#深信服# #算法工程师# #2022秋招# 面试官说这是深信服秋招最后一批面试了。总结提炼一下有这些问题： 对深信服业务、算法岗位职责是否了解；图数据进行异常检测的思路（特征筛选、社区检测、图匹配等） ；大规模（数十亿条）数据如何建图、计算（数据清洗、索引、并行计算等）；Neo4j对并行计算的支持度如何 压力管理的案例与思考；今年秋招环境下定位的自我认知与思考（被面试官吐槽简历往年可能算特别优秀的，但是今年只能算中等偏上，xs太真实了） ------ #关于秋招我想说# 让我女朋友有个Offer吧~！！

#关于秋招我想说# 论文；networkx的性能问题；loss波动与过拟合的原因分析与处理方法；数据样本不均衡的处理方法；向量数据增强的具体做法；反问； #你的秋招进展怎么样了#

“莫语常言道知足，万事至终总是空。理想现实一线隔，心无旁骛脚踏实。谁无暴风劲雨时，守得云开见月明。花开复见却飘零，残憾莫使今生留。” #关于秋招我想说# #秋招#

#你的秋招进展怎么样了# #关于秋招我想说# 含泪拒绝上海25k*15不加班的小而美

tx算法笔试还行。 #算法工程师# #秋招# #你的秋招进展怎么样了#

#关于秋招我想说#技术岗就不要群面了好不好，每个人介绍完项目都快听睡着了

第一题：直接建树、找到根节点再搜索；第二题：DP，dp[i] 表示第 i 个位置时最左边满足不等式关系的位置，当 i-dp[i] >= k 时 ans += 1；第三题：直接推公式算出变化幅度最大值n=sqrt(abs(x-y))，此时一定会经历 1 -> n -> 1 的变化共n^2（这也是操作次数的最小值），再对剩下距离abs(x-y)-(n^2)在[1,n]中从大到小贪心找最优解的；第四题：类似01背包的DP，dp[i][j] 表示剩余狗粮为i时第j个食量的方案数，dp[i][j] = dp[i][j+1] + (dp[i-a_i][j] if a_i <= i else 0)，直接深搜会栈溢出。

思路分析 主要思路：贪心+分治。 题目要求的是两段收益最大区间的收益之和，主要使用到的一个性质是： 第 天对应时间的价格简记为 。假设在给定的数据范围 内，已经找到了当前收益最大的一次买卖操作时间，买入时间记为 、卖出时间记为 ，有 。则不存在 满足 。 即：在范围 内的全局最优解一定大于任意两个局部最优解之和，因此不需要去考虑重叠子的问题，直接贪心即可。 代码 主要思路：先找到全局完整区间内的最优解（26行），再在最优解所划分的左右两半区间中找到次优解（27、28行），求和（29行）。对给定区间进行求解的算法可以参考 BM80 买卖股票的最好时机(一) 解法（6-24行）的最优...

CNN 主要概念与操作 卷积 操作：卷积核按照既定的方式在输入矩阵上“移动”，每次移动后将卷积核与矩阵中对应位置的值相乘并求和作为输出，本质上相当于按照卷积核进行加权求和。一般在加权求和后会再进行一次非线性的激活。例如使用 ReLU 作为激活函数时： 作用：使用卷积核所表示的特定“特征提取规则”进行特征提取。 细节：卷积核一般作为可学习的参数。 池化 作用：通过预定的方法，减少输入矩阵的规模。 细节：相比于卷积操作，池化操作则是无参数的。 翻转 操作 将卷积核翻转沿次对角线翻转，如： 作用：使得矩阵操作满足结合律 ，在数字信号处理领域中使用较多，在深度学习中则一般不进行翻转操作。 Strid...

0 error, 0 warning, 0 offer

#你的秋招进展怎么样了# 秋招：投了，寄了，再投，再寄，再投。魂游：来了，死了，再来，再死，再来。由此可得：秋招＝魂系游戏，证毕。

牛客创作营的奖品get

学习、刷题、面试 get

荣耀：2022秋招 推荐搜索工程师 一面 自我介绍、论文 论文模型中学习率、batch size 以及其他参数是如何调优的 学习率使用模拟退火优化，初始值设置的稍大。 Batch Size 设置的尽可能大来提高学习的效率，并根据具体结果适当调整。 其他参数网格搜索。 介绍 LSTM-> Transformer -> BERT 传统 RNN 存在长期依赖的梯度问题，被 LSTM 通过三个门控解决，GRU 进一步将门控数量优化至一个从而提高了计算的效率； Transformer 是基于 Multi-Head Attention 构建的序列处理模型，通过对每一个元素计算其他所有元素...