知乎链接   https://zhuanlan.zhihu.com/p/670356216一面 11.15 60min1. Transformer(1) 结构(2) 为什么它能处理多种模态，是怎么处理的(3) 它怎么用于图像分类，怎么处理图像的(4) 他的解码器和编码器有什么不同Mask编码2. BN的作用和好处减少损失函数后梯度消失3. Dropout的好处4. 梯度消失的原因5. Resnet为什么能减缓梯度消失的原因6. coding(1) 在nums寻找最小的连续子数组使得它们的和大于所给的targets法1: 前缀和+二分def search(s, k, n, t):    t > s[n]:        return -1    l, r = k, n     res = n    while l < r:        mid = (l + r) >> 1        if s[mid] >= t:            res = mid            r = mid - 1        else:            l = mid + 1    return resdef func(targets, nums):    if targets < sum(nums):        return 0    n = len(nums)    s = [0] * (n + 1)    for i in range(1, n+1):        s[i] = s[i - 1] + nums[i]    res = n    for i in range(1, n+1):        t = targets + s[i - 1]        d = search(s, i, n, t)        if d > i and d - i + 1 < res:            res = d - i + 1    return restarget = 7nums = [2,3,1,2,4,3]print(func(target, nums))法2: 双指针二面 12.01 50-60min介绍项目2. 说说对最近比较火的多模态 图像生成的了解3. coding(1) 求一个数的N次幂 def pow(k, n):    if k == 0 and n == 0:        return None    flag = 1    if n < 0:        flag = 0    res = 1    while n > 0:        if (n & 1) == 1:            res = res * k         k *= k        n >>= 2    if flag == 1:        return res    return 1.0 / res(2)全排列输入: 5,3输出: [(1,2,3),(1,2,4),(1,2,5),(2,3,4),(2,3,5),(3,4,5),...]import copydef dfs(l, res, n, m, index, level, tmp):    if level > m:        return    if index > n:        return    if level == m:        t = copy.deepcopy(tmp)        res.append(tuple(t))        return    # print("index  ", index, "  n - m + level + 1  ", n - m + level + 1)    for i in range(index, n - m + level + 1):        # print("i ", i, " l[i] ", l[i])        tmp.append(l[i])        dfs(l, res, n, m, i+1, level+1, tmp)        tmp.pop()def pailie(n, m):    l = range(1, n+1)    res = []    tmp = []    dfs(l, res, n, m, 0, 0, tmp)    return resprint(pailie(5, 3))希望能过吧，有点大厂情结，有机会三面的话再来补充。