.英語自我介紹，口語渣猝不及防

55.聯想研究院 模式識別研究員 offer

56.異常值的影響，如何消除

57.所有了解的機器學習演算法有哪些，框架性講述

58.梯度下降演算法瞭解哪些，優劣勢是什麼

59.二叉樹中序遍歷，遞迴和非遞迴

60.linux操作指令瞭解哪些，文字處理指令有哪些

61.一億個數的檔案，如何分成兩個檔案a,b，使得a檔案的數都小於b，同時檔案大小要差不多。

62.均勻分佈如何生成正態分佈

63.SVM原理，支撐向量越多越好還是越少越好

64.二叉樹深度遍歷，時間複雜度和空間複雜度

65.二維排序矩陣搜尋

66.專案中的長時間推廣問題，如何考慮樣本之間非獨立的影響。

67.程式設計題，矩陣中的最短路，有門有鑰匙。動態規劃加狀態向量。

68.貝葉斯公式，實際如何計算，如何解決精度問題。

69.字串轉數字

70.svm核函式有哪些，如何選取，手寫表示式

71.降維方法介紹

72.c的虛擬函式，虛擬函式指標和虛擬函式表存在哪兒

73.Linux 檔案許可權修改，引數介紹

74.模型的比較如何做

75.隨機森林和提升樹

76.卷積神經網路原理

77.如何避免網路的過擬合

78.如何網路調優

79.Python 的資料結構有哪些

80.tuple 和set的區別，set的底層實現

81.hash表的演算法有哪些

82.svm推導，一直到序列最小化求解。核函式如何體現，有哪些型別。

83.構建分類器的整個流程是什麼

84.資料清洗方法，缺失值處理方法，降維方法

85.pca原理推導

86.決策樹演算法的介紹

87.二維排序陣列搜尋

88.如何構建欺詐交易識別的模型？

89.不均衡的資料如何分類

90.歸併排序，二維排序陣列搜尋，中序遍歷重構二叉樹

91.svm推導，為什麼要用拉格朗日乘數法，對偶問題是什麼

92.KKT條件都有什麼，如何求解svm的最最佳化問題

93.資料不均衡如何解決，抽樣得到的分類準確率如何轉換為原準確率。

94.邏輯迴歸原理，推導求解方法。

95.為什麼選用對數極大似然函式作為最佳化目標，用平方損失有什麼問題。

96.邏輯迴歸對特徵有什麼要求，是否需要做離散化，離散化的好處與壞處。