简介《名企AI面试100题》是面向求职互联网大厂AI岗位的笔试面试备考资料源自七月在线近4000道题库的精选题集适合计算机相关专业学生及转行求职者系统复习。本资源为PDF格式共1个文件压缩包约49.22MB内容涵盖计算机语言基础、算法与大数据、机器学习、深度学习及应用方向CV、NLP、推荐、金融风控五大章节。以计算机语言基础部分为例涉及C中extern C的作用、多线程与多任务的区别、Java类初始化顺序、死锁编写、ArrayList遍历删除陷阱、Linux CPU与进程查看、iptables规则编写、Python去重与快排实现等高频考点每道题均配有解析与代码示例。目前已有250人学习下载适合作为面试前查漏补缺、快速回顾核心知识点的刷题手册也可用于日常巩固计算机基础与算法能力。1. 从一份 100 题的 AI 面试手册说起它到底能帮你解决什么如果你正在准备 AI 方向的笔试面试大概率会遇到一个尴尬网上题解满天飞但质量参差不齐同一道题三个版本答案互相打架看完反而更慌。这份《名企AI面试100题》是从一个近 4000 道题的题库里精挑细选出来的覆盖计算机语言基础、算法和大数据、机器学习、深度学习、应用方向CV、NLP、推荐、金融风控五大章节。它的定位不是教科书而是一份经过多轮审校的“高频考点浓缩版”。适合两类人一是时间紧、需要快速过一遍核心考点的求职者二是想拿它当复习提纲、对照查漏的从业者。题目顺序和题库页面保持一致方便你边看手册边去对应页面参与讨论。2. 计算机语言基础从 extern C 到 Python 列表去重2.1 extern C 背后的名字修饰机制C 支持函数重载编译器会把函数名和参数类型一起编码进符号名比如void foo(int x, int y)编译后可能变成_foo_int_int这样的“mangled name”。C 语言不做这种修饰foo就是_foo。所以当 C 程序要调用 C 编译器生成的函数时如果不加extern C链接器会去找_foo_int_int而 C 那边只有_foo自然找不到。常见做法是在 C 头文件里这样写// moduleA.h #ifndef MODULE_A_H #define MODULE_A_H #ifdef __cplusplus extern C { #endif int foo(int x, int y); #ifdef __cplusplus } #endif #endif__cplusplus宏只在 C 编译时定义这样同一份头文件被 C 和 C 分别包含时都能正确工作。参数说明extern C告诉 C 编译器括号内的声明按 C 语言方式编译和链接不进行名字修饰。如果 C 调用的是 C 编写的动态库包含其头文件或声明接口函数时同样要加extern C。反过来在 C 中引用 C 函数时C 头文件需要加extern C但 C 文件不能直接包含这个头文件应该把 C 中定义的extern C函数在 C 文件里声明为extern类型。这个细节很多人第一次做混合编程时都会翻车。2.2 Java 类初始化顺序静态块、普通块、构造函数的执行链条结论先摆出来基类静态代码块和静态成员字段并列按代码出现顺序只执行一次→ 派生类静态代码块和静态成员字段同样只执行一次→ 基类普通代码块和普通成员字段按出现顺序→ 基类构造函数 → 派生类普通代码块和普通成员字段 → 派生类构造函数。用一段代码验证class Log { public static String initLog(String log) { System.out.println(log); return null; } } class Base { static { System.out.println(Base Static Block 1); } private static String staticValue Log.initLog(Base Static Field); static { System.out.println(Base Static Block 2); } { System.out.println(Base Normal Block 1); } private String value Log.initLog(Base Normal Field); Base() { System.out.println(Base Constructor); } } class Derived extends Base { static { System.out.println(Derived Static Block 1); } private static String staticValue Log.initLog(Derived Static Field); static { System.out.println(Derived Static Block 2); } { System.out.println(Derived Normal Block 1); } private String value Log.initLog(Derived Normal Field); Derived() { System.out.println(Derived Constructor); } } public class Main { public static void main(String[] args) { new Derived(); } }运行后你会看到Base 的静态部分先于 Derived 的静态部分然后才是 Base 的普通块和构造最后是 Derived 的普通块和构造。