今日份（8-19）的微软笔试：第一题：直接求解+二分优化。数据量N是10^5，数据大小M是10^9，从左往右直接求解，再使用二分优化一下，复杂度O(lg M)。当然，最大的问题在于无法证明这种做法是最优解，但是快就完事了！第二题：贪心+堆优化。统计所有数出现的次数，对于任意两个数，当他们的数量都大于2、或者值都为1时，值更大的优先级更高；否则数量大于2的优先级更高。每次选择当前优先级最高的数，用于从两端向内组成回文，直至优先级最高的数无法再用于组成回文。第三题：DFS。每次 DFS 返回一个 cost 和人数，当前点的 cost 、人数分别为由深层DFS返回的 cost 之和、人数之和，在当前非0的点返回前再对 cost 加上 ceil(当前人数/5)。

当死去多年的概率论与数理统计突然开始攻击我，麻了

联想算法工程师一面，具体的解答和面经后续奉上。  最害怕的就是，我其实不是做搜广推/CV/NLP的，却问在这些领域问的很细； 最害怕的还有，我虽然以前学过前后端/计算机网络/操作系统/数据库，但是我现在生疏忘了。

渴望笔/面试是因为这是一次宝贵的机会；害怕笔/面试是因为怕自己把握不住机会。

背景：提前批投了风控算法工程师，之后被另一个部门捞起来面高性能ai平台开发下面分享一下两次面试，共四次面试的面经，希望给大家带来帮助 提前批 风控算法工程师 一面  项目 梯度消失、过拟合的处理方法 经典问题，略。 介绍下 BN 和 LN ，是否知道其他的 Normalization 方法 BN：Batch Norm，每次对batch中的数据按维度进行 Normalization，在训练时使用的是 batch 内数据的分布特征，校验和测试时则是全局的数据分布特征； LN：Layer Norm，每次对单个序列进行 Normalization，训练、校验、测试时操作相同。 其他还有 Instanc...

昨晚  笔试题：第一题：直接将空格replace；第二题：要求O(n)时间、O(1)空间，O(n) 一次遍历找到最大的3个数、最小的2个数，结果为 max(最大3个数乘积，最大数*最小2个数)  ,

字节跳动：2022秋招 多岗位面经 提前批 风控算法工程师 一面   项目   梯度消失、过拟合的处理方法 经典问题，略。   介绍下 BN 和 LN ，是否知道其他的 Normalization 方法 BN：Batch Norm，每次对batch中的数据按维度进行 Normalization，在训练时使用的是 batch 内数据的分布特征，校验和测试时则是全局的数据分布特征； LN：Layer Norm，每次对单个序列进行 Normalization，训练、校验、测试时操作相同。 其他还有 Instance Norm、Group Norm 等，分别在数据的不同方向上进行 Normalizat...

Attention 知识点总结 本文从 Attention 机制的角度，主要对 Attention Is All You Need 中提出的 Transformer 和 Multi Head Attention 模型、其他相关 Attention 机制进行知识点总结。 BERT、GPT、GAT 等相关的上层模型将另行总结。 Additive Attention 基于加权求和实现的注意力机制。 对于所有的候选元素集合 ，计算所有 对目标 的 Attention 分数的主要过程如下： 其中   为 的特征；  为基于 和 计算的分数，用于计算归一化后的 Attention 权重。  注意：这里主要...

同构 GNN 知识点整理   Transductive & Inductive 按照不同应用场景，可以进一步从Transductive和Inductive两个角度对 GNN 模型的学习能力进行评估。  Transductive：推理式学习，指从结构固定的图中学习节点表征的能力，相关的场景/问题有 节点分类、图分类 等； Inductive：归纳式学习，指从结构不固定的图中学习节点表征，并将其推广到新加入的节点的能力，相关的场景/问题有 推荐系统的用户冷启动问题、蛋白质结构与性质预测 等。  相比之下，Inductive的学习是更难、更具有挑战性的，同时也有着广的实际应用场景。  Spe...

RNN知识点整理 Naive RNN 原生 RNN 单元对输入的数据进行简单的线性变换与激活。 对第 t 个时间的单元有：  2 个输入： 、 2 个输出： 、  计算过程 优缺点 优点：计算过程简单 缺点：简单地使用加法进行状态的叠加，存在长期依赖问题  长期依赖问题 对于比较长的数据序列，第 项的输出依赖于前 项，这意味着对第 项：  反向传播时，其相关的参数会累积前 次的梯度，容易导致梯度爆炸或梯度消失。   LSTM 通过使用门控机制（Gate mechanism）对原生 RNN 进行了改进，提高了学习能力。 每对第 个时间的单元有：  3 个输入 、 、 3 个输出 、、  计算过程...

哔哩哔哩：2021 算法岗（实习） 问题   Python列表与元组的区别 元组一旦初始化后，就不可以再改变（无法直接修改元组内对象的指针或者增删元素，但是可以调用内部元素的方法进行操作，如list.append），但是列表没有这些限制。   深浅拷贝的区别 是否会对对象内部的对象递归地拷贝（内部对象指针指向原地址还是新的地址）。   类和对象的区别 类主要定义了方法，可以当做行为的模板；对象是数据的载体，并可以执行类中定义的行为。   装饰器的原理 装饰器本身就是一个接收方法为参数的方法，可以在内部调用被装饰的方法前后执行其他逻辑。   常见的排序算法 冒泡、插入、归并、快排、堆排序、基数排...

格物钛：2021秋招 Python开发岗（偏算法，实习） 视频面。 问题   项目相关。   Python中装饰器的本质。 装饰器的本质是一个接收一个方法为参数的方法，在该方法中定义一个包装后的方法，对被装饰方法执行前、后进行额外的处理。 如： from functools import wraps # define the decorator def f(func): @wraps(func) def g(): print('before') func() print('after') return g @f def func(): print('test') func()  在装饰器f中定...

字符串相乘 - LeetCode 导入依赖 主要依赖的库有：  math：用来进行幂运算。 random：用来生成随机测试用例  import math import random 拆分、填充  默认输入的格式为不固定长度的字符串，如 "123456"。 需要对输入的字符串拆分成长度为 的数字类型列表，如 [1,2,3,4,5,6]。 并对其进行填充，找到 的指数 ，满足 ，如:  时，有 ， 满足 。   使用 0 对列表进行填充后的长度满足: ，如 [1,2,3,4,5,6,0,0,0,0,0,0,0,0,0,0]。  def to_list(num1:str, num2:str) -&g...

Win10 命令行美化笔记 对win10自带的Power Shell进行美化，目标：  不需要单独启动（Fluent Terminal等），能与原生的Power Shell完美契合。 比较美观，符合主流审美，高亮、提示功能友好。原生的Power Shell在处理命令行的参数时字体颜色偏暗。  主要工具  Scoop：windows 系统中的包管理工具，可用于下载 ConEmu。 ConEmu：命令行客户端，可设置为替代原生的Power Shell，符合第一点目标。 oh-my-posh：ConEmu中Power Shell提示的主题功能。 Power Line 字体：用于替换原生命令行的字体，...