面经题库第 13 页

GAN 的训练要注意什么？

GAN 训练要重点关注生成器和判别器的平衡、模式崩溃、梯度不稳定、损失解释困难和样本质量评估，不能只看 loss 是否下降。

同题还出现在 1 个公司岗位

如何避免给用户重复推荐已看过的视频？

避免重复推荐已看过视频，要把曝光、播放、完播和负反馈记录接入召回、排序和重排链路，并处理跨设备、相似内容和时间窗口。

模型训练不收敛时怎么办？

模型训练不收敛要按数据、标签、特征、损失、优化器、学习率、初始化和梯度状态逐层排查，先定位现象再改参数。

是否遇到过大模型定位错误代码的幻觉问题？

大模型定位错误代码的幻觉通常来自上下文不完整、检索错误、调用链理解偏差或模型过度生成，需要用证据约束、引用校验和工具闭环来控制。

堆栈分析到代码定位链路中，大模型调用应采用单轮还是多轮？

堆栈分析到代码定位适合采用受控多轮流程：单轮适合简单摘要，多轮适合逐步检索、验证和收敛，但必须限制步骤和工具输出。

遗传算法优化和梯度下降优化有什么区别？

遗传算法和梯度下降的区别在于优化信息、搜索方式和适用问题不同：前者是群体式全局启发搜索，后者依赖梯度做连续参数局部迭代。

只能买卖一次时，如何计算股票最大收益？

一次买卖股票最大收益的核心是维护历史最低买入价，并在每一天尝试把当天价格作为卖出价更新最大利润。

计算机视觉模型与 ChatGPT 这类大模型的网络有什么区别？

计算机视觉模型和 ChatGPT 类大模型的差异主要在输入形态、主干结构、训练目标、上下文建模方式和推理生成范式。

给定整数数组，如何求和为 m 且长度最短的子数组长度？

求和为 m 的最短连续子数组要先确认数组元素是否都为正，正数数组可用滑动窗口，含负数时要改用前缀和和哈希结构。

如何求字符串的最长重复子串长度？

最长重复子串可以从暴力比较、后缀数组、后缀自动机或二分长度加哈希回答，面试中重点讲清重复子串和复杂度取舍。

如何实现洗牌算法？

公平洗牌应使用 Fisher-Yates 算法，从后往前随机选择一个未固定位置交换，保证每种排列出现概率相同。

哈希冲突中，伪随机开放地址法如何插入和查找元素？

伪随机开放地址法用同一个哈希表数组解决冲突，通过可复现的探测序列寻找空位或目标元素，关键是插入和查找使用相同序列。

SMOTE 数据扩增算法的原理是什么？

SMOTE 是处理类别不平衡的过采样方法，它在少数类样本和近邻之间插值生成新样本，而不是简单复制少数类样本。

常见的加解密算法有哪些？

常见加解密算法要按对称加密、非对称加密、哈希摘要、消息认证和签名分类回答，并说明它们解决的问题不同。

Dijkstra 算法和 Prim 算法有什么区别？

Dijkstra 求单源最短路径，Prim 求最小生成树；两者都可用贪心和优先队列，但目标、状态含义和边权约束不同。

如何用 DP 解决高楼扔鸡蛋问题？

高楼扔鸡蛋问题可以用动态规划刻画鸡蛋数、楼层数和最坏次数，核心是在每个测试楼层上平衡碎和不碎两种结果。

重采样和欠采样会带来什么问题？

重采样和欠采样能缓解类别不平衡，但会改变训练分布，引入信息损失、过拟合、概率校准偏差和评估口径问题。

模型训练后需要保存哪些参数？

模型训练后的保存内容不只是权重文件，还包括结构、预处理、特征配置、归一化统计、优化器状态、版本信息和评估元数据。

如何用链表实现两个大数字相加？

链表大数相加要逐位处理两个链表和进位，核心是对齐位序、维护 carry，并在末尾补上最后的进位节点。

如何实现 str2num，将字符串转换为整数或浮点数？

str2num 的重点是把符号、前导零、整数部分、小数部分、非法字符和溢出规则定义清楚，再用状态机或分段扫描实现。

为什么 SVM 有效，如何推导其原理？

SVM 有效的核心是最大间隔思想、结构风险最小化和核技巧；推导时从几何间隔、约束优化、拉格朗日对偶和支持向量讲起。

如何在给定字符串中输出出现频率最高的字母？

字符串最高频字母题的核心是一次遍历统计频次，再按题目规则处理并列、大小写、非字母字符和字符集范围。

分类问题常用的评价指标有哪些？

分类指标不是一串名词，而是一套围绕混淆矩阵、阈值、样本分布、排序质量、概率校准和业务损失的评价体系。

多模态模型中的模态对齐方法有哪些？

多模态对齐方法包括对比学习、投影到共享空间、跨注意力融合、指令微调、图文匹配损失和细粒度 token/patch 对齐。

树的遍历方式有哪些，分别如何实现？

