当前位置： 首页 > news >正文

【NLP算法面经】字节跳动算法岗四面详细面经（★附面题总结★）

news 来源：原创 2025/9/19 14:15:54

【NLP算法面经】字节跳动算法岗四面详细面经（★附面题总结★）

🌟 嗨，你好，我是 青松 ！

🌈 自小刺头深草里，而今渐觉出蓬蒿。

NLP Github 项目推荐：

  • 【AI 藏经阁】：https://gitee.com/fasterai/ai-e-book

    介绍：该仓库主要分享了数百本 AI 领域电子书

  • 【AI 算法面经】：fasterai/nlp-interview-handbook#面经

    介绍：该仓库一网打尽互联网大厂NLP算法面经，算法求职必备神器

  • 【大模型（LLMs）面试笔记】：https://gitee.com/fasterai/nlp-interview-handbook

    介绍：该仓库汇总了 NLP 算法工程师高频面题，适合大模型初学者和正在准备面试的小伙伴希望能帮助各位同学缩短面试准备时间，不错过金三银四涨薪窗口，迅速收获心仪的Offer 🎉🎉🎉

个人情况

上海交通大学研究生，本科毕业于中国科学技术大学，目前专业是电子与通信工程，主要研究方向是文本匹配（NLP）。面试中的自我介绍第一句 hhh:)

一面

7月8日被字节跳动HR的电话捞起来了，直接进入了秋招模式，在接下来的一个月里，基本没有投递提前批，就专注参加了字节跳动的几次面试。

  1. 前半段主要都是在讲项目，面试官追问了一些项目细节的东西，以及做项目的心路历程。
  2. 然后就问了一道算法题，就是著名的「小兔的棋盘」，我后来查了一下，是什么卡特兰数。然而面试的时候我没听说过这一道题，不过还是磕磕绊绊地用DFS解出来了，面试官说可以了，也没让我继续用DP来解。哎，算法还是有点菜的。

总结：一面大约持续40min，感觉一面主要还是在问项目，算法就问了一道题，发挥一般。面完之后一度以为挂了，不过还好在第二天就接到了二面的电话，HR说一面面试官评价很好？？？

二面

7月16日进行了二面，二面感觉比一面严格了很多。

  1. 一开始我讲了论文的一些东西，然后面试官追问了非常多，有一些可能答得不太好，感觉对自己的项目也好，论文也好，一定要有自己深入的理解，不然容易被问住。

  2. 二面也是问了一道算法题，是寻找迷宫中的最短路径，迷宫中1表示有墙，路不通，0表示可以走。我脑子不知道怎么抽了，直接想用DFS来解，给面试官讲了一下思路。面试官提醒我，DFS和BFS你是怎么考虑用哪个的。然后我就明白了，应该用BFS，讲了一下BFS和DFS适用的场景。然后用BFS比较顺利的写出了程序。

总结：二面大约持续40min，感觉主要缺点还是在于对项目和论文的应用场景以及模型优缺点总结的不是很到位。二面后大概过了三天，等来了三面的电话。这时候还是挺紧张的，毕竟走到了最后一面，挂了就太划不来了。

三面

7月23日进行了三面，三面问的非常多，持续了90min。不过感觉三面面试官很善于引导，所以总体还回答的不错。

  1. 一开始就问了一道算法题，「LeetCode 76. Minimum Window Substring. Hard」。当然，O(mn)复杂度的算法非常好想，我也是第一时间讲了这个思路。面试官提醒我能不能再优化，我优化到了O(nlog(m))，就不知道怎么再优化了，面试官说可以了。最后查了一下，这道题我做过，不过做的时候也是直接用的O(mn)的算法，O(n)对我来说，还是不太好想到的。

  2. 概率题：考虑五局三胜和三局两胜的情况，哪种更公平之类的。这道题本身比较简单，直接算概率就可以。不过我扯得挺多的，自己分析了2k-1局k胜的情况，以及无数局是什么情况，结合了一下中心极限定理之类的。不过最后整个框架讲的不是太好，没有完整的圆回来。总体感觉这道题答得还可以。

  3. 结合具体场景的题目：A文件有m个专有名词，B文件有n个query，统计每个专有名词出现的次数。回答这个问题，主要其实就是考虑复杂度和分布式的知识，以及如何在query中查找专有名词（本身比较简单，考虑复杂度就不简单了）。不过我对分布式了解的不多，就只是自己手动分布式了一下。

  4. 结合实际问题问：如何判断用户查询Query的意图是否是视频，以及如何搭建整套模型。Emmmm，这里主要涉及到机器学习模型的构建，重点在于如何构造训练数据，利用点击率还是提醒了一下才想到的。对具体场景还是不太熟悉。还有考虑如何排序召回之类的事情，主要就是准确性和时效性的权衡。

  5. CNN，RNN，Tansformer分别如何编码文本，答得中规中矩吧。

  6. python的动态数组是如何实现的，说实话我不太清楚。就扯了一下字典是怎么实现的，然后借鉴字典的实现方式，自己臆想了一下动态数组是怎么实现的，好像还大体是对的。编程语言基础这一块比较弱了。

  7. 这一面问的挺多的，剩下有些问题我都忘了。

总结：总体这一面重点感觉在于如何在具体场景中选用合适的机器学习模型，如何构造训练数据。跟具体场景结合的能力还是挺重要的。最后问了一下面试官我的表现如何，面试官说非常满意。感觉稳了，然而没想到。。。看第四面。

四面

本来三面结束后，在焦急的等待结果，没想到突然北京的HR通知四面，跟我说大家一般都是三面或者四面。

  1. 讲了项目，主要深入问了项目中如何构造例的情况，以及几种不同的构造方式构造出来的要区别对待吗？这个自己之前确实没有认真想过，不过对项目比较熟悉，基本还是顺畅的聊下去了。

  2. 讲了一下论文，也是深入问了一个细节，这里就不展开了。

  3. 实际问题：在用户搜索场景中，如何在用户搜索的时候根据用户输入的字推荐要搜索的query，以及如何把错别字也正确推荐。主要是考虑输入与候选集合的匹配，用户画像的构建，考虑用户的历史搜索信息。结合具体业务的问题感觉主要考察思维发散，回答的感觉还可以，结合了StarSpace等Embedding的方式。

