很多人实习结束后都会陷入一个误区：觉得自己每天都在重复打杂、整理数据、改边角bug、帮忙跑流程，忙活一两个月，最后简历空空如也，没有任何能拿出手的含金量产出。其实真不是大厂不给机会，而是大多数实习生太被动，等着导师派活、等着别人教、等着任务上门。我这段时间的实习最大感悟：实习的产出从来不是等来的，是自己主动问、主动学、主动揽来的。哪怕只是普通业务岗、后端基础岗实习生，只要找对方法，完全能把无效打杂，变成能写进简历的硬核成果。首先，所有实习成长的核心，一定是啃透部门文档，这是最快出产出、最容易被忽略的捷径。绝大多数新人入职，扫两眼文档就觉得枯燥难懂，转头就等着导师安排简单活混日子。但部门文档是整...

cvte体验实习了几天，今天收到携程offer了，泡了40多天。诶cvte真好吧，免费的宿舍比我在学校租的公寓还好，还有免费伙食。顿顿爽吃，还有mac，还有每天100刀的cc，站起来蹬opus4.7花不完。我就在这边白吃白喝，还没干过活，下午六点就下班撤了。我们部门感觉也不push，mt也让我早早回去，反正不打卡。

想在暑假找个日常实习，有什么建议吗哥哥们

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 ...