1. 谈谈深度学习中的归一化问题深度学习中的归一化，核心目的是让不同层、不同特征的数值分布更稳定，从而加速训练并提高收敛稳定性。常见归一化包括输入归一化（如像素缩放到[0,1]）、BatchNorm、LayerNorm、GroupNorm。BatchNorm在mini-batch维度统计均值方差，适合CNN场景；LayerNorm在特征维度统计，常用于NLP和Transformer。归一化可以缓解梯度消失/爆炸、允许更大学习率、降低参数初始化敏感性。 import torch.nn as nn # CNN里常见 BatchNorm2d cnn_block = nn.Sequential( nn...

刚刚丢了简历过去tx提前批，燃尽了😓感觉这年头保研考研考公都难。今晚海投看看能不能刷点经验，八股一点没看。冲冲冲。

1、单例模式的注意事项，有哪些需要注意的答案：单例模式本身不难，难的是细节。真正要注意的点主要是线程安全、生命周期、析构时机、拷贝控制和全局依赖污染。如果是多线程环境，初始化过程必须保证线程安全；如果单例里持有文件句柄、网络连接、共享内存句柄这类资源，还要考虑进程退出时能不能安全释放。另外单例对象一般都不应该允许拷贝和赋值，否则“全局唯一”这个语义就被破坏了。还有一个很容易被忽略的问题是，单例虽然方便，但会让模块之间形成隐式依赖，测试时也不太好替换，所以不能什么都往单例上套。如果用 C++11 之后的写法，通常直接用局部静态对象实现就够了，初始化是线程安全的。代码： class Singlet...