一面（基础技术面）自我介绍，然后开始问基础，偏嵌入式底层和RTOS：设计一个带看门狗（Watchdog）的嵌入式系统，描述故障恢复流程UART、SPI、I2C 协议的核心差异及典型应用场景推挽输出与开漏输出的区别？举例说明在 GPIO 控制中的应用如何通过 DMA 减少 CPU 在数据传输中的负载系统时钟配置对低功耗设计的意义是什么嵌入式操作系统（如 FreeRTOS）中任务的状态有哪些？状态切换条件实时操作系统（RTOS）的“硬实时”与“软实时”区别RTOS 的任务调度策略有哪些？如何保证实时性任务间通信方式（信号量、消息队列、管道）的适用场景及优缺点如何避免中断服务程序（ISR）中的竞争条...

只能说兄弟们坚持

孩子bg 双非本 末流985硕暑假竞争太激烈了，投了很多厂，字节，阿里，美团，快手，携程等等，但实际没有几个约面。目前就字节面两次 一次二面挂 一次三面挂现在想去找20-99人的厂，或者99-499人厂刷一段经历，有用吗，导师只放一段实习

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 ...