  4. 算法题：一个正整数数组，寻找连续区间使得和等于target，简单的用两个指针做出来了，不过让我证明一下解法的正确性，纠结了一会儿也算是证明出来了。然后如果里面有负数怎么做，很顺利的讲出来了。

总结：四面大致持续了40min，感觉三面和四面主要还是和具体业务场景结合的比较深入。

大模型（LLMs）高频面题全面整理

介绍：本项目全面总结了【大模型面试】的高频面题和答案解析，答案尽量保证通俗易懂且有一定深度。

适合大模型初学者和正在准备面试的小伙伴。希望能帮助你快速完成面试准备，先人一步顺利拿到高薪 Offer 🎉🎉🎉

一、大模型进阶面

💯 DeepSeek篇

【大模型进阶面 之 DeepSeek篇】 你必须要会的高频面题 查看答案

  • 一、概念篇
    • Deepseek-V3的主要特点有哪些？
    • DeepSeek-V3在推理速度方面表现出色的原因有哪些？
  • 二、模型结构篇
    • MLA
      • 什么是多头潜在注意力（MLA）？
      • MLA的计算流程是什么样的？
      • 训练时MLA需要配置哪些超参？
      • MLA相对于MHA有哪些改进？
    • MoE
      • 什么是MoE？
      • DeepSeekMoE包含哪两种专家类型？
      • Share 专家和Router 专家的作用是什么？
      • 讲一下DeepSeekMoE的计算流程？
      • DeepSeekMoE是如何实现负载均衡的？
    • MTP
      • 什么是Multi-Token Prediction（MTP）？
      • Multi-Token Prediction（MTP）有何作用？
      • 讲一下Multi-Token Prediction（MTP）的预测流程？
  • 三、预训练篇
    • Prefix-Suffix-Middle (PSM)数据格式是什么样的？
    • DeepSeek预训练数据为何使用Prefix-Suffix-Middle (PSM)格式？
    • 介绍一下Byte-level BPE？
    • DeepSeek是如何进行长上下文扩展的？
    • DeepSeek的使用YaRN进行长上下文扩展有哪两个阶段？
    • DeepSeek预训练追求极致的训练效率的做法有哪些？
    • 批量级负载均衡（Batch-Wise Load Balance）和顺序级负载均衡（Sequence-Wise Load Balance）有何区别？
    • 使用MTP为何在提高计算效率的同时还能提升效果？
  • **四、有监督微调篇
    • DeepSeek的SFT有哪几种数据？
    • DeepSeek是如何构造Reasoning Data数据的？
    • DeepSeek两种不同类型的SFT数据，区别是什么？
    • DeepSeek在SFT训练时是如何加速训练过程的？
  • 五、强化学习篇
    • DeepSeek有哪两种奖励模型？
    • Rule-Based RM和Model-Based RM的区别是什么？
    • Rule-Based RM用在什么地方？有何作用？
    • Model-Based RM用在什么地方？有何作用？
    • DeepSeek是如何降低奖励欺诈风险的？
    • DeepSeek为何使用Group Relative Policy Optimization（GRPO）？
    • DeepSeek为何放弃Critic模型来估计状态的价值？
    • DeepSeek是如何进行Self-Rewarding的？
    • DeepSeek-V3从DeepSeek-R1中蒸馏知识有哪些影响？

点击查看答案

💯 大模型编辑篇

【大模型进阶面 之 模型魔改篇】 你必须要会的高频面题 查看答案

  • 模型编辑（Model Editing）核心目标是什么？
  • 对比重新预训练和微调，模型编辑的优势和适用场景是什么？
  • 如何用模型编辑修正大语言模型中的知识错误？
  • 如何量化评估模型编辑的五大性质？
  • 模型编辑局部性如何避免“牵一发而动全身”的问题？
  • 知识缓存法（如SERAC）的工作原理是什么？
  • 附加参数法（如T-Patcher）如何在不改变原始模型架构的情况下实现编辑？
  • 知识缓存法和附加参数法的优缺点有何优缺点？
  • ROME方法如何通过因果跟踪实验定位知识存储位置？
  • 元学习法（如MEND）如何实现“学习如何编辑”？
  • 元学习法的双层优化框架如何设计？
  • More …

点击查看答案

💯 大模型压缩篇

【大模型进阶面 之 模型压缩篇】 你必须要会的高频面题 查看答案

  • 💯 为什么需要对大模型进行压缩和加速？
  • 💯 什么是低秩分解？
  • 💯 什么是奇异值分解（SVD）？
  • 💯 权值共享为什么有效？
  • 💯 什么是模型量化？
  • 💯 什么是混合精度分解？
  • 💯 什么是基于反馈的知识蒸馏？
  • 💯 什么是基于特征的知识蒸馏？
  • 💯 模型蒸馏的损失函数是什么？
  • 💯 描述一下剪枝的基本步骤？
  • More …

点击查看答案

💯 分布式训练篇

【大模型进阶面 之 分布式训练篇】 你必须要会的高频面题 查看答案

  • PS架构和Ring-AllReduce架构有何不同？
  • 什么是张量并行，如何使用集群计算超大矩阵？
  • 讲一讲谷歌的GPipe算法？
  • 讲一讲微软的PipeDream算法？
  • ZeRO1、ZeRO2、ZeRO3分别做了哪些优化？
  • 用DeepSpeed进行训练时主要配置哪些参数？
  • More …

点击查看答案

二、大模型微调面

💯 有监督微调（SFT）篇

【大模型微调面 之 SFT篇】 你必须要会的高频面题 查看答案

  • 💯 从零训练一个大模型有哪几个核心步骤？
  • 💯 为什么要对LLM做有监督微调（SFT）？
  • 💯 如何将一个基础模型训练成一个行业模型？
  • 💯 如何准备SFT阶段的训练数据？
  • 💯 如何自动生成指令构建SFT的训练数据？
  • 💯 LM做有监督微调（SFT）变傻了怎么办？
  • 💯 有监督微调（SFT）和人工偏好对齐（RLHF）有何区别？
  • More …

