2026年5月25日，星期一，农历丙午马年四月初九，下午3点15分。一年一度的毕业季正在进入倒计时，各大高校的就业指导中心里，仍然有很多学生排着队等待修改简历。在这些身影中，相当一部分来自非985、非211的普通院校——他们也被称为“双非”或“非名校”毕业生。在就业市场上，他们面对的不仅仅是岗位竞争的激烈，更有一道无形的学历门槛。但是，学历真的决定了求职的终局吗？本文跟踪记录了三位2025届非名校毕业生的求职历程，从他们简历的第一次投递到最终签约的完整周期中，梳理出那些被证明行之有效的实战策略。这些经验不是鸡汤，而是经过真实市场验证的方法论，希望能为正在求职路上摸索的读者提供一些切实可行的参考...

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 ...