推荐算法实习面经（美团

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打2.实习拷打3.项目数据口径怎么算的，统计了多少数据4.如何判断你的模型已经训练到置信了5.为什么损失函数会在降低之后升高6.为什么偏偏在这个时候降到最低7.模型参数量是多少

自我介绍项目拷打http/https的区别dns协议解析ip的过程arp协议http状态码301，302区别平时有抓过包吗semaphore信号量底层是怎么实现的hashmap是否线程安全，除了concurrenthashmap，还有哪些是线程安全的hashmap三个线程顺序执行，有哪些方式completableFuture能实现吗查询语句的执行过程数据库有哪些隔离级别rc隔离级别下是怎么加锁的事务acid，innodb存储引擎分别怎么保证的线程之间通信有哪些方式手撕：跳跃游戏II面到75%的时候有人进来，紧急换会议室我真绷不住了，估计寄完了

给我面没招了，感觉自己好菜、面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.召回是怎么做的?2.蒸馏教师模型能让学生模型达到接近教师模型的能力吗?3.为什么大模型的推理总会有质量高的输出和质量低的输出?原理是什么4.介绍transformer的结构，包括自注意力机制的公式，softmax是做什么的5.BN和LN的区别是什么?6.用的多大的模型?为什么要用这么大的模型，没考虑过资源消耗吗?代码:非hot100的dfs

985，算法方向，26届。昨天刚完成美团算法岗一面，趁热记一下，方便自己复盘，也给后面投的同学参考。 面试时长：约55分钟形式：视频 考察内容： 自我介绍后直接问项目，重点挖了分布式训练部分，问梯度同步机制怎么做的，参数服务器和All-Reduce各自适合什么场景。 算法题1：接雨水（LC 42），要求O(n)时间O(1)空间，双指针方案。算法题2：手写快排，要求随机化pivot版本，问为什么要随机化。场景题：给你一个推荐系统，新用户冷启动问题怎么处理，说了基于内容的方法和利用侧信息两个方向。反问环节：问了团队方向和实习转正比例。 整体感觉中等偏难，项目问得比较细，有准备的话不会太慌。 顺带说...