点击查看答案

💯 高效微调篇

【大模型微调面 之 PEFT篇】 你必须要会的高频面题 查看答案

  • 💯 全量微调与参数高效微调的区别是什么？
  • 💯 什么是轻度微调？轻度微调有哪些常用方法？
  • 💯 什么是BitFit微调？
  • 💯 分层微调如何设置学习率？
  • 💯 什么是适配器微调？适配器微调有哪些优势？
  • 💯 讲一讲IA3微调？
  • 💯 提示学习（Prompting） 代表方法有哪些？
  • 💯 指令微调（Instruct-tuning） 和 提示学习（Prompting）的区别是什么？
  • 💯 详细说明LoRA的工作原理及其优势？
  • 💯 LoRA存在低秩瓶颈问题，ReLoRA和AdaLoRA分别通过哪些方法改进？
  • 💯 动态秩分配（如AdaLoRA）如何根据层的重要性调整秩？
  • More …

点击查看答案

💯 提示学习篇

【大模型微调面 之 提示学习篇】 你必须要会的高频面题 查看答案

  • 💯 提示学习（Prompting） 代表方法有哪些？
  • 💯 前缀微调（Prefix-tining）的核心思想？
  • 💯 提示微调（Prompt-tuning）的核心思想？
  • 💯 P-tuning 的动机是什么？
  • 💯 P-tuning v2 进行了哪些改进？
  • 💯 提示微调（Prompt-tuning）与 Prefix-tuning 区别是什么？
  • 💯 提示微调（Prompt-tuning）与 fine-tuning 区别是什么？
  • More …

点击查看答案

💯 人类对齐训练（RLHF）篇

【大模型微调面 之 RLHF篇】 你必须要会的高频面题 查看答案

  • 💯 RLHF有哪几个核心流程？
  • 💯 RLHF与SFT的本质区别是什么？为什么不能只用SFT？
  • 💯 什么是人类偏好对齐中的"对齐税"(Alignment Tax)？如何缓解？
  • 💯 在强化学习中，基于值函数的和基于策略的的优化方法有何区别？
  • 💯 什么是近端策略优化（PPO）？
  • 💯 RLHF中的PPO主要分哪些步骤？
  • 💯 PPO中的重要性采样(Importance Sampling)如何修正策略差异？
  • 💯 DPO如何通过隐式奖励建模规避强化学习阶段？
  • 💯 DPO vs PPO：训练效率与性能上限的对比分析？
  • 💯 RLHF训练数据的格式是什么样的？
  • 💯 如何选择人类偏好对齐训练算法？
  • More …

点击查看答案

💯 Prompt 工程篇

【大模型微调面 之 提示工程篇】 你必须要会的高频面题 查看答案

  • 💯 Prompt工程与传统微调的区别是什么？
  • 💯 如何规范编写Prompt？
  • 💯 上下文学习三种形式（零样本、单样本、少样本）的区别？
  • 💯 如何通过预训练数据分布和模型规模优化上下文学习效果？
  • 💯 思维链（CoT）的核心思想是什么？
  • 💯 按部就班（如 Zero-Shot CoT、Auto-CoT）、三思后行（如 ToT、GoT）、集思广益（如 Self-Consistency）三种 CoT 模式有何异同？
  • More …

点击查看答案

三、大模型（LLMs）基础面

💯 大模型（LLMs）架构篇

【大模型基础面 之 LLM架构篇】 你必须要会的高频面题 查看答案

  • 💯 LLM架构对Transformer都有哪些优化？
  • 💯 什么是正弦（Sinusoidal）位置编码？
  • 💯 什么是旋转位置编码（RoPE）？
  • 💯 RoPE相对正弦位置编码有哪些优势？
  • 💯 RoPE如何进行外推？
  • 💯 如何进行位置线性内插（Position Interpolation）？
  • 💯 NTK-Aware Scaled RoPE 和位置线性内插的区别是什么？
  • 💯 PreNorm和PostNorm有何不同？
  • 💯 为什么PreNorm通常能提升训练稳定性？
  • 💯 为何使用 RMSNorm 代替 LayerNorm？
  • 💯 LLM使用SwiGLU相对于ReLU有什么好处？
  • 💯 SwiGLU的参数量是否会显著增加？如何优化？
  • More …

点击查看答案

💯 注意力机制（Attention）篇

【大模型基础面 之 注意力机制篇】 你必须要会的高频面题 查看答案

  • 💯 为什么要引入 Attention 机制？
  • 💯 Soft Attention 是什么？
  • 💯 Hard Attention 是什么？
  • 💯 Self-Attention 是什么？
  • 💯 多查询注意力（Multi-Query Attention）是什么？
  • 💯 分组查询注意力（Grouped Query Attention）是什么？
  • 💯 分页注意力（Paged Attention）是什么？
  • 💯 闪存注意力（Flash Attention）是什么？
  • More …

点击查看答案

💯 Transformer 理论篇

【大模型基础面 之 提示工程Transformer篇】 你必须要会的高频面题 查看答案

  • 💯 Transformer 整体结构是怎么样的？
  • 💯 Transformer的输入中为什么要添加位置编码？
  • 💯 Transformer的位置编码是如何计算的？
  • 💯 Position encoding为什么选择相加而不是拼接呢？
  • 💯 多头注意力相对于单头注意力有什么优势？
  • 💯 Transformer中自注意力模块的计算过程？
  • 💯 什么是缩放点积注意力，为什么要除以根号d_k？
  • 💯 批归一化和层归一化的区别？
  • 💯 Layer Normalization 有哪几个可训练参数？
  • 💯 Transformer 中有几种 Mask？
  • More …

点击查看答案

四、NLP 任务实战面

💯 文本分类篇

【NLP 任务实战面 之 文本分类篇】 你必须要会的高频面题 查看答案

  • 如何用检索的方式做文本分类？
  • 如何用Prompt的方式做文本分类？
  • 使用LLM做文本分类任务为何需要做标签词映射（Verbalizer）？
  • 文本分类任务中有哪些难点？
  • 如何解决样本不均衡的问题？
  • 如果类别会变化如何设计文本分类架构？
  • More …

