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...

打招呼了两百个，收到回复5个都是拒绝的，省下基本上未读。

1. 虾皮广告搜索 Base 北京Time Line：2.23 投递2.24 一面，一面完之后几小时约二面3.2 二面，二面完之后2小时约HR面3.9 HR面3.11 OC2. 懂车帝Agent架构 Base 杭州Time Line：2.16 投递，投递之后很快约一面2.25 一面，一面完之后第二天约二面3.5 二面，二面完之后很快约HR面3.11 HR面3.12 OC3. SenseTime（商汤）AI Infra Base 北京Time Line：2.23 投递，简历评估走了很久2.28 一面，面完之后过了几天约二面3.10 二面+三面3.10 OC