腾讯二面后依然是复试状态的有多少

之前有人催着发智元嵌入式岗的面经，趁周末把一面二面一起复盘。我没上岸（二面挂），但题是真的、坑是真的。智元不用多介绍，这两年人形机器人/具身智能里热度最高的几家之一。嵌入式岗位明显偏运动控制+底层驱动方向，所以面试重底层、重实时性，软件框架那种花架子问得反而少。一面（电话技术面，约45分钟）我按面试官问的顺序大致归了下类，方便看，实际过程是穿插着来的。自我介绍static修饰局部变量和全局变量分别有什么影响？未初始化的全局变量和局部变量的初始值是什么？函数调用的开销在哪里？什么场景该用内联函数？硬件/底层一串你MCU用的是什么芯片？主频多少？Flash多大？为什么主频会影响MCU性能？除了主频...

求大佬帮忙指点，打算暑假找一个实习，为什么 没有人回复

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 ...