点击查看答案

💯 命名实体识别（NER）篇

【NLP 任务实战面 之 实体识别篇】 你必须要会的高频面题 查看答案

  • 实体识别中有哪些难点？
  • CRF为什么比Softmax更适合NER？
  • 如何使用指针标注方式做NER任务？
  • 如何使用多头标注方式做NER任务？
  • 如何使用片段排列方式做NER任务？
  • 实体识别有哪些常用的解码方式？
  • 如何解决实体嵌套问题？
  • 实体识别的数据是如何进行标注的？
  • 如何解决超长实体识别问题？
  • More …

点击查看答案

💯 关系抽取篇

【NLP 任务实战面 之 关系抽取篇】 你必须要会的高频面题 查看答案

  • 常见关系抽取流程的步骤是怎样的？
  • 如何抽取重叠关系和复杂关系？
  • 介绍下基于共享参数的联合抽取方法？
  • 介绍下基于联合解码的联合抽取方法？
  • 关系抽取的端到端方法和流水线方法各有什么优缺点？
  • 在进行跨句子甚至跨段落的关系抽取时，会遇到哪些特有的挑战？

点击查看答案

💯 检索增强生成（RAG）篇

【NLP 任务实战面 之 RAG篇】 你必须要会的高频面题 查看答案

  • 用户问题总是召回不准确，在用户理解阶段可以做哪些优化？
  • 文档问答中，如何构建索引，提升对用户问题的泛化能力？
  • 如何合并多路检索的结果，对它们做排序？
  • BM25检索器总是召回无关的知识，最可能的原因是什么？
  • 如何构建重排序模型的微调数据？
  • More …

点击查看答案

五、NLP 基础面

💯 分词（Tokenizer）篇

【NLP 基础面 之 分词篇】 你必须要会的高频面题 查看答案

  • 💯 如何处理超出词表的单词（OVV）？
  • 💯 BPE 分词器是如何训练的？
  • 💯 WordPiece 分词器是如何训练的？
  • 💯 Unigram 分词器是如何训练的？
  • More …

点击查看答案

💯 词嵌入（Word2Vec）篇

【NLP 基础面 之 词嵌入篇】 你必须要会的高频面题 查看答案

  • 基于计数的表示方法存在哪些问题？
  • CBOW 和 Skip-gram 哪个模型的词嵌入更好？
  • Word2Vec的词向量存在哪些问题？
  • 为什么说Word2vec的词向量是静态的？
  • Word2Vec如何优化从中间层到输出层的计算？
  • 负采样方法的关键思想的关键思想是什么？
  • More …

点击查看答案

💯 卷积神经网络（CNN）篇

【NLP 基础面 之 CNN篇】 你必须要会的高频面题 查看答案

  • 卷积核是否越大越好？
  • 1×1 卷积的作用？
  • 为何较大的batch size 能够提高 CNN 的泛化能力？
  • 如何减少卷积层参数量？
  • SAME 与 VALID 的区别？
  • More …

点击查看答案

💯 循环神经网络（RNN）篇

【NLP 基础面 之 RNN篇】 你必须要会的高频面题 查看答案

  • RNN的输入输出分别是什么？
  • RNN是如何进行参数学习（反向传播）的？
  • 用RNN训练语言模型时如何计算损失？
  • RNN不能很好学习长期依赖的原因是什么？
  • 怎么解决RNN的梯度爆炸问题？
  • More …

点击查看答案

💯 长短期记忆网络（LSTM）篇

【NLP 基础面 之 LSTM篇】 你必须要会的高频面题 查看答案

  • LSTM 如何缓解 RNN 梯度消失的问题?
  • LSTM中记忆单元的作用是什么？
  • LSTM有几个门，分别起什么作用？
  • LSTM的前向计算如何进行加速？
  • LSTM中的tanh和sigmoid分别用在什么地方？为什么？
  • More …

点击查看答案

💯 BERT 模型篇

【NLP 基础面 之 BERT模型篇】 你必须要会的高频面题 查看答案

  • 为什么说BERT是双向的编码语言模型？
  • BERT 是如何区分一词多义的？
  • BERT的输入包含哪几种嵌入？
  • BERT的三个Embedding直接相加会对语义有影响吗？
  • BERT模型输入长度超过512如何解决？
  • 什么是 80-10-10 规则,它解决了什么问题？
  • BERT 嵌入与 Word2Vec 嵌入有何不同？
  • More …

点击查看答案

💯 BERT 变体篇

【NLP 基础面 之 BERT变体篇】 你必须要会的高频面题 查看答案

  • ALBERT 使用的参数缩减技术是什么？
  • RoBERTa 与 BERT 有什么不同？
  • 在 ELECTRA 中，什么是替换标记检测任务？
  • 如何在 SpanBERT 中掩盖标记？
  • Transformer-XL 是怎么实现对长文本建模的？
  • More …

点击查看答案

💯 BERT 实战篇

【NLP 基础面 之 BERT实战篇】 你必须要会的高频面题 查看答案

  • BERT为什么不适用于自然语言生成任务（NLG）？
  • 在问答任务中，如何计算答案的起始索引和结束索引？
  • 如何将 BERT 应用于命名实体识别任务？
  • 如何进行继续预训练？
  • Bert 未登录词如何处理？
  • BERT在输入层如何引入额外特征？
  • More …

点击查看答案

六、深度学习面

💯 激活函数篇

【深度学习面 之 激活函数篇】 你必须要会的高频面题 查看答案

  • 💯 为什么激活函数需要非线性函数？
  • 💯 sigmoid 函数有什么缺点？
  • 💯 tanh 函数作为激活函数有什么缺点？
  • 💯 为什么选 relu 函数作为激活函数？
  • 💯 为什么tanh收敛速度比sigmoid快？
  • 💯 LLM使用SwiGLU相对于ReLU有什么好处？
  • 💯 SwiGLU的参数量是否会显著增加？如何优化？
  • More …

点击查看答案

💯 优化器篇

【深度学习面 之 优化器篇】 你必须要会的高频面题 查看答案

  • 💯 SGD是如何实现的？
  • 💯 Momentum 是什么？
  • 💯 Adagrad 是什么?
  • 💯 RMSProp是什么？
  • 💯 Adam 是什么?
  • 💯 批量梯度下降（BGD）、随机梯度下降（SGD）与小批量随机梯度下降（Mini-Batch GD）的区别？
  • More …

