小米offer

我是 25 年 12 月开始筹备的,今年 3 月 5 号投递的第一份简历,4.16 offer。我筹备分四个方向:八股文、项目、算法、技术。一、项目、八股我想先说我的理解——项目和八股文最好不要分开准备。最理想的情况是:项目本身就有很多能聊的点。简历上写了一条「做了 XX 优化」,面试官顺着这条往下问——为什么要做这个优化?用到了什么原理?具体是怎么落地的?这么做的好处是什么?好多八股文的题型不就是这个样子么?为什么会出现 XX 问题?哪些场景/工具下会出现 XX 问题?用什么方式能解决?每种方案各有什么优劣?我们怎么衡量?怎么预防 XX 问题?实践中,是怎么用 XX 工具解决 XX 问题的?...

今天面了个百人左右的小公司，内部应该是正在做为B端服务的Agent，感觉面试官都说不是很懂什么是Agent😅   感觉入行早只要会写代码就能跟着公司发展转Agent，今天这个面试官学习能力真的太一般了。。。。

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 ...