携程面试 全是业务场景 b溃

bg  双九硕，做视觉的秋招oc的：烽火  软件海康  算法途虎养车  算法百信银行  风控百度  aigctplink  视觉中电科网安华测导航  算法春招oc的：滴滴  地图华为  昇腾小米  广告爱奇艺  三面结束去百度了，本来想找个搜广推的，但是都不太好，其实给的最多的是途虎但是拒了

前端开发base上海长宁区，有没有实习搭子可以捞一捞 #实习＃

一面问八股和挖项目经历怎么实现分布式锁？消息队列对分布式问题的解决方案？对账出问题怎么解决？大流量下怎么保证高并发？跟第三方支付接口对接具体细节？如果数据结构不一致怎么处理？数据库底层？事务隔离级别？事务是不是越多越好？事务传递？Spring 注解了解吗？然后问了几个注解问题然后手写了一个业务场景题，简单实现对账系统，考察业务思维和遍历对账数据的算法，主包最开始对客户数据和实际数据直接遍历两次，面试官说有没有遍历一次能解决问题的，最后搞定了二面问的内容其实差不多，只是深度和广度的区别，也是围项目和技术栈，八股比较少了，挖业务更多一点三面线下面就是正常终面问题，挑战成就 讲一个技术难题怎么解决的之类的   

翻遍各种大模型的实现，虽然结构上可能保留了 dropout 的实现，但是采样概率都设置为 0 了。唯一一个比较新的，还用 Dropout 的模型是 Meta 训练的 Galactica 模型。那为什么现在不用了呢？核心还是要弄清楚 Dropout 的使用场景。Dropout 之前在深度学习当中是一个特别好用的方法，可以防止过拟合，提高泛化。所以说，当模型较大，数据较少的时候，使用 Dropout 是比较合适的。现在大模型处在什么状态呢？✅预训练在预训练阶段，目前可能还是处于欠拟合的状态。之所以说可能，是基于目前公开的一些论文的出的结论。但是现在闭源的公司在采用大量数据合成的情况下，已经训练足够充分或者接近充分也说不定。以 llama 一系列论文为例，训练 llama 1 的时候，龙猫 Scaling law 里面提到 GPT3 是一个训练很不充分的模型。然后给出的数据配比的建议是，10B 的模型要采用 200B 的 token 来训练。但是 llama 1 采用了 7B 的模型，训练量 1T 的 token 发现性能依然有提升。而且预训练所有的语料一般只过一个 epoch，某些特定的领域可能过 2个 epoch，可以认为样本的重复率很低。所以，在数据足够多，多样性足够而且没有太多重复的情况下，大模型在预训练阶段仍然没有过拟合的风险。也就完全不需要采用 dropout。✅Dropout 就完全不需要了么？如果上面的条件不能满足，Dropout 还是有用武之地的。比如前面提到的 Galactica 模型。这个模型和其他大模型不太一样的地方是训练了 4.25 个 epoch，因为他们认为高质量的数据更重要一些，但是又没有那么多，所以就 repeat 数据了。在论文《To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis》 中，详细列举了数据 Repeat 对训练 LLM 的影响，并且证明了 Dropout 可以缓解数据重复带来的性能损失。在文章《Can LLMs learn from a single example?》中，也提到了在 SFT 的时候，少量的重复数据就会降低模型的性能。这也符合常理，SFT 的数据分布和预训练的通常是不太一样的，重复的数据会让模型拟合新的分布，从而忘掉旧的分布。文中同样也提到 Dropout 可以缓解数据重复带来的影响。所以 Dropout 在数据量较少，多样性不高，需要 repeat 的场景下，依然是一个减少过拟合的很方便的手段。比如现在已经有一些在 LoRA 微调的时候采用 Dropout 的研究了。