百度多模态一面凉经

感觉对项目拷打的比较深，常规的八股考的不太多。多模态可以参考的信息也比较少。

1 lora微调的epoch是多少 ？和常规的大模型epoch有什么区别？为什么
2 clip为什么要创建两个表，分别做文本到图像和图像到文本的映射？对角线上的这两个值难道不是一样的吗？
3 对图像的傅里叶变换，真的可以把图像的频域信息提取出来吗？ 都是时间域的嵌入转化为频域是否有可解释的物理含义？你是否做过相关实验？比如看每个图像高频低频的部分相关程度？
4 交叉熵怎么计算？ 什么时候需要softmax
5 qwen vl三阶段的过程都是什么？ 这样做有什么好处？最后一个阶段做了什么事情
6 显著性目标检测为什么生成的是mask？这不是和图像分割类似吗？ 为什么不是描框？ 显著性目标检测的matrix为什么是IoU？你能解释一下是怎么计算的吗？
7 针对样本不平衡的问题，训练的损失函数可以做什么改动？你是否了解focal loss？
8 你对强化学习了解吗？大模型中强化学习用什么技术？(感觉是想问DPO那些的)
9  swin transformer了解吗？是怎么实现的降低复杂度？ 在一个patch内使用滑动窗口还有什么其他的好处？