静态部分只在类第一次加载时执行一次普通块和构造每次创建对象都会走。参数说明静态字段和静态块的优先级相同谁在代码里先出现谁先执行普通字段和普通块同理。2.3 集合遍历删除与 Python 去重两个高频翻车点ArrayList 遍历删除在for循环里直接list.remove()会抛ConcurrentModificationException因为 ArrayList 的迭代器是 fail-fast 的遍历过程中修改集合结构就会触发检查。正确做法有三种// 方法一使用 Iterator IteratorString it list.iterator(); while (it.hasNext()) { String item it.next(); if (target.equals(item)) { it.remove(); // 用迭代器自己的 remove } } // 方法二removeIfJava 8 list.removeIf(item - target.equals(item)); // 方法三CopyOnWriteArrayList并发场景 ListString cowList new CopyOnWriteArrayList(list);Iterator.remove()是唯一在遍历中安全删除的方式因为它会同步更新迭代器的预期修改计数。removeIf内部也是用迭代器实现的写法更简洁。Python 列表去重最直接的是list(set(my_list))但 set 不保证顺序。如果需要保持原顺序my_list [1, 2, 2, 3, 3, 3, 4, 5, 5] # 保序去重 seen set() result [x for x in my_list if not (x in seen or seen.add(x))] print(result) # [1, 2, 3, 4, 5]参数说明seen.add(x)返回 None所以x in seen or seen.add(x)在 x 未见过时执行 add 并返回 Nonefalsy列表推导保留该元素已见过时x in seen为 True短路不执行 add元素被过滤掉。2.4 Linux 排查三件套CPU、内存、进程查看物理 CPU 和核数lscpu最直观输出里的CPU(s)、Core(s) per socket、Socket(s)三行就能算出物理核数。top看资源占用时%Mem是内存使用率RES是驻留内存大小SHR是共享内存大小。查进程用ps aux配合grep过滤。iptables 拒绝特定来源访问 80 端口iptables -A INPUT -s 192.168.1.101 -p tcp --dport 80 -j DROP参数说明-A INPUT追加到入站规则链-s指定来源 IP-p tcp协议--dport 80目标端口-j DROP直接丢弃不回应。网卡状态用ip addr show硬盘健康用smartctl -a /dev/sda看 SMART 信息。3. 算法和大数据链表、树、数组与海量数据处理3.1 判断单链表是否有环快慢指针的边界经典解法是快慢指针慢指针每次走一步快指针每次走两步如果存在环快指针一定会在环内追上慢指针。class ListNode: def __init__(self, val0, nextNone): self.val val self.next next def has_cycle(head): if not head or not head.next: return False slow, fast head, head while fast and fast.next: slow slow.next fast fast.next.next if slow fast: return True return False参数说明循环条件是fast and fast.next因为快指针要走两步必须保证当前节点和下一个节点都不为空。如果链表无环快指针会先到达末尾循环自然结束。这个解法时间复杂度 O(n)空间 O(1)。常见误用是只判断fast不判断fast.next当链表长度为偶数时会在末尾空指针上翻车。3.2 B 树插入删除与有序链表转二叉搜索树B 树的插入核心是“分裂”节点满了就从中位数分裂中间元素上移到父节点。删除更复杂涉及“借位”和“合并”如果删除后节点元素数低于下限先从兄弟借一个兄弟不够就与兄弟合并合并可能导致父节点继续下溢递归处理。