点击查看答案

💯 正则化篇

【深度学习面 之 正则化篇】 你必须要会的高频面题 查看答案

  • 💯 权重衰减的目的？
  • 💯 L1 与 L2 的异同？
  • 💯 为什么 L1 正则化 可以产生稀疏值，而 L2 不会？
  • 💯 为什么Dropout可以解决过拟合问题？
  • 💯 Dropout 在训练和测试阶段的区别是什么？
  • 💯 如何选择合适的 Dropout 率？
  • 💯 Dropout 和其他正则化方法（如 L1、L2 正则化）有何不同？
  • More …

点击查看答案

💯 归一化篇

【深度学习面 之 归一化篇】 你必须要会的高频面题 查看答案

  • 💯 为什么归一化能提高求最优解速度？
  • 💯 Batch Normalization 是什么？
  • 💯 Layer Normalization 是什么？
  • 💯 批归一化和组归一化的比较？
  • 💯 批归一化和权重归一化的比较？
  • 💯 批归一化和层归一化的比较？
  • More …

点击查看答案

💯 参数初始化篇

【深度学习面 之 参数初始化篇】 你必须要会的高频面题 查看答案

  • 💯 什么是内部协变量偏移？
  • 💯 神经网络参数初始化的目的？
  • 💯 为什么不能将所有神经网络参数初始化为0？
  • 💯 什么是Xavier初始化？
  • 💯 什么是He初始化？
  • More …

点击查看答案

💯 过拟合篇

【深度学习面 之 过拟合篇】 你必须要会的高频面题 查看答案

  • 💯 过拟合与欠拟合的区别是什么?
  • 💯 解决欠拟合的方法有哪些？
  • 💯 防止过拟合的方法主要有哪些？
  • 💯 什么是Dropout？
  • 💯 为什么Dropout可以解决过拟合问题？
  • More …

点击查看答案

💯 集成学习篇

【深度学习面 之 集成学习篇】 你必须要会的高频面题 查看答案

  • 集成学习与传统单一模型相比有哪些本质区别？
  • GBDT与 XGBoost 的核心差异是什么？
  • 为什么XGBoost要引入二阶泰勒展开？对模型性能有何影响？
  • Bagging的并行训练机制如何提升模型稳定性？
  • 对比Bagging与Dropout在神经网络中的异同？
  • Stacking中为什么要用K折预测生成元特征？
  • 如何避免Stacking中信息泄露问题？
  • 对比Boosting/Bagging/Stacking三大范式的核心差异（目标、训练方式、基学习器关系）？
  • More …

点击查看答案

💯 模型评估篇

【深度学习面 之 模型评估篇】 你必须要会的高频面题 查看答案

  • 💯 混淆矩阵有何作用？
  • 💯 什么是 F1-Score？
  • 💯 什么是 Macro F1？
  • 💯 什么是 Micro F1？
  • 💯 什么是 Weight F1？
  • 💯 Macro 和 Micro 有什么区别？
  • 💯 ROC 曲线主要有什么作用？
  • 💯 P-R 曲线有何作用？
  • More …

点击查看答案

相关文章：

【NLP算法面经】字节跳动算法岗四面详细面经（★附面题总结★）

【NLP算法面经】字节跳动算法岗四面详细面经（★附面题总结★） 🌟 嗨，你好，我是 青松 ！ 🌈 自小刺头深草里，而今渐觉出蓬蒿。 NLP Github 项目推荐： 【AI 藏经阁】&#…...

编程日记 2025/9/19 14:15:54

[AI相关]Unity的C#代码如何简写

是一个某培训机构的飞行棋教学源码 不知道，是否有人想知道怎么可以简写 （这个问AI，DeepSeek也应该找不到答案的） 静态变量 属性引用 单例 注入 一些UnityEvent特性就不说了。。。 IL 注入 运算符号改写...

编程日记 2025/9/20 10:34:29

DeepSeek模型快速部署教程-搭建自己的DeepSeek

前言：在人工智能技术飞速发展的今天，深度学习模型已成为推动各行各业智能化转型的核心驱动力。DeepSeek 作为一款领先的 AI 模型，凭借其高效的性能和灵活的部署方式，受到了广泛关注。无论是自然语言处理、图像识别，还是…...

编程日记 2025/9/15 8:28:49

TaskBuilder创建客户信息文件夹

数据模型创建好之后，我们就可以进行前后端功能的开发了。首先，我们需要创建好客户信息文件夹，以便专门存放与客户信息管理有关的前端文件，操作步骤如下： 点击销售管理示例项目“前端文件”右侧的加号按钮： …...

编程日记 2025/9/19 13:20:39

javaSE学习笔记22-线程（thread）-线程通信、线程池

线程通信 应用场景：生产者和消费者问题 假设仓库中只能存放一件产品，生产者将生产出来的产品放入仓库，消费者将仓库中产品取走消费 如果仓库中没有产品，则生产者将产品放入仓库，否则停止生产并等待&#xff0c…...

编程日记 2025/9/19 22:31:29

解决 WSL Ubuntu 中 /etc/resolv.conf 自动重置问题

解决 WSL Ubuntu 中 /etc/resolv.conf 自动重置问题 前言问题描述问题原因尝试过的命令及分析解决方案：修改 wsl.conf 禁用自动生成总结 前言 在使用 Windows Subsystem for Linux (WSL) 的 Ubuntu 子系统时，你可能会遇到 /etc/resolv.conf 文件被自动重…...

编程日记 2025/9/17 10:47:01

使用mybatis -基本的增删改查

目录 项目准备 项目步骤 具体细节 1 主配置文件的处理 2 Test 测试类 3 在 loginMapper 接口中书写 对 数据库操作的方法 4 实体类 pojo 、entity 要和 数据库对应的表的字段 一一对应 5 在 loginMapper.xml 映射文件 书写 具体实现 loginMapper 接口中方法的sql 语句…...

编程日记 2025/9/16 3:52:58

通过API 调用本地部署 deepseek-r1 模型

如何本地部署 deepseek 请参考（windows 部署安装 大模型 DeepSeek-R1） 那么实际使用中需要开启API模式，这样可以无拘无束地通过API集成的方式，集成到各种第三方系统和应用当中。 上遍文章是基于Ollama框架运行了deepSeek R1模型…...