树的遍历要区分深度优先和广度优先，二叉树常见前序、中序、后序，通用树还包括层序和递归/迭代两类实现。

如何反转单链表？

反转单链表的标准做法是迭代维护 prev、curr、next 三个指针，逐个改变 next 指向，最后返回 prev。

LSTM 的输入门、遗忘门和输出门是如何工作的？

LSTM 用遗忘门、输入门和输出门控制细胞状态的保留、写入和暴露，从而缓解普通 RNN 的长期依赖和梯度衰减问题。

同题还出现在 1 个公司岗位

决策树做分类和回归时有什么区别？

决策树做分类和回归时有什么区别？这道腾讯牛客题的关键是围绕“决策树分类与回归”讲清概念、机制、取舍和边界。分类树面向离散类别，常用信息增益、信息增益率或 Gini 指数选择划分；回归树面向连续值，常用平方误差、方差下降或 MAE 类目标选择切分。两者树结构相似，但叶子输出、损失度量和评估指标不同。

推荐系统中如何解决冷启动问题？

推荐系统中如何解决冷启动问题？这道腾讯牛客题的关键是围绕“推荐系统冷启动”讲清概念、机制、取舍和边界。推荐系统冷启动要先区分用户冷启动、物品冷启动和系统冷启动。用户没有行为时依赖注册画像、地理位置、设备、兴趣选择和热门兜底；物品没有交互时依赖内容特征、类目、文本/图像 embedding 和小流量探索；系统冷启动则要先靠规则、运营种子数据和快速反馈闭环建立初始样本。

GBDT 中的梯度提升如何理解？

GBDT 中的梯度提升如何理解？这道腾讯牛客题的关键是围绕“GBDT 梯度提升机制”讲清概念、机制、取舍和边界。GBDT 的梯度提升可以理解为在函数空间做梯度下降：当前模型 F_{m-1} 已经给出预测后，下一棵 CART 回归树 h_m 去拟合损失函数对当前预测的负梯度，也就是伪残差，最后按 F_m=F_{m-1}+eta*h_m 逐轮加到模型里。

样本类别不平衡应该如何处理？

样本类别不平衡应该如何处理？这道腾讯牛客题的关键是围绕“类别不平衡处理”讲清概念、机制、取舍和边界。类别不平衡处理要先判断业务目标是提高少数类召回、控制误报成本还是校准概率。常用方法包括重采样、类别权重、阈值调整、难例挖掘、合成样本和使用更合适的评估指标。

高维稀疏特征为什么不适合直接用神经网络训练？

高维稀疏特征为什么不适合直接用神经网络训练？这道腾讯牛客题的关键是围绕“高维稀疏特征直接训练神经网络的风险”讲清概念、机制、取舍和边界。高维稀疏特征如果直接 one-hot 输入神经网络，会带来参数巨大、有效梯度稀疏、长尾类别训练不足、过拟合和线上存储/延迟成本。工程上通常先做 embedding、特征哈希、频次截断、交叉特征或用适合稀疏输入的线性/树模型做基线。

最大连续子数组和如何求解？

最大连续子数组和如何求解？这道腾讯牛客题的关键是围绕“最大连续子数组和 Kadane 动态规划”讲清概念、机制、取舍和边界。最大连续子数组和常用 Kadane 算法。定义 current 表示以当前位置结尾的最大连续和，best 表示全局最大值；遍历每个数时，current = max(x, current + x)，再更新 best = max(best, current)。

模型过拟合应该如何处理？

模型过拟合应该如何处理？这道腾讯牛客题的关键是围绕“模型过拟合治理”讲清概念、机制、取舍和边界。过拟合是模型在训练集表现好、验证或线上表现差，说明模型记住了训练噪声、泄漏或过细模式。处理要先看训练/验证曲线，再定位容量、数据、正则和评估泄漏。

BatchNorm 和 LayerNorm 有什么区别？

BatchNorm 和 LayerNorm 有什么区别？这道腾讯牛客题的关键是围绕“BatchNorm 与 LayerNorm 的统计维度”讲清概念、机制、取舍和边界。BatchNorm 和 LayerNorm 都是归一化手段，但核心差异在统计维度。BN 通常沿 batch 维度统计某个通道或特征的均值方差，训练时还维护 moving average；LN 在单个样本内部沿 hidden dimension 归一化，不依赖同一个 batch 里的其他样本。

音频包络如何计算？

音频包络如何计算？这道腾讯牛客题的关键是围绕“音频包络计算”讲清概念、机制、取舍和边界。音频包络描述的是声音幅度随时间变化的外轮廓，常用于响度变化、起音检测和节奏特征。常见做法是先把波形取绝对值、平方能量或 Hilbert 变换得到瞬时幅度，再用滑动窗口、RMS 或低通滤波做平滑。

