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...

我发现可以通过教培指数来判断一个学校的就业水平，即该校教培入职应届生人数➗该校当年应届生总人数，该指数越大说明学校就业越烂，还可以分别计算各个学院的就业水平😄。华理今年的该指数目前为0.09（根据新东方、猿辅导、作业帮、有道、学大、昂立与学而思教师总人数之比近似计算各机构在华理录取人数）哪位教培hr能给各92排个名让高考生避雷一下。😄

秋招没有大满败，最终收到节子的offer。

ps：如果这篇帖子对于还在找工作和找实习的你有所帮助，可以关注我，给本贴点赞、评论、收藏并订阅专栏；同时不要吝啬您的花花数据库三大范式是为了消除数据冗余、避免更新异常、保证数据一致性而制定的设计准则，核心是“逐步规范化”，从基础到严格依次为：第一范式（1NF）：原子性核心要求：数据表中的每一列（属性）都必须是不可再分的原子值，不能存在复合属性、多值属性。通俗理解：一列只能存一种类型的单一数据，不能拆分成多个子项（比如“姓名”不能拆成“姓+名”存放在同一列，若需拆分则需分为两列）。示例：不符合1NF的列——“联系方式”（包含电话+微信）；符合1NF的列——“电话”“微信”分开存储。实操案例：设计...