一一中文网

手机浏览器扫描二维码访问

第94章 第一个ai岗面试邀请（第2页）

。

林晨喃喃道，嘴角却不自觉地上扬。

这种情绪很复杂。

有激动——自己的努力终于被看见了一角；有紧张——第一次面对专业考核；更有一种强烈的证明欲，像闷在炉子里的炭，终于等到了风口。

他没有立刻开始答题。

反而关掉了页面，起身去厨房冲了杯速溶咖啡。

端着杯子回到书桌前，他打开了另一个文件夹，里面是他这几个月整理的学习笔记、代码练习和项目文档。

从最基础的线性回归、逻辑回归，到决策树、随机森林、SVm；从神经网络的前向传播、反向传播，到cNN、RNN、LStm的结构理解；从tensorFlow的静态图到pytorch的动态图优势；从过拟合、欠拟合的解决到梯度消失、爆炸的应对策略……几十万字的笔记，上百个手写实现的demo，还有那个已经实盘运行了快一个月的多策略量化投资系统。

这些都是他的弹药。

林晨深吸一口气，重新打开了笔试链接。

这次，他点击了“开始考试”

。

第一道编程题是经典的“两数之和”

变体，要求在数组中找到三个数，使它们的和最接近给定目标。

林晨扫了一眼，手指已经在键盘上敲了起来。

双指针法，先排序，时间复杂度o（n2）。

五分钟，代码写完，测试用例全过。

第二道是二叉树的中序遍历迭代实现。

同样手到擒来。

第三道就开始上难度了：设计一个数据结构，支持在o（1）时间复杂度内完成插入、删除和获取随机元素。

林晨思考了一分钟，脑海里的知识图谱迅速检索——哈希表加数组。

哈希表保证o（1）的查找和删除，数组保证o（1）的随机访问，删除时用数组末尾元素替换被删除元素的位置以保持连续性。

思路清晰，代码一气呵成。

编程题部分，他用了不到四十分钟就全部完成，并且反复检查了边界条件。

接下来是机器学习理论题。

第一题：“请简述梯度下降法中，批量梯度下降、随机梯度下降和小批量梯度下降的优缺点及适用场景”

。

林晨在答题区敲下：

“批量梯度下降（bGd）：使用全部训练数据计算梯度，方向准确，收敛稳定，但每次迭代计算量大，内存消耗高，不适合大数据集。

随机梯度下降（SGd）：每次随机使用一个样本计算梯度，计算快，可在线学习，但梯度方向波动大，收敛不稳定，可能难以达到最优。

小批量梯度下降（mini-batchGd）：折中方案，每次使用一小批样本（通常32、64、128），兼顾了计算效率和收敛稳定性，是目前深度学习最常用的优化方法。

适用场景：bGd适用于小规模数据集或对收敛稳定性要求极高的场景；SGd适用于大规模在线学习或数据流场景；mini-batchGd适用于绝大多数深度学习模型训练”

。

第二题：“什么是过拟合？列举三种常见的防止过拟合的方法并简要解释”

。

“过拟合指模型在训练集上表现很好，但在未见过的测试集上表现显着下降，即模型过于复杂，‘记忆’了训练数据中的噪声和细节，导致泛化能力差。

防止方法：1.正则化（L1L2）：在损失函数中加入模型复杂度的惩罚项，限制参数大小，促使模型更简单。

2.dropout：在神经网络训练过程中随机‘丢弃’一部分神经元，强制网络学习更鲁棒的特征，是一种集成学习的近似。

3.早停法（EarlyStopping）：在训练过程中监控验证集性能，当性能不再提升甚至下降时提前停止训练，防止过度训练”

。