历时两个月，五次面试，喜提感谢信化身虎牙黑子

我的是"主导设计并实现了高并发分布式系统，支持百万级数据处理"。实际情况是：我在一个日活三百的内部工具里，把一个慢查询的索引加了一下，查询时间从800ms降到了200ms。然后我查了下"百万级数据处理"是什么意思，觉得我那个表里确实存了快一百万行数据，于是就这么写了。面试官看到这行字眼睛亮了，开始连环追问：你们的分布式方案是怎么设计的？用的什么中间件？数据一致性怎么保证？遇到过脑裂问题吗？我当时脑子里只有一个念头：完了。后来我用两周把分布式这块认真学了一遍。再碰到同样的问题，能聊得有来有回。但那次面试已经凉了，那家公司也没有然后了。我后来把简历改成了&q...

时长：25min面试官态度很平和，提问偏向基础知识点，整体沟通顺畅，没怎么问项目，比较流程的八股1. 对前端常用数据结构有哪些了解？2. 了解哪些基础排序算法，简单说下思路？3. 箭头函数和普通函数的核心区别有哪些？4. 闭包的概念，举一个实际开发中的应用场景？5. XSS攻击的原理和简单防御方式？6. HTTP和HTTPS的主要区别是什么？7. 前端常用的性能优化方法有哪些？8. 平时开发用过哪些AI辅助工具？9. 简述一下CSS选择器优先级规则？10. 说说var、let、const的区别？11. 什么是事件冒泡，如何阻止？12. 简单说下Vue中v-if和v-show的差异？手撕：最长公共前缀、手写防抖面试完第三天通知结果

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 ...