有序链表转二叉搜索树常见做法是转成数组后递归取中点或者用快慢指针找中点直接构建def sorted_list_to_bst(head): if not head: return None if not head.next: return TreeNode(head.val) # 快慢指针找中点slow 前一个节点需要断开 slow, fast head, head.next while fast and fast.next: slow slow.next fast fast.next.next mid slow.next slow.next None # 断开左半部分 root TreeNode(mid.val) root.left sorted_list_to_bst(head) root.right sorted_list_to_bst(mid.next) return root参数说明fast初始为head.next是为了让slow停在中点的前一个节点方便断开链表。如果fast从head开始slow会停在中点无法直接拿到左半部分的头。3.3 海量数据 Top K分治加堆从海量日志里找访问次数最多的前 100 个关键字或者找 Top IP核心思路是“分而治之”先哈希取模把数据分到多个文件保证相同 key 落到同一文件然后对每个文件用哈希表统计频次再用小顶堆维护 Top 100最后合并所有文件的 Top 100 再取全局 Top 100。import heapq from collections import Counter def top_k_from_file(filename, k100): counter Counter() with open(filename, r) as f: for line in f: key line.strip().split()[0] # 假设第一列是 key counter[key] 1 # 小顶堆维护 Top K heap [] for key, cnt in counter.items(): if len(heap) k: heapq.heappush(heap, (cnt, key)) elif cnt heap[0][0]: heapq.heapreplace(heap, (cnt, key)) return sorted(heap, reverseTrue)参数说明heapq默认是小顶堆堆顶是当前 Top K 里最小的。新元素频次大于堆顶时才替换保证堆里始终是最大的 K 个。heapreplace弹出堆顶并压入新元素比先 pop 再 push 少一次堆调整。Hadoop 和 Spark 都是并行计算框架区别在于 Hadoop 的 MapReduce 中间结果落盘Spark 尽量在内存中流转迭代计算场景 Spark 通常更快。4. 机器学习和深度学习从 SVM 到 Transformer 的考点拆解4.1 SVM、XGBoost 与特征工程的核心问答SVM 的原理考点集中在最大间隔分类器、对偶问题、核函数。面试时能说清“硬间隔 → 软间隔 → 核技巧”这条线基本就够了。树形结构不需要归一化因为决策树分裂时只看特征值的排序不关心绝对大小。逻辑回归对特征离散化是为了引入非线性、便于特征交叉、增强鲁棒性。XGBoost 用泰勒展开的原因把损失函数展开到二阶可以用牛顿法近似优化收敛更快同时支持自定义损失函数。判别式模型直接建模 P(y|x)生成式模型建模 P(x,y) 再通过贝叶斯公式求 P(y|x)。EM 算法用于含隐变量的最大似然估计E 步求隐变量期望M 步最大化期望。特征选择常见方法过滤法方差、卡方、互信息、包裹法递归特征消除、嵌入法L1 正则、树模型特征重要性。AUC 的物理意义是随机取一个正样本和一个负样本模型给正样本打分高于负样本的概率。处理缺失值删除、均值/中位数填充、模型预测填充、把缺失本身作为一个特征。4.2 深度学习调参梯度问题与网络结构ReLU 优于 Sigmoid 和 tanh 的原因Sigmoid 和 tanh 在饱和区梯度接近零深层网络反向传播时梯度连乘会消失ReLU 正区间梯度恒为 1缓解了梯度消失且计算简单。梯度爆炸的判断训练 loss 突然变成 NaN 或剧烈震荡可以打印每层梯度范数确认。缓解手段包括梯度截断、权重初始化调整、Batch Normalization。CNN 的经典模型演进LeNet → AlexNet → VGG → GoogLeNet → ResNet。NMS 用于目标检测后处理去掉重叠的冗余框。Anchor 是预设的参考框检测头预测相对于 anchor 的偏移量。BN 的作用对每个 mini-batch 做归一化让激活值分布稳定加速训练还有轻微正则效果。4.3 避坑与常见问题排查现象一extern C 加了但链接还是报 undefined reference。原因头文件里加了extern C但 C 实现文件编译时没有用 C 编译器或者 C 文件里包含了 C 头文件但没包在extern C块里。 解决确认 C 文件用gcc编译C 文件用g编译头文件用__cplusplus宏保护。现象二Java 静态块执行顺序和预期不一致。原因静态字段和静态块按代码出现顺序执行不是静态块优先。 解决把初始化逻辑统一放在静态块里或者用静态工厂方法替代静态字段直接初始化。