编程日记 2025/9/10 20:53:55

模型量化初始知识

背景 PyTorch对量化的支持目前有如下三种方式： Post Training Dynamic Quantization，模型训练完毕后的动态量化； Post Training Static Quantization，模型训练完毕后的静态量化； QAT（Quantization Aware T…...

编程日记 2025/9/17 15:26:18

成熟开发者需具备的能力

精业务 • 指深入理解和熟悉所开发软件的业务逻辑和需求。 • 开发者需要明确软件要解决的问题、面向的用户群体以及核心功能等。 • 精业务有助于开发者更好地设计系统架构、编写符合业务需求的代码，并能根据业务变化灵活调整开发计划。 懂原理 • 指掌握编程的基…...

编程日记 2025/9/10 21:15:25

java练习（32）

ps：题目来自力扣 环形链表 给你一个链表的头节点 head ，判断链表中是否有环。 如果链表中有某个节点，可以通过连续跟踪 next 指针再次到达，则链表中存在环。 为了表示给定链表中的环，评测系统内部使用整数 pos 来表…...

编程日记 2025/9/18 10:52:08

linux配置网络安全服务图

系统安全防范： 1：用户与口令安全。避免使用脆弱口令，连续多次登录失败将禁止再次登录。 2：对象访问的安全性。对文件，目录和进程等对象的访问采用强制访问控制（MAC）来实现，不同的用…...

编程日记 2025/9/14 22:42:32

PTA:使用指针方式求一个给定的m×n矩阵各行元素之和

本题要求编写程序&#xff0c;使用指针方式求一个给定的mn矩阵各行元素之和。&#xff08;例如&#xff1a;scanf("%d", *(matrix i) j); // 使用指针方式访问二维数组元素&#xff09; 输入格式: 输入第一行给出两个正整数m和n&#xff08;1<m<6, 1<n&…...

编程日记 2025/9/14 21:54:58

一.AI大模型开发-初识机器学习

机器学习基本概念 前言 本文主要介绍了深度学习基础&#xff0c;包括机器学习、深度学习的概念&#xff0c;机器学习的两种典型任务分类任务和回归任务&#xff0c;机器学习中的基础名词解释以及模型训练的基本流程等。 一.认识机器学习 1.人工智能和机器学习 人工智能&am…...

编程日记 2025/9/11 8:03:12

【DeepSeek服务器部署全攻略】Linux服务器部署DeepSeek R1模型、实现API调用、搭建Web页面以及专属知识库

DeepSeek R1模型的Linux服务器搭建、API访问及Web页面搭建 1&#xff0c;引言2&#xff0c;安装Ollama工具3&#xff0c;下载DeepSeek R1 模型4&#xff0c;DeepSeek命令行对话5&#xff0c;DeepSeek API接口远程调用6&#xff0c;DeepSeek结合Web-ui实现图形化界面远程访问6.1…...

编程日记 2025/9/14 13:25:40

利用多线程加速ESMC-6B模型API调用以及403Forbidden问题的解决

前言 只对之前这篇文章进行了补充 403 Forbidden问题的解决 这几天用了一下ESMC-6B的API&#xff0c;发现被403 forbidden了 排查问题查来查去&#xff0c;发现需要翻墙才可以访问&#xff08;怎么又被针对了&#xff09; 于是就需要在服务器上面接入VPN&#xff0c;想了想…...

编程日记 2025/9/16 8:07:21

zyNo.25

SSRF漏洞 在了解ssrf漏洞前先了解curl命令的使用 1.curl命令的使用 基本格式&#xff1a;curl<参数值>请求地址 get请求&#xff1a;curl http://127.0.0.1 post请求&#xff1a;curl -X POST -d "a1&b2" http://127.0.0.1/(其中&#xff0c;使用-X参…...

编程日记 2025/9/20 3:15:04

golang中数组和slice的区别及使用

来自于《go语言中文文档》的学习及自我分析 数组和切片的区别 golang中有两个很相似的数据结构&#xff1a;数组&#xff08;Array&#xff09;和slice。数组和slice实际有各自的优缺点和区别&#xff0c;这里列出最主要的区别 功能点数组slice概念是同一种数据类型的固定长…...

编程日记 2025/9/19 13:29:16

撕碎QT面具（7）：container控件被spacer挤扁，无法进行控件添加的处理方案。

调节容器控件最小大小&#xff0c;然后把内部设计好后&#xff0c;对容器使用水平布局或垂直布局。这样容器的控件就不会被挤扁。...

编程日记 2025/9/7 16:15:59

2月19号

寒假每天敲代码的过程中,从先前的什么都不懂,在一步步看题解,学习新知识,运用学到的知识,解决问题,很多时候对数据结构和算法的选择有问题,不能准确选择,这个时候还是得多敲代码,就我自己而言,代码敲多了会让自己更熟练掌握这个知识点,也能更好的去运用,遇到相似的问题还可以举…...

编程日记 2025/9/19 20:01:59

EX_25/2/19

1. 封装一个 File 类&#xff0c;用有私有成员 File* fp 实现以下功能 File f "文件名" 要求打开该文件 f.write(string str) 要求将str数据写入文件中 string str f.read(int size) 从文件中读取最多size个字节&#xff0c;并将读取到的数据返回 析构函数 …...

编程日记 2025/9/10 3:59:33

纯新手教程：用llama.cpp本地部署DeepSeek蒸馏模型

0. 前言 llama.cpp是一个基于纯C/C实现的高性能大语言模型推理引擎&#xff0c;专为优化本地及云端部署而设计。其核心目标在于通过底层硬件加速和量化技术&#xff0c;实现在多样化硬件平台上的高效推理&#xff0c;同时保持低资源占用与易用性。 最近DeepSeek太火了&#x…...

编程日记 2025/9/13 15:09:05

ubuntu源码方式安装TensorRT-LLM推理框架

简要记录安装过程和遇到的问题 写在前面&#xff1a; 一切的二手安装教程都不如官方手册&#xff0c;建议先根据手册进行安装&#xff0c;遇到问题再自行谷歌&#xff1a; TensorRT官方文档 先安装docker TensorRT-LLM 官方推荐使用 Docker 进行构建和运行 ubuntu安装docker…...

