商湯智能座艙一面(社招)面試題7道|含解析
12本七月在線內(nèi)部電子書在文末，自取~
公眾號(hào)福利
??回復(fù)【100題】領(lǐng)取《名企AI面試100題》PDF
??回復(fù)【干貨資料】領(lǐng)取NLP、CV、ML等AI方向干貨資料
問題1、Transformer結(jié)構(gòu)和LSTM的區(qū)別和優(yōu)勢(shì)，Transformer怎么體現(xiàn)時(shí)序信息
區(qū)別：
- Transformer是基于注意力機(jī)制（self-attention）的模型，通過同時(shí)處理整個(gè)序列的信息，而LSTM（長短時(shí)記憶網(wǎng)絡(luò)）則是基于遞歸的循環(huán)神經(jīng)網(wǎng)絡(luò)。
- LSTM依賴于序列上的遞歸計(jì)算，而Transformer使用注意力機(jī)制進(jìn)行全局性的關(guān)聯(lián)。
優(yōu)勢(shì)：
- Transformer并行計(jì)算更有效，因?yàn)槊總€(gè)位置的計(jì)算獨(dú)立于其他位置，而LSTM需要按順序計(jì)算。
- Transformer更易于訓(xùn)練，不容易出現(xiàn)梯度消失或爆炸的問題。
- Transformer能夠?qū)W習(xí)長距離依賴關(guān)系，而LSTM的這個(gè)能力在序列很長時(shí)受到限制。
時(shí)序信息：
- Transformer通過引入位置編碼（Positional Encoding）來處理時(shí)序信息。這是通過為輸入序列的每個(gè)位置添加一個(gè)特定的向量表示其在序列中的位置，從而使模型能夠感知到輸入的時(shí)序結(jié)構(gòu)。
Encoder：
- 輸入：序列的嵌入表示或者經(jīng)過了位置編碼的輸入。
- 輸出：對(duì)輸入序列的編碼表示。
- 結(jié)構(gòu)：多頭自注意力層（Multi-Head Self-Attention）和前饋神經(jīng)網(wǎng)絡(luò)層（Feedforward Neural Network）的堆疊。
Decoder：
- 輸入：編碼器的輸出以及目標(biāo)序列的嵌入表示。
- 輸出：對(duì)目標(biāo)序列的解碼表示。
- 結(jié)構(gòu)：多頭自注意力層、多頭編碼-解碼注意力層（Multi-Head Encoder-Decoder Attention）和前饋神經(jīng)網(wǎng)絡(luò)層的堆疊。
- BERT（Bidirectional Encoder Representations from Transformers）是一種預(yù)訓(xùn)練的自然語言處理模型，基于Transformer架構(gòu)。
- BERT的核心思想是通過在大規(guī)模語料庫上進(jìn)行無監(jiān)督訓(xùn)練，從而學(xué)習(xí)豐富的語言表示。
- BERT采用雙向（bidirectional）的注意力機(jī)制，能夠更好地理解上下文信息。
- 在預(yù)訓(xùn)練之后，BERT可以通過微調(diào)應(yīng)用于各種下游任務(wù)，如文本分類、命名實(shí)體識(shí)別等。
作用：
- BatchNorm（批歸一化）：在訓(xùn)練時(shí)通過歸一化每個(gè)小批次的輸入，加速訓(xùn)練并有正則化效果。
- LayerNorm（層歸一化）：在每個(gè)層的輸入上進(jìn)行歸一化，通常應(yīng)用于逐層的歸一化處理。
區(qū)別：
- BatchNorm：對(duì)每個(gè)批次的數(shù)據(jù)進(jìn)行歸一化，考慮了批次內(nèi)的樣本間關(guān)系。
- LayerNorm：對(duì)每個(gè)樣本的所有特征進(jìn)行歸一化，獨(dú)立于批次。
- BatchNorm適用于全連接和卷積層，而LayerNorm更適用于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer等序列模型。
原因：
- BatchNorm：在圖像處理中，數(shù)據(jù)通常以批次的形式輸入，BatchNorm可以充分利用批次內(nèi)的數(shù)據(jù)分布進(jìn)行歸一化，有助于訓(xùn)練深層的視覺模型。
- LayerNorm：在自然語言處理中，序列數(shù)據(jù)（如語言）的長度可能會(huì)變化，而LayerNorm獨(dú)立于批次，更適用于處理變長序列，保持對(duì)每個(gè)樣本的歸一化一致性。
解題思路：
盡可能到達(dá)最遠(yuǎn)位置（貪心）。
如果能到達(dá)某個(gè)位置，那一定能到達(dá)它前面的所有位置。
方法：
初始化最遠(yuǎn)位置為 0，然后遍歷數(shù)組，如果當(dāng)前位置能到達(dá)，并且當(dāng)前位置+跳數(shù)>最遠(yuǎn)位置，就更新最遠(yuǎn)位置。最后比較最遠(yuǎn)位置和數(shù)組長度。
時(shí)間復(fù)雜度 O(n)，空間復(fù)雜度 O(1)。
代碼：
問題7、編程題：跳躍游戲2（leetcode45） 思路： 從前往后先找如果到達(dá)最后一步，那么前一步最早能落在那里，找到前一步后，再把該步的下標(biāo)當(dāng)作目標(biāo)，直到目標(biāo)下標(biāo)為0。 代碼：class Solution:def canJump(self, nums) :max_i = 0 #初始化當(dāng)前能到達(dá)最遠(yuǎn)的位置for i, jump in enumerate(nums): #i為當(dāng)前位置，jump是當(dāng)前位置的跳數(shù)if max_i>=i and i+jump>max_i: #如果當(dāng)前位置能到達(dá)，并且當(dāng)前位置+跳數(shù)>最遠(yuǎn)位置max_i = i+jump #更新最遠(yuǎn)能到達(dá)位置return max_i>=i
class Solution:def jump(self, nums: List[int]) -> int:n = len(nums)aim = nt = 0while aim > 1:for i in range(aim):if i + nums[i] >= aim-1:aim = i +1t += 1breakreturn t
免費(fèi)送
↓以下12本書電子版免費(fèi)領(lǐng)，直接送↓
掃碼回復(fù)【999】免費(fèi)領(lǐng)12本電子書
（或 找七月在線其他老師領(lǐng)取 ）
點(diǎn)擊“ 閱讀原文 ”搶寵粉 福利 ~
評(píng)論
圖片
表情