现象三Python 用 set 去重后顺序乱了。原因set 是无序集合不保证插入顺序。 解决用dict.fromkeys(my_list)保序去重或者用列表推导加 seen 集合。现象四海量数据 Top K 内存爆了。原因一次性把整个文件读进内存做 Counter。 解决分块读取或者先哈希分文件再逐文件统计最后合并。现象五模型训练 loss 变 NaN。原因学习率过大、梯度爆炸、数据里有异常值。 解决降低学习率加梯度截断检查输入数据是否归一化打印每层梯度范数定位问题层。5. 应用方向进阶目标检测、NLP 与推荐系统的实战技巧目标检测的 IOU 评价函数本质是两个框的交集面积除以并集面积。计算时注意边界情况两个框不相交时 IOU 为 0完全重合时为 1。one-stage 和 two-stage 的区别two-stage 先出候选区域再分类回归精度高但慢one-stage 直接回归框和类别速度快但小目标精度可能略低。图像检索上亿级别时常见做法是用 FAISS 做向量索引先粗排再精排用 PQ 量化压缩向量降低内存。NLP 方向TF-IDF 的核心是 TF 乘以 IDFIDF 是总文档数除以包含该词的文档数再取对数。Word2Vec 的两种训练方式CBOW 用上下文预测中心词Skip-gram 用中心词预测上下文。从 Word Embedding 到 BERT 的演进线静态词向量 → 上下文相关词向量ELMo→ 预训练加微调GPT、BERT。Transformer 的自注意力机制核心是 Q、K、V 三个矩阵注意力分数是 Q 和 K 的点积除以缩放因子再 softmax 后加权 V。推荐系统里协同过滤分基于用户和基于物品两种。冷启动的常见解法利用注册信息做粗粒度推荐、引导用户选偏好、用热门内容兜底。WideDeep 模型把记忆能力和泛化能力结合Wide 部分处理稀疏特征交叉Deep 部分做嵌入和全连接。离线评价召回模型常用召回率、命中率、覆盖率等指标注意离线指标和线上效果之间可能有 gap我一般会留一部分流量做小流量实验验证。评分卡用 WOE 编码的原因WOE 能反映特征取值对好坏样本的区分能力且把非线性关系线性化便于逻辑回归建模。计算 WOE 时注意每个分箱里要有足够的坏样本否则 WOE 值不稳定。深度风控模型的样本量经验上至少十万级起步正样本太少时考虑用半监督或迁移学习。从那以后我每次准备面试都会先把这份手册的目录过一遍标记出自己说不清楚的题再去对应章节精读。面试前一周重点看错题和薄弱章节比漫无目的地刷题效率高得多。希望帮到你。本文还有配套的精品资源点击获取
简介《名企AI面试100题》是面向求职互联网大厂AI岗位的笔试面试备考资料源自七月在线近4000道题库的精选题集适合计算机相关专业学生及转行求职者系统复习。本资源为PDF格式共1个文件压缩包约49.22MB内容涵盖计算机语言基础、算法与大数据、机器学习、深度学习及应用方向CV、NLP、推荐、金融风控五大章节。以计算机语言基础部分为例涉及C中extern C的作用、多线程与多任务的区别、Java类初始化顺序、死锁编写、ArrayList遍历删除陷阱、Linux CPU与进程查看、iptables规则编写、Python去重与快排实现等高频考点每道题均配有解析与代码示例。目前已有250人学习下载适合作为面试前查漏补缺、快速回顾核心知识点的刷题手册也可用于日常巩固计算机基础与算法能力。1. 从一份 100 题的 AI 面试手册说起它到底能帮你解决什么如果你正在准备 AI 方向的笔试面试大概率会遇到一个尴尬网上题解满天飞但质量参差不齐同一道题三个版本答案互相打架看完反而更慌。这份《名企AI面试100题》是从一个近 4000 道题的题库里精挑细选出来的覆盖计算机语言基础、算法和大数据、机器学习、深度学习、应用方向CV、NLP、推荐、金融风控五大章节。它的定位不是教科书而是一份经过多轮审校的“高频考点浓缩版”。适合两类人一是时间紧、需要快速过一遍核心考点的求职者二是想拿它当复习提纲、对照查漏的从业者。题目顺序和题库页面保持一致方便你边看手册边去对应页面参与讨论。2. 计算机语言基础从 extern C 到 Python 列表去重2.1 extern C 背后的名字修饰机制C 支持函数重载编译器会把函数名和参数类型一起编码进符号名比如void foo(int x, int y)编译后可能变成_foo_int_int这样的“mangled name”。C 语言不做这种修饰foo就是_foo。所以当 C 程序要调用 C 编译器生成的函数时如果不加extern C链接器会去找_foo_int_int而 C 那边只有_foo自然找不到。常见做法是在 C 头文件里这样写// moduleA.h #ifndef MODULE_A_H #define MODULE_A_H #ifdef __cplusplus extern C { #endif int foo(int x, int y); #ifdef __cplusplus } #endif #endif__cplusplus宏只在 C 编译时定义这样同一份头文件被 C 和 C 分别包含时都能正确工作。