梳理一下秋招经历

1. 明确优化目标   - 任务定义：明确模型需要优化的具体任务（如文本生成、分类、问答等）。   - 性能指标：确定评估模型效果的指标（如准确率、F1分数、BLEU、ROUGE等）。   - 数据需求：根据任务目标，准备高质量的监督数据。2. 准备高质量监督数据   - 数据质量：确保标注数据准确、一致且覆盖任务场景。   - 数据多样性：覆盖任务中的多种情况，避免模型过拟合。   - 数据规模：根据任务复杂度，准备足够数量的样本（通常数千到数百万条）。   - 数据格式：将数据整理为模型输入输出对（如 (input, target)）。3. 模型初始化   - 选择预训练模型：根据任务选择合适的预训练模型（如 GPT、BERT 等）。   - 冻结部分参数：对于小规模数据集，可以冻结部分底层参数，只微调顶层参数。   - 学习率设置：使用较低的学习率（如 1e-5 到 1e-4），避免破坏预训练模型的知识。4. 微调过程   - 损失函数：根据任务选择合适的损失函数（如交叉熵损失用于分类任务）。   - 批量训练：使用合适的批量大小（batch size），平衡训练速度和稳定性。   - 正则化：通过 dropout、权重衰减等方法防止过拟合。   - 早停策略：监控验证集性能，避免过拟合。5. 评估与迭代   - 验证集评估：在独立的验证集上评估模型性能。   - 错误分析：分析模型错误案例，针对性补充数据或调整训练策略。   - 多轮微调：根据评估结果，进行多轮迭代优化。6. 高级优化策略   - 任务特定提示（Prompt Tuning）：设计更好的输入提示（prompt），引导模型生成更准确的输出。   - 数据增强：通过数据增强技术（如同义词替换、回译等）扩充训练数据。   - 混合训练：结合无监督学习和有监督学习，提升模型泛化能力。   - 领域适应：如果任务涉及特定领域，可以使用领域内数据进行进一步微调。7. 部署与监控   - 模型压缩：通过量化、剪枝等技术降低模型推理成本。   - 持续学习：在实际应用中收集新数据，定期更新模型。   - 性能监控：监控模型在实际场景中的表现，及时发现和修复问题。#牛客AI配图神器#  #产品经理#  #Ai产品经理#  #面试#  #聊聊我眼中的AI#  #AI了，我在打一种很新的工#

得物java一面面经#得物校招求职汇总# 8.30投递，9.7一面，时间卡得很严，30～40min应该算是秋招的第一面了感觉面试官比较友善，会引导回答，整体问题都是和实习的项目有关，相关八股也是从实习经历引申出来的就是感觉时间很紧迫，想给实习内容铺垫一下前因后果，结果被提示时间有限，直接讲重点就行基础1、手撕：合并两个有序链表，时间与空间复杂度（口述）2、Java中的设计模式，至少四个（工厂模式和策略模式差异，为什么要用策略模式）3、说说Spring中的AOP实习项目 + 穿插八股1、在实习期间，最有挑战性的事情？担任的是什么角色？ 遇到什么问题？怎么解决？2、...

答的很一般但是代码确实写得很快，我是java选手但最后问了两道python的题目也答得不好。总之许愿能过吧后续：已oc

要去得物做大模型应用了，想问问各位有什么看法。面试只有一面，二十多分钟，也没手撕。而且感觉300/d在上海很艰难呀#牛客AI配图神器#