MFCC 特征如何计算，是否可逆？

MFCC 特征如何计算，是否可逆？这道腾讯牛客题的关键是围绕“MFCC 特征计算与不可逆性”讲清概念、机制、取舍和边界。MFCC 是把语音短时频谱映射到符合人耳感知的倒谱特征。典型流程是预加重、分帧、加窗、FFT、Mel 滤波器组、取 log 能量、DCT，最后保留前若干维系数。

DDSP 模型的核心思想是什么？

DDSP 模型的核心思想是什么？这道腾讯牛客题的关键是围绕“DDSP 可微数字信号处理”讲清概念、机制、取舍和边界。DDSP 的核心是把传统数字信号处理模块做成可微分组件，让神经网络预测可解释的合成参数，再通过谐波合成器、噪声合成器和滤波器生成音频。它不是普通 representation learning，而是把声学先验嵌入神经生成模型。

决策树如何生成和剪枝？

决策树如何生成和剪枝？这道腾讯牛客题的关键是围绕“决策树生成与剪枝”讲清概念、机制、取舍和边界。决策树生成是递归选择最优特征和切分点，让子节点更纯或误差更小。ID3 常用信息增益，C4.5 用信息增益率，CART 分类用 Gini 指数、回归用平方误差下降。

XGBoost 和 GBDT 有什么区别？

XGBoost 和 GBDT 有什么区别？这道腾讯牛客题的关键是围绕“XGBoost 与 GBDT 差异”讲清概念、机制、取舍和边界。GBDT 是梯度提升树的一般框架，每轮用新树拟合当前损失的负梯度；XGBoost 是工程化增强实现，在目标函数中加入正则项，并用二阶泰勒展开近似损失。

L1 正则化和 L2 正则化有什么区别？

L1 正则化和 L2 正则化有什么区别？这道腾讯牛客题的关键是围绕“L1 与 L2 正则化差异”讲清概念、机制、取舍和边界。L1 正则在损失中加入参数绝对值和，倾向于把部分权重压到 0，产生稀疏特征选择；L2 正则加入参数平方和，倾向于均匀缩小权重，降低模型复杂度和过拟合。

词向量如何生成，常见训练方法有哪些？

词向量如何生成，常见训练方法有哪些？这道腾讯牛客题的关键是围绕“词向量生成方法”讲清概念、机制、取舍和边界。词向量是把离散词映射到稠密向量，使语义或上下文相似的词在向量空间里更接近。常见训练方法包括 Word2Vec 的 CBOW/Skip-gram、负采样或层次 softmax、GloVe 的全局共现矩阵分解，以及 FastText 的子词建模。

随机森林和 XGBoost 有什么区别？

随机森林和 XGBoost 有什么区别？这道腾讯牛客题的关键是围绕“随机森林与 XGBoost 对比”讲清概念、机制、取舍和边界。随机森林是 bagging 思路，多棵树相互独立训练，通过样本和特征随机化降低方差；XGBoost 是 boosting 思路，树按顺序训练，每一棵修正前一轮模型的误差或负梯度。

常见降维方法有哪些？

常见降维方法有哪些？这道腾讯牛客题的关键是围绕“常见降维方法与选择”讲清概念、机制、取舍和边界。降维方法可以按线性/非线性、监督/无监督、可解释/可视化来组织。常见方法包括 PCA、SVD、LDA、t-SNE、UMAP、AutoEncoder，以及特征选择类方法。

机器学习中常见采样方法有哪些？

机器学习中常见采样方法有哪些？这道腾讯牛客题的关键是围绕“机器学习常见采样方法”讲清概念、机制、取舍和边界。机器学习采样方法要按解决的问题分类：划分数据用随机采样、分层采样和时间切分；处理类别不平衡用过采样、欠采样、SMOTE 和类别权重；训练集成模型常用 bootstrap；推荐和语言模型里常见负采样。

逻辑回归为什么常用交叉熵损失而不是 MSE？

逻辑回归为什么常用交叉熵损失而不是 MSE？这道腾讯牛客题的关键是围绕“逻辑回归损失函数选择”讲清概念、机制、取舍和边界。逻辑回归常用交叉熵而不是 MSE，是因为二分类标签服从 Bernoulli 分布，交叉熵对应负对数似然；配合 sigmoid 后优化目标更自然，梯度形态也更适合概率分类。

Go 协程和线程有什么区别？

Go 协程和线程有什么区别？这道腾讯牛客题的关键是围绕“进程、线程与 Go 协程差异”讲清概念、机制、取舍和边界。进程是资源隔离单位，线程是内核调度实体，Go 协程 goroutine 是由 Go runtime 管理的轻量用户态执行单元。goroutine 不是 OS 线程，而是通过 GMP 调度模型以 M:N 方式复用到少量内核线程上运行。

K-means 聚类算法的流程是什么？

K-means 聚类算法的流程是什么？这道腾讯牛客题的关键是围绕“K-means 聚类流程”讲清概念、机制、取舍和边界。K-means 的流程是先选择 K 个初始中心，然后反复执行样本分配和中心更新：把每个样本分到最近中心所在簇，再用簇内样本均值更新中心，直到中心变化很小或达到迭代上限。