参数说明extern C告诉 C 编译器括号内的声明按 C 语言方式编译和链接不进行名字修饰。如果 C 调用的是 C 编写的动态库包含其头文件或声明接口函数时同样要加extern C。反过来在 C 中引用 C 函数时C 头文件需要加extern C但 C 文件不能直接包含这个头文件应该把 C 中定义的extern C函数在 C 文件里声明为extern类型。这个细节很多人第一次做混合编程时都会翻车。2.2 Java 类初始化顺序静态块、普通块、构造函数的执行链条结论先摆出来基类静态代码块和静态成员字段并列按代码出现顺序只执行一次→ 派生类静态代码块和静态成员字段同样只执行一次→ 基类普通代码块和普通成员字段按出现顺序→ 基类构造函数 → 派生类普通代码块和普通成员字段 → 派生类构造函数。用一段代码验证class Log { public static String initLog(String log) { System.out.println(log); return null; } } class Base { static { System.out.println(Base Static Block 1); } private static String staticValue Log.initLog(Base Static Field); static { System.out.println(Base Static Block 2); } { System.out.println(Base Normal Block 1); } private String value Log.initLog(Base Normal Field); Base() { System.out.println(Base Constructor); } } class Derived extends Base { static { System.out.println(Derived Static Block 1); } private static String staticValue Log.initLog(Derived Static Field); static { System.out.println(Derived Static Block 2); } { System.out.println(Derived Normal Block 1); } private String value Log.initLog(Derived Normal Field); Derived() { System.out.println(Derived Constructor); } } public class Main { public static void main(String[] args) { new Derived(); } }运行后你会看到Base 的静态部分先于 Derived 的静态部分然后才是 Base 的普通块和构造最后是 Derived 的普通块和构造。静态部分只在类第一次加载时执行一次普通块和构造每次创建对象都会走。参数说明静态字段和静态块的优先级相同谁在代码里先出现谁先执行普通字段和普通块同理。2.3 集合遍历删除与 Python 去重两个高频翻车点ArrayList 遍历删除在for循环里直接list.remove()会抛ConcurrentModificationException因为 ArrayList 的迭代器是 fail-fast 的遍历过程中修改集合结构就会触发检查。正确做法有三种// 方法一使用 Iterator IteratorString it list.iterator(); while (it.hasNext()) { String item it.next(); if (target.equals(item)) { it.remove(); // 用迭代器自己的 remove } } // 方法二removeIfJava 8 list.removeIf(item - target.equals(item)); // 方法三CopyOnWriteArrayList并发场景 ListString cowList new CopyOnWriteArrayList(list);Iterator.remove()是唯一在遍历中安全删除的方式因为它会同步更新迭代器的预期修改计数。removeIf内部也是用迭代器实现的写法更简洁。Python 列表去重最直接的是list(set(my_list))但 set 不保证顺序。如果需要保持原顺序my_list [1, 2, 2, 3, 3, 3, 4, 5, 5] # 保序去重 seen set() result [x for x in my_list if not (x in seen or seen.add(x))] print(result) # [1, 2, 3, 4, 5]参数说明seen.add(x)返回 None所以x in seen or seen.add(x)在 x 未见过时执行 add 并返回 Nonefalsy列表推导保留该元素已见过时x in seen为 True短路不执行 add元素被过滤掉。