最近又整理了一份 影石创新（Insta360）嵌入式岗位二面的面经。整体看下来难度比一面明显更高，很多问题已经不只是基础知识，而是更偏向 系统设计、性能优化以及实际工程问题的处理。面试官会从一些基础概念入手，但很快就会延伸到具体实现和实际应用场景。和一面相比，二面更看重候选人对 系统整体架构的理解能力。很多问题都会结合影石相机的实际产品，比如 多路图像数据处理、传感器同步、数据存储、系统稳定性以及功耗控制 等。面试官通常会通过连续追问来判断你是否真正理解这些技术在项目中的应用，而不仅仅是停留在理论层面。整理了一下这次二面中比较典型的 18 道问题，整体覆盖 RTOS、数据处理、接口通信、系统调...

这个写的很垃圾吗

😅😅😅😅

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...