百度nlp算法实习面经

讲一个你比较擅长的项目，十分钟做了一道算法题，总共半个小时和优酷一样面完秒挂

LLM 大模型学习必知必会系列(五)：数据预处理(Tokenizer分词器)、模板（Template）设计以及LLM技术选型 在模型训练过程中，数据及数据处理是最为重要的工作之一。在当前模型训练流程趋于成熟的情况下，数据集的好坏，是决定了该次训练能否成功的最关键因素。 在上一篇中，我们提到了模型训练的基本原理是将文字转换索引再转换为对应的向量，那么文字转为向量的具体过程是什么？ 1.分词器（Tokenizer） 在NLP（自然语言处理）领域中，承担文字转换索引（token）这一过程的组件是tokenizer。每个模型有自己特定的tokenizer，但它们的处理过程是大同小异的。 首先我们安装好...

4.15笔试，4.19一面，4.25二面，4.29接邮件通知4.30三面（主管面）为什么算不上面经，因为我觉得太简单了...对...太简单了，不是凡尔赛而是真的简单到让我汗流浃背。个人情况：bg不错，实习对于算法来说不够垂直（我在互联网到处乱窜），做题不行（被笔试挂麻了），八股不行，面试沟通一般比较顺利一面大概一小时，没问八股，一直在聊论文(二作在投还没中，nlp相关)和实习项目的细节，一直在聊，而且大多数时候是我在讲，传了两张结构图就一直讲，提问也是针对论文细节的提问，因为实验都是我做的所以就像组会汇报一样的对答问题，实习项目我不少但对口算法的不多(包括我现在其实在做数开)，问了点工作细节，但就都是我在一直讲讲讲。出的算法题很简单，顺序买入卖出最高收益，比力扣简单还简单的那种，我面试做题会有点紧张第一轮做得暴力了，面试官问能不能优化我看了半分钟优化了一下。反问问了工作内容。面试官人很好，交流很愉快，提到觉得我研究背景和部门挺对口的，但说实话我不知道对口在哪儿。二面也大概一小时，面试官看着有点疲惫，我确定ta没看过我简历但很尊重很认真一点点看然后提问，看完一个项目问问里面的细节，挨个问，和一面一样大多数时候是我在讲就像汇报一样，问的也都是工程细节没有技术问题。出了两道题一道小编程我忘了内容因为简单过头了比一面还简单，一道条件概率小计算高考填空水平。然后因为我提及了我一面，ta说前两面是交叉面，不知道我一面在哪儿。反问问了工作内容，以及对电商算法有什么建议，面试官人很好也很有经验，做了很多年了，说话很温和；我最后实在没忍住问了句我是在面算法吧（因为那两道题的难度甚至还不如写个sql），面试官仔细检查系统之后说对，对的。面试官人很好，交流很愉快。面得有点怀疑人生，我会觉得比较稳的面试是有点难度但全都答上/答上了80%，而不是像这样我一直讲讲讲讲讲像在开报告会。结束之后我翻出邮件加了hr微信，问二面大概多久评估，过了的话后面流程是什么，hr说一周时间，后面正常流程是主管面+hr面。我以为要五一后了结果29号上午收的邮件。暑期被挂麻了，希望能捞一把，许个愿。

暑期实习小弟面临如下选择，以后想回广东发展，请各位大佬路过顺便给点意见：美团——平台商品主搜：部门比较核心，转正率高，而且mentor人很好（已经在实习了），组里氛围也不错，很稳定。但是base北京，以后估计不会在北京发展了。腾讯——Pcg的qq浏览器搜索：部门不太核心，转正率感觉也不是很高，面试感觉面试官人不错。但base深圳。字节——风控：本来面的抖音评论，三面技术面都过了，但是没hc 转到风控了，因为面评还可以（hr 说3+通过），所以hr 给我转到了风控。但还要另外加面两轮。。base也在深圳。蚂蚁——企业信用：面试给我的感觉是最好的，面试官都很nice，感觉组内氛围应该不错，做的也很...