2.4 Linux 排查三件套CPU、内存、进程查看物理 CPU 和核数lscpu最直观输出里的CPU(s)、Core(s) per socket、Socket(s)三行就能算出物理核数。top看资源占用时%Mem是内存使用率RES是驻留内存大小SHR是共享内存大小。查进程用ps aux配合grep过滤。iptables 拒绝特定来源访问 80 端口iptables -A INPUT -s 192.168.1.101 -p tcp --dport 80 -j DROP参数说明-A INPUT追加到入站规则链-s指定来源 IP-p tcp协议--dport 80目标端口-j DROP直接丢弃不回应。网卡状态用ip addr show硬盘健康用smartctl -a /dev/sda看 SMART 信息。3. 算法和大数据链表、树、数组与海量数据处理3.1 判断单链表是否有环快慢指针的边界经典解法是快慢指针慢指针每次走一步快指针每次走两步如果存在环快指针一定会在环内追上慢指针。class ListNode: def __init__(self, val0, nextNone): self.val val self.next next def has_cycle(head): if not head or not head.next: return False slow, fast head, head while fast and fast.next: slow slow.next fast fast.next.next if slow fast: return True return False参数说明循环条件是fast and fast.next因为快指针要走两步必须保证当前节点和下一个节点都不为空。如果链表无环快指针会先到达末尾循环自然结束。这个解法时间复杂度 O(n)空间 O(1)。常见误用是只判断fast不判断fast.next当链表长度为偶数时会在末尾空指针上翻车。3.2 B 树插入删除与有序链表转二叉搜索树B 树的插入核心是“分裂”节点满了就从中位数分裂中间元素上移到父节点。删除更复杂涉及“借位”和“合并”如果删除后节点元素数低于下限先从兄弟借一个兄弟不够就与兄弟合并合并可能导致父节点继续下溢递归处理。有序链表转二叉搜索树常见做法是转成数组后递归取中点或者用快慢指针找中点直接构建def sorted_list_to_bst(head): if not head: return None if not head.next: return TreeNode(head.val) # 快慢指针找中点slow 前一个节点需要断开 slow, fast head, head.next while fast and fast.next: slow slow.next fast fast.next.next mid slow.next slow.next None # 断开左半部分 root TreeNode(mid.val) root.left sorted_list_to_bst(head) root.right sorted_list_to_bst(mid.next) return root参数说明fast初始为head.next是为了让slow停在中点的前一个节点方便断开链表。如果fast从head开始slow会停在中点无法直接拿到左半部分的头。3.3 海量数据 Top K分治加堆从海量日志里找访问次数最多的前 100 个关键字或者找 Top IP核心思路是“分而治之”先哈希取模把数据分到多个文件保证相同 key 落到同一文件然后对每个文件用哈希表统计频次再用小顶堆维护 Top 100最后合并所有文件的 Top 100 再取全局 Top 100。import heapq from collections import Counter def top_k_from_file(filename, k100): counter Counter() with open(filename, r) as f: for line in f: key line.strip().split()[0] # 假设第一列是 key counter[key] 1 # 小顶堆维护 Top K heap [] for key, cnt in counter.items(): if len(heap) k: heapq.heappush(heap, (cnt, key)) elif cnt heap[0][0]: heapq.heapreplace(heap, (cnt, key)) return sorted(heap, reverseTrue)参数说明heapq默认是小顶堆堆顶是当前 Top K 里最小的。新元素频次大于堆顶时才替换保证堆里始终是最大的 K 个。heapreplace弹出堆顶并压入新元素比先 pop 再 push 少一次堆调整。Hadoop 和 Spark 都是并行计算框架区别在于 Hadoop 的 MapReduce 中间结果落盘Spark 尽量在内存中流转迭代计算场景 Spark 通常更快。