面试越松弛，结果往往越好。面试的自我介绍环节，哪怕是提前演练过无数遍，也切忌生硬背诵准备好的稿子。这种过于规整、毫无停顿的表达，面试官听来会格外疲惫，密集的表述没有留白和契合点，会让面试官找不到插话的切入点，也难以快速抓取核心信息。最后大概率只能低头浏览简历，从项目经历里找后续提问的方向，本该主动掌握先机的自我介绍，就这样白白浪费了。一场优质的面试，自我介绍的核心是埋好 “钩子”—— 用有亮点、有细节的表述引导面试官的提问，让对方从一开始就对你产生印象，后续的沟通也能顺着你埋下的线索展开，自然就能掌握面试节奏。先说说常见的负面案例，作为面试官，经常会遇到这样的情况：求职者沟通的语气语调过于一本...

继上次三方毁约后，又拿到了腾讯社招offer

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

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...