编程日记 2025/9/16 7:34:15

集合 数据结构 泛型

文章目录 1.Collection集合1.1数组和集合的区别【理解】1.2集合类体系结构【理解】1.3Collection 集合概述和使用【应用】内部类匿名内部类Lambda表达式 1.4Collection集合的遍历【应用】1.5增强for循环【应用】 2.List集合2.1List集合的概述和特点【记忆】2.2List集合的特有方…...

编程日记 2025/9/19 14:27:41

python脚本文件设置进程优先级（在.py文件中实现）

在 Python 代码中可以直接通过 psutil 模块或 系统调用 来设置进程优先级&#xff0c;无需依赖终端命令。以下是具体方法和示例&#xff1a; 1. 使用 psutil 模块&#xff08;跨平台推荐&#xff09; psutil 是一个跨平台库&#xff0c;支持 Windows、Linux 和 macOS。通过其 …...

编程日记 2025/9/20 8:44:29

Docker 安装 Apache

Docker 安装 Apache 引言 Apache HTTP Server（简称Apache）是一个开源的HTTP服务器软件，广泛应用于各种操作系统和平台。Docker作为一种容器化技术，可以简化Apache的部署过程，使得其能够在任何环境中快速部署。本文将详细介绍如何在Docker容器中安装Apache。 准备工作 …...

编程日记 2025/9/15 11:09:43

​实在智能与宇树科技、云深科技一同获评浙江省“人工智能服务商”、 “数智优品”​等荣誉

近日&#xff0c;浙江省经信厅正式公布《2024 年浙江省人工智能应用场景、应用标杆企业、人工智能服务商及 “数智优品” 名单》。 实在智能获评浙江省“人工智能服务商”&#xff0c;核心产品 “实在 Agent 智能体” 入选 “数智优品”。一同获此殊荣的还有宇树科技、云深处科…...

编程日记 2025/9/15 3:43:46

C语言指针学习笔记

1. 指针的定义 指针&#xff08;Pointer&#xff09;是存储变量地址的变量。在C语言中&#xff0c;指针是一种非常重要的数据类型&#xff0c;通过指针可以直接访问和操作内存。 2. 指针的声明与初始化 2.1 指针声明 指针变量的声明格式为&#xff1a;数据类型 *指针变量名…...

编程日记 2025/9/7 16:15:45

管道的学习

进程间通信&#xff1a;是指在操作系统中&#xff0c;两个或多个独立的进程之间进行数据交换和信息共享的一种机制 进程间通信的本质&#xff1a;先让不同的进程先看到同一份资源&#xff0c;才有通信的条件 进程间通信的目的&#xff1a; 1.将一个进程的数据发送给另一个进程…...

编程日记 2025/9/20 8:50:49

迪威模型网：免费畅享 3D 打印盛宴，科技魅力与趣味创意并存

还在为寻找优质3D打印模型而发愁&#xff1f;快来迪威模型网&#xff08;https://www.3dwhere.com/&#xff09;&#xff0c;一个集前沿科技与无限趣味于一体的免费3D打印宝藏平台&#xff01; 踏入迪威模型网&#xff0c;仿佛开启一场未来科技之旅。其“3D打印”专区&#xff…...

编程日记 2025/9/18 13:06:54

Java运算符

- 算术运算符 - 正号 - - 负号 - 加号 - - 减号 - * 乘号 - / 除 - % 取余 - 自增&#xff08;前&#xff09; 先运算后取值 i&#xff1b; 自增&#xff08;后&#xff09; 先取值后运算 i&#xff1b; public cla…...

编程日记 2025/9/19 10:30:47

Kimi K1.5 与 DeepSeek R1：AI 模型的深度对比

文章目录 一、背景介绍二、核心功能对比三、K1.5 使用方法&#xff1a;四、总结 随着人工智能技术的飞速发展&#xff0c;大型语言模型在各个领域都展现出了巨大的潜力。Kimi K1.5 和 DeepSeek R1 作为当前备受关注的两款先进 AI 模型&#xff0c;各自拥有独特的功能和优势。本…...

编程日记 2025/9/15 7:07:46

mysql索引为什么用B+树不用，B树或者红黑树

MySQL 选择 B 树作为索引结构&#xff0c;而不是 B 树或红黑树&#xff0c;主要原因如下&#xff1a; 1. 磁盘 I/O 优化 B 树&#xff1a;节点存储更多键值&#xff0c;树的高度较低&#xff0c;减少了磁盘 I/O 次数&#xff0c;适合处理大规模数据。 B 树&#xff1a;虽然也…...

编程日记 2025/9/19 1:37:51

Redis 全方位解析：从入门到实战

引言 在当今互联网快速发展的时代&#xff0c;高并发、低延迟的应用场景越来越普遍。Redis&#xff0c;作为一款高性能的开源数据库&#xff0c;以其卓越的性能和灵活的功能&#xff0c;成为了许多开发者的首选工具。无论是在缓存、消息队列&#xff0c;还是在实时数据分析等领…...

编程日记 2025/9/10 22:35:41

无第三方依赖 go 语言工具库

- 开源地址 GitHub - zdhsoft/xmutilsgo: utils for go - 使用办法 go get github.com/zdhsoft/xmutilsgo 主要内容 int.go 定义泛型的整数类型和字符串转整数的函数和随机范围的函数isin.go 判断指定元素是否再数组中的函数page.go mysql用于分页的类ret.go 通用返回值的类…...

编程日记 2025/9/12 4:32:22

代码随想录算法【Day49】

Day49 42. 接雨水 思路 这道题利用单调栈进行横向求解。对于每一个元素&#xff0c;找到它右边第一个比它大的元素和左边第一个比它大&#xff08;或者与它相等的元素&#xff0c;当然这种情况可以忽略&#xff09;&#xff0c;最后计算雨水的存储量&#xff1a;&#xff08…...

编程日记 2025/9/17 22:30:12

R-CNN

这是一个20004096的一个特征矩阵 05:44在这个特征矩阵当中呢 05:45每一行就是我们一个候选框 05:48通过CNN网络得到了一个特征向量 05:51然后它有2000候选框 05:53所以它一共有2000行 05:54然后中间这个就是我们所说的SVM权值矩阵 05:58它的每一列呢 05:59就对应着我们…...