4. 机器学习和深度学习从 SVM 到 Transformer 的考点拆解4.1 SVM、XGBoost 与特征工程的核心问答SVM 的原理考点集中在最大间隔分类器、对偶问题、核函数。面试时能说清“硬间隔 → 软间隔 → 核技巧”这条线基本就够了。树形结构不需要归一化因为决策树分裂时只看特征值的排序不关心绝对大小。逻辑回归对特征离散化是为了引入非线性、便于特征交叉、增强鲁棒性。XGBoost 用泰勒展开的原因把损失函数展开到二阶可以用牛顿法近似优化收敛更快同时支持自定义损失函数。判别式模型直接建模 P(y|x)生成式模型建模 P(x,y) 再通过贝叶斯公式求 P(y|x)。EM 算法用于含隐变量的最大似然估计E 步求隐变量期望M 步最大化期望。特征选择常见方法过滤法方差、卡方、互信息、包裹法递归特征消除、嵌入法L1 正则、树模型特征重要性。AUC 的物理意义是随机取一个正样本和一个负样本模型给正样本打分高于负样本的概率。处理缺失值删除、均值/中位数填充、模型预测填充、把缺失本身作为一个特征。4.2 深度学习调参梯度问题与网络结构ReLU 优于 Sigmoid 和 tanh 的原因Sigmoid 和 tanh 在饱和区梯度接近零深层网络反向传播时梯度连乘会消失ReLU 正区间梯度恒为 1缓解了梯度消失且计算简单。梯度爆炸的判断训练 loss 突然变成 NaN 或剧烈震荡可以打印每层梯度范数确认。缓解手段包括梯度截断、权重初始化调整、Batch Normalization。CNN 的经典模型演进LeNet → AlexNet → VGG → GoogLeNet → ResNet。NMS 用于目标检测后处理去掉重叠的冗余框。Anchor 是预设的参考框检测头预测相对于 anchor 的偏移量。BN 的作用对每个 mini-batch 做归一化让激活值分布稳定加速训练还有轻微正则效果。4.3 避坑与常见问题排查现象一extern C 加了但链接还是报 undefined reference。原因头文件里加了extern C但 C 实现文件编译时没有用 C 编译器或者 C 文件里包含了 C 头文件但没包在extern C块里。 解决确认 C 文件用gcc编译C 文件用g编译头文件用__cplusplus宏保护。现象二Java 静态块执行顺序和预期不一致。原因静态字段和静态块按代码出现顺序执行不是静态块优先。 解决把初始化逻辑统一放在静态块里或者用静态工厂方法替代静态字段直接初始化。现象三Python 用 set 去重后顺序乱了。原因set 是无序集合不保证插入顺序。 解决用dict.fromkeys(my_list)保序去重或者用列表推导加 seen 集合。现象四海量数据 Top K 内存爆了。原因一次性把整个文件读进内存做 Counter。 解决分块读取或者先哈希分文件再逐文件统计最后合并。现象五模型训练 loss 变 NaN。原因学习率过大、梯度爆炸、数据里有异常值。 解决降低学习率加梯度截断检查输入数据是否归一化打印每层梯度范数定位问题层。5. 应用方向进阶目标检测、NLP 与推荐系统的实战技巧目标检测的 IOU 评价函数本质是两个框的交集面积除以并集面积。计算时注意边界情况两个框不相交时 IOU 为 0完全重合时为 1。one-stage 和 two-stage 的区别two-stage 先出候选区域再分类回归精度高但慢one-stage 直接回归框和类别速度快但小目标精度可能略低。图像检索上亿级别时常见做法是用 FAISS 做向量索引先粗排再精排用 PQ 量化压缩向量降低内存。NLP 方向TF-IDF 的核心是 TF 乘以 IDFIDF 是总文档数除以包含该词的文档数再取对数。Word2Vec 的两种训练方式CBOW 用上下文预测中心词Skip-gram 用中心词预测上下文。从 Word Embedding 到 BERT 的演进线静态词向量 → 上下文相关词向量ELMo→ 预训练加微调GPT、BERT。Transformer 的自注意力机制核心是 Q、K、V 三个矩阵注意力分数是 Q 和 K 的点积除以缩放因子再 softmax 后加权 V。推荐系统里协同过滤分基于用户和基于物品两种。冷启动的常见解法利用注册信息做粗粒度推荐、引导用户选偏好、用热门内容兜底。WideDeep 模型把记忆能力和泛化能力结合Wide 部分处理稀疏特征交叉Deep 部分做嵌入和全连接。离线评价召回模型常用召回率、命中率、覆盖率等指标注意离线指标和线上效果之间可能有 gap我一般会留一部分流量做小流量实验验证。评分卡用 WOE 编码的原因WOE 能反映特征取值对好坏样本的区分能力且把非线性关系线性化便于逻辑回归建模。计算 WOE 时注意每个分箱里要有足够的坏样本否则 WOE 值不稳定。深度风控模型的样本量经验上至少十万级起步正样本太少时考虑用半监督或迁移学习。从那以后我每次准备面试都会先把这份手册的目录过一遍标记出自己说不清楚的题再去对应章节精读。面试前一周重点看错题和薄弱章节比漫无目的地刷题效率高得多。希望帮到你。本文还有配套的精品资源点击获取
