[TOC]
一面
- 自我介绍
- 项目介绍，主要追问了论文（background、contribution、实验设置、算法框架、EKF）
- 算法题：下面哪些函数实现了swap功能？swap实现的是值交换而不是地址交换
void swap1(int p, int q)
{
int temp;
temp = p;
p = q;
q = temp;
}
// swap1 不行，因为只是交换了形参，实际p、q没变
void swap2(int *p, int *q)
{
int *temp;
*temp = *p;
*p = *q;
*q = *temp;
}
// swap2 可行，利用指针交换了两个值
void swap3(int *p, int *q)
{
int *temp;
temp = p;
p = q;
q = temp;
}
// swap3 不可行，交换了p、q的地址
void swap4(int *p, int *q)
{
int temp;
temp = *p;
*p = *q;
*q = temp;
}
// swap4 可行，交换了p、q的地址所指向的值
void swap5(int &p, int &q)
{
int temp;
temp = p;
p = q;
q = temp;
}
// swap5 可行，使用引用交换了p、q的值
- 软件开发流程
需求阶段，设计阶段，开发阶段，测试阶段，上线收集
- 设计模式
https://design-patterns.readthedocs.io/zh_CN/latest/read_uml.html
二面
- 自我介绍
- 追问了研究生阶段的科研课题（分布式异构计算），追问了本科的paper（研究背景、contribution、系统流程、训练集采集划分、网络细节、EKF）
- 介绍一下BN
BN是对一个batch的同一特征维度进行归一化，并学习$\beta$、$\gamma$ 将数据分布线性变换到原始分布
测试时一个个预测，没有batch概念，就要用全局训练数据的均值方差和$\beta$、$\gamma$。
- 说一下BN的优缺点：
优点：
- 加速收敛速度：神经网络的训练过程中，每层的输入分布可能会发生变化，导致后续层的参数更新变得复杂。Batch normalization 可以通过标准化每个 mini-batch 的输入数据，将每个神经元的输入均值和方差约束到一个较小的范围内，使得模型在训练的过程中收敛速度更快。
- 降低过拟合风险：在训练过程中，batch normalization 可以起到一定的正则化作用，降低模型的过拟合风险。
- 减少梯度消失和梯度爆炸的问题
- 提高模型泛化性能
缺点：
- batch 太小,会造成波动大
- 对于文本数据，不同有效长度问题
- BN和LN区别？
Batch Normalization 是对这批样本的同一维度特征做归一化， Layer Normalization 是对这单个样本的所有维度特征做归一化。
- LN 中同层神经元输入拥有相同的均值和方差，不同的输入样本有不同的均值和方差；
- BN 中则针对不同神经元输入计算均值和方差，同一个 batch 中的输入拥有相同的均值和方差。
所以，LN 不依赖于 batch 的大小和输入 sequence 的长度，因此可以用于 batchsize 为 1 和 RNN 中 sequence 的 normalize 操作。
- 过拟合怎么处理?
- 增加数据量：增加训练数据可以减少模型对于训练数据的过度学习，从而减轻过拟合现象。
- 减少模型复杂度：可以通过减少模型中的参数或通过正则化技术来减少模型的复杂度，从而避免过度拟合。
- 交叉验证：使用交叉验证技术可以帮助确定模型的泛化能力，从而避免过度拟合。
- 正则化：减少模型不相关特征。
- 提前停止训练：当模型在验证集上的表现不再提升时，可以停止训练以避免过度拟合。
- 训练时梯度出现Nan怎么排查
https://blog.csdn.net/ytusdc/article/details/122321907
- 算法题
用c++实现kmeans
三面
leader面，让我介绍了项目，问了一些非技术性的细节
问了我如果入职，有没有什么想法？（应用毫米波技术在他们的项目上）
