李济杨同学的offer，发到我这里了，赶紧来领

那段一边崩溃一边刷新招聘软件、一边改简历一边在深夜emo的日子，终于在3月24日迎来了属于我的小结局。回头看这趟暑期实习路，跌跌撞撞，却也在一次次跌倒里，攒够了重新站起来的勇气。📝 我的暑期实习投递&面试全记录百度ACG智能云事业群_AI数字人业务_测试开发（暑期实习）3月2日参加第一轮技术面试，面试结束后未收到后续通知，一面止步万物心选推搜工程师（暑期实习）3月11日完成一面，综合评估未通过，流程终止字节跳动抖音电商_测试开发（暑期实习）3月12日一面失利，简历被流转至字节其他业务部门，暂无新面试邀约快手电商_后端开发（暑期实习）3月13日一面→3月16日二面→3月21日HR终面，...

午休完裸面，网易某部门。 困死我了😵

28届双非一本，求各位佬拷打一下，全是已读不回

5.16 三面结束 我看粉丝投稿的4.21 一面的 二面过完5.11. 自我介绍2. 怎么理解深度学习损失函数中的最大似然估计 MLE？答案：最大似然估计的目标是找到一组模型参数，让观测到的数据在当前模型下出现的概率最大。深度学习里的分类任务通常把模型输出看成条件概率分布 p(y|x; θ)，训练时希望真实类别的概率越大越好。实际优化时通常不会直接最大化似然，而是最大化对数似然，或者等价地最小化负对数似然。交叉熵损失本质上就是负对数似然。比如多分类中，真实标签是第 y 类，模型对这一类预测概率是 p_y，loss 就是 -log(p_y)。预测越自信且正确，loss 越小；预测越错，loss ...