【招联消费金融股份】有限公司2024年5月18日【算法开发岗暑期实习】一面试经验分享

news2024/11/25 0:42:35

招联消费金融股份有限公司2024年5月18日面试经验分享

面试流程：共30多分钟，先3分钟自我介绍，然后细细介绍简历上面的论文和实习信息。
- 问题1：扩散模型的noise schedule有什么研究。
- 问题2：有哪些常见的数学分布
- 问题3：用过哪些优化器，详细介绍一下特点和策越，为什么好？
- 问题4：详细介绍LORA，对于不同秩的对比实验设置有没有了解，优势是什么，如何初始化的？
- 问题5：介绍minhash算法的实现
- 问题6：特征提取器用过哪些，介绍一下。
- 问题7：transformer介绍一下架构，QKV机制。
- 问题8：python与c++的源层面上的不同，比如python的GIL，深拷贝和浅拷贝。python是静态语言还是动态语言，pytorch的神经网络是静态图还是动态图。
- 问题9：c++的拷贝构造函数是在什么时候调用的
- 问题10：对于传统的机器学习方法有没有了解，决策树和聚类(k-means)，介绍k-means的特点，类别数量是模型学习的还是人为定义的？每个类里面是假设符合什么分布？
- 问题11：介绍强化学习DP，蒙特卡洛法和dt算法。
- 问题12：线性代数，介绍特征值和特征向量。
- 问题13：介绍P-Tunig和P-Tuningv2
- 问题14：介绍ChatGLM、LLAMA。

面试流程：共30多分钟，先3分钟自我介绍，然后细细介绍简历上面的论文和实习信息。

问题1：扩散模型的noise schedule有什么研究。

从0.0001到0.02有linear，cosine，sqrt_linear，sqrt

def make_beta_schedule(schedule, n_timestep, linear_start=1e-4, linear_end=2e-2, cosine_s=8e-3):
    if schedule == "linear":
        betas = (
                torch.linspace(linear_start ** 0.5, linear_end ** 0.5, n_timestep, dtype=torch.float64) ** 2
        )

    elif schedule == "cosine":
        timesteps = (
                torch.arange(n_timestep + 1, dtype=torch.float64) / n_timestep + cosine_s
        )
        alphas = timesteps / (1 + cosine_s) * np.pi / 2
        alphas = torch.cos(alphas).pow(2)
        alphas = alphas / alphas[0]
        betas = 1 - alphas[1:] / alphas[:-1]
        betas = np.clip(betas, a_min=0, a_max=0.999)

    elif schedule == "sqrt_linear":
        betas = torch.linspace(linear_start, linear_end, n_timestep, dtype=torch.float64)
    elif schedule == "sqrt":
        betas = torch.linspace(linear_start, linear_end, n_timestep, dtype=torch.float64) ** 0.5
    else:
        raise ValueError(f"schedule '{schedule}' unknown.")
    return betas.numpy()

问题2：有哪些常见的数学分布

'离散分布'
	二项分布 (Binomial Distribution)

用途: 用于描述在n次独立试验中成功的次数，每次试验成功的概率为p。
参数: n（试验次数），p（成功的概率）。
例子: 抛硬币n次，统计正面朝上的次数。

	泊松分布 (Poisson Distribution)

用途: 用于描述在固定时间或空间内某事件发生的次数。
参数: λ（单位时间或空间内事件的平均发生率）。
例子: 每小时顾客到达商店的次数。

	几何分布 (Geometric Distribution)

用途: 用于描述第一次成功之前需要的失败次数。
参数: p（每次试验成功的概率）。
例子: 抛硬币直到第一次出现正面。

'连续分布'
	正态分布 (Normal Distribution)

用途: 用于描述许多自然现象和测量数据。
参数: μ（均值），σ²（方差）。
例子: 人的身高、考试成绩等。

	指数分布 (Exponential Distribution)

用途: 用于描述时间间隔或寿命。
参数: λ（事件发生的速率）。
例子: 机器的故障时间。

	均匀分布 (Uniform Distribution)

用途: 用于描述在一定范围内每个值都有相同概率的情况。
参数: a（最小值），b（最大值）。
例子: 随机生成的密码。

	卡方分布 (Chi-Square Distribution)

用途: 用于检验样本方差和假设方差的差异。
参数: k（自由度）。
例子: 假设检验中的卡方检验。
	
	t分布 (Student's t-Distribution)

用途: 用于小样本的均值推断和假设检验。
参数: ν（自由度）。
例子: 小样本的均值检验。

'其他分布'

	贝塔分布 (Beta Distribution)

用途: 用于描述概率的分布。
参数: α和β（形状参数）。
例子: 用于贝叶斯统计中的先验分布。

	伽玛分布 (Gamma Distribution)

用途: 用于描述等待时间。
参数: k（形状参数），θ（尺度参数）。
例子: 处理时间、服务时间分布。

问题3：用过哪些优化器，详细介绍一下特点和策越，为什么好？

在这里插入图片描述

Adam及其变种：结合动量和自适应学习率，快速稳定收敛，适用于大多数深度学习任务。

AdamW 是 Adam 优化器的改进版本，旨在解决 Adam 优化器在某些情况下会导致权重衰减（weight decay）效果不佳的问题。AdamW 是由 Ilya Loshchilov 和 Frank Hutter 提出的，并在他们的论文《Decoupled Weight Decay Regularization》中详细介绍。
在这里插入图片描述

AdamW 是一种改进的 Adam 优化器，通过将权重衰减与梯度更新分离，提供了更好的正则化效果和更快的收敛速度。它在许多深度学习任务中表现优异，是现代深度学习中常用的优化器之一。

问题4：详细介绍LORA，对于不同秩的对比实验设置有没有了解，优势是什么，如何初始化的？

在这里插入图片描述

问题5：介绍minhash算法的实现

在这里插入图片描述

问题6：特征提取器用过哪些，介绍一下。

很多，比如人脸身份信息的特征提取器，Arcface, Cosface, blendface等等。GAN和VQVAE的图像编码器等Autoencoders。
Word2Vec
PCA
SIFT（尺度不变特征变换）（Scale-Invariant Feature Transform）
TF-IDF（Term Frequency-Inverse Document Frequency）（词频-逆文档频率）

问题7：transformer介绍一下架构，QKV机制。

在这里插入图片描述

问题8：python与c++的源层面上的不同，比如python的GIL，深拷贝和浅拷贝。python是静态语言还是动态语言，pytorch的神经网络是静态图还是动态图。

在这里插入图片描述

问题9：c++的拷贝构造函数是在什么时候调用的

在这里插入图片描述

问题10：对于传统的机器学习方法有没有了解，决策树和聚类(k-means)，介绍k-means的特点，类别数量是模型学习的还是人为定义的？每个类里面是假设符合什么分布？

在这里插入图片描述

下面是 K-Means 算法的伪代码表示：

输入：数据集 X，簇数量 K
输出：簇分配结果（cluster_assignment），簇中心（centroids）

1. 初始化簇中心 centroids
2. 迭代优化：
   重复执行以下步骤，直到满足停止条件：
   a. 簇分配：
      对每个数据点 x 属于 X：
         计算 x 与所有 centroids 的距离，选择最近的簇中心所属的簇作为 x 的簇分配结果 cluster_assignment[x]
   b. 簇中心更新：
      对每个簇 c 属于 K：
         计算 c 中所有数据点的均值向量作为新的簇中心 centroids[c]

停止条件：
- 达到最大迭代次数
- 簇中心不再变化（收敛）
- 其他停止条件