编程日记 2025/9/14 22:24:35

Linux探秘坊-------5.git

1.git介绍 1.版本控制器 为了能够更⽅便我们管理这些不同版本的⽂件&#xff0c;便有了版本控制器。所谓的版本控制器&#xff0c;就是能让你了解到⼀个⽂件的历史&#xff0c;以及它的发展过程的系统。通俗的讲就是⼀个可以记录⼯程的每⼀次改动和版本迭代的⼀个管理系统&am…...

编程日记 2025/9/11 19:46:53

项目中分库分表的分布式ID如何生成

分库分表与分布式ID生成在Java项目中的应用 在大规模的分布式系统中&#xff0c;数据库表和数据量的增大可能会导致单个数据库或单个表的性能瓶颈。为了解决这个问题&#xff0c;我们通常使用分库分表来进行数据的水平切分和垂直切分。同时&#xff0c;在分布式环境中&#xf…...

编程日记 2025/9/19 19:27:59

SOME/IP--协议英文原文讲解8

前言 SOME/IP协议越来越多的用于汽车电子行业中&#xff0c;关于协议详细完全的中文资料却没有&#xff0c;所以我将结合工作经验并对照英文原版协议做一系列的文章。基本分三大块&#xff1a; 1. SOME/IP协议讲解 2. SOME/IP-SD协议讲解 3. python/C举例调试讲解 4.2 Speci…...

编程日记 2025/9/16 14:09:04

JUC并发—7.AQS源码分析三

大纲 1.等待多线程完成的CountDownLatch介绍 2.CountDownLatch.await()方法源码 3.CountDownLatch.coutDown()方法源码 4.CountDownLatch总结 5.控制并发线程数的Semaphore介绍 6.Semaphore的令牌获取过程 7.Semaphore的令牌释放过程 8.同步屏障CyclicBarrier介绍 9.C…...

编程日记 2025/9/10 1:42:46

避坑：过早的文件结束符（EOF）：解决“git clone龙蜥OS源码失败”的失败过程

避坑&#xff1a;过早的文件结束符&#xff08;EOF&#xff09;&#xff1a;解决“git clone龙蜥OS源码失败”的失败过程 安装Anolis OS 8.9 下载AnolisOS-8.9-x86_64-dvd.iso并安装。 使用uname -a查看内核版本为5.10.134-18.an8.x86_64。 [rootlocalhost cloud-kernel]# c…...

编程日记 2025/9/15 3:28:52

基于知识图谱的问答系统：后端Python+Flask，数据库Neo4j，前端Vue3（提供源码）

基于知识图谱的问答系统&#xff1a;后端PythonFlask&#xff0c;数据库Neo4j&#xff0c;前端Vue3 引言 随着人工智能技术的不断发展&#xff0c;知识图谱作为一种结构化的知识表示方式&#xff0c;逐渐成为问答系统的重要组成部分。本文将介绍如何构建一个基于知识图谱的问答…...

编程日记 2025/9/18 0:02:15

日做力扣题2--215. 数组中的第K个最大元素

这道题我在做北京的一家教育公司的笔试时出现过&#xff0c;且题目里直接要求使用快排做&#xff0c;所以我也使用快排做的。 题目&#xff1a; 给定整数数组 nums 和整数 k&#xff0c;请返回数组中第 k 个最大的元素。 请注意&#xff0c;你需要找的是数组排序后的第 k 个最…...

编程日记 2025/9/15 18:01:25

centos8 使用yum安装程序出现报错

在执行yum指令出现源更新不了Could not resolve host: mirrorlist.centos.org&#xff1b; Unknown error问题 yum -y update结果 Errors during downloading metadata for repository appstream: - Curl error (6): Couldnt resolve host name for http://mirrorlist.centos…...

编程日记 2025/9/19 22:31:30

linux系统搭建DNS服务器、详细知识讲解

DNS服务器系统为rocky9.5&#xff0c; 1、安装DNS dnf -y install bind bind-utilsbind软件包 BIND 是一个开源的 DNS 服务器软件&#xff0c;广泛用于域名解析服务。 配置管理&#xff1a; 权威 DNS 服务器&#xff08;Authoritative DNS&#xff09;&#xff1a;为特定域名…...

编程日记 2025/9/9 15:15:16

【部署优化篇四】《DeepSeek移动端优化：CoreML/TFLite实战对比》

手机里的AI助手能秒速回答你的问题，游戏人物能实时追踪你的表情变化，这些酷炫功能的背后都离不开移动端机器学习框架的支撑。今天我们就来撕开两个当红炸子鸡框架CoreML和TFLite的神秘面纱，看看它们在模型优化这件事上到底藏着哪些独门绝技。 一、移动端优化的生存法则 在…...

编程日记 2025/9/15 3:28:55

DeepSeek联网搜索

deepseek 0、前言1、未联网2、联网2.1 SerpAPI2.2 SerpAPIDeepseek 0、前言 为获取最新消息&#xff0c;需给deepseek联网 1、未联网 from dotenv import load_dotenv from langchain_deepseek import ChatDeepSeekload_dotenv()# 1、模型 model ChatDeepSeek(model"d…...

编程日记 2025/9/15 17:16:46

pt100 2线和3线的区别?

3线比2线更稳定一些&#xff1b; 在电路中&#xff0c;b和c是不连接在一起的&#xff1b; 测试的时候&#xff0c;b和c是接在一起的&#xff0c;也就是说pt100中b和c是连接在一起的 3线比2线多一个反馈&#xff1b; 平时测试的时候&#xff0c;测试一下ab或者ac 都是一样的…...

编程日记 2025/9/19 12:41:59

ollama-chat-ui-vue，一个可以用vue对接ollama的开源项目,可接入deepSeek

ollama-chat-ui-vue 使用vue3 vite elementUi 搭建的前端chat,通过ollama可与模型对话,目前支持独立思考,切换模型(联网查询后续支持) github地址&#xff1a;ollama-chat-ui-vue 制作不易github点点star&#xff0c;谢谢 前置工作 安装ollama,ollama官网地址 安装完olla…...

编程日记 2025/9/12 1:41:23