1. 实际训练模型时往往是以mini-batch的形式向网络中输送数据。但如果不考虑内存以及计算速度的问题，一次性把所有训练数据都送入到网络并计算loss的方式可行吗？
2. 如何抑制过拟合？
3. 介绍下L1、L2正则
4. 介绍下dropout，为何dropout能够抑制过拟合？
5. 介绍下BatchNorm。BN在训练和测试阶段各有什么不同？记录全局均值和方差时如果单纯进行算数平均可行吗？
6. 对于BN，如果不在训练过程中记录全局均值和方差，而是在训练完成后统一将全部训练样本依次输入网络，一次性得到全局均值和方差，这种方法可行吗？
7. 给定一个大小为（N、C、H、W）的tensor，则BN在计算其单个batch的均值和方差时是按照哪个维度进行的？
8. 如果将C、H、W所在的特征维度全部用于独立计算均值和方差可行吗？会出现什么问题？
9. 介绍下pytorch里的dataset、dataloader、sampler
10. 在复现paper时，可能需要将tf代码转换为torch。如果指标发生了劣化，如何定位、排查问题？
11. 介绍一个最能体现你个人学习能力的经历
12. 反问。

8.3 二面 1h

1. 自我介绍
2. 介绍文章内容，和面试官探讨了很多算法思路及其衍生问题，泛用性不强所以就不展开介绍了
3. 样本不均衡该如何处理？
4. 常用的聚类方法都有哪些？
5. 编程题：实现一个 k-means 算法

8.10 三面 40min

1. 介绍文章内容
2. 介绍专利内容
3. 是否了解混合高斯模型？
4. 常见的降维方法都有哪些？
5. 聊聊小样本领域的一些研究进展
6. 反问

9.3 HR面 15min

1. 自我介绍
2. 实习期间的收获有哪些
3. offer情况
4. 如何选择offer
5. 可接受的工作地点有哪些
6. 反问