1、文本分类特征选择算法卡方检验（Chi-Square Test）：统计特征（词）与类别之间的独立性。卡方值越大，特征与类别的相关性越强。信息增益：衡量特征为分类系统带来多少信息量。信息增益值越大，特征越重要。互信息：衡量特征与类别之间的统计相关性。TF-IDF加权：通过词频（TF）和逆文档频率（IDF）筛选重要特征。高TF-IDF值的词通常为关键特征。2、ReLu替换Tanh的后果ReLu在负区间的梯度为0，可能导致神经元“死亡”​​（Dead ReLU）3、GPT的多种能力文本生成：生成符合语境和逻辑连贯的文本（学术、故事、文章）代码生成：生成可执行的代码片段（脚本、debug、功能实现）对话交互：模拟人类对话，提供个性化交互体验（客服、助手、陪伴）创意内容生成：艺术创作或设计（诗词、图案描述、营销文案）数据与知识生成：结构话信息提取或虚构数据生成（表格生成、虚构数据）多语言生成：跨语言内容生成和翻译（多语言写作）逻辑与推理生成：解决数学问题或逻辑推理任务（解题、策略）4、大模型训练和推理的参数量判断，需要多少显卡。（14B）训练：模型参数（14B）+优化器状态​（如Adam）：每个参数需要存储参数、梯度、动量、二阶动量（共4份 FP32 数据）+梯度：以 FP16 存储 14B + 激活值（Activations）​：与批次大小（Batch Size）、序列长度（Sequence Length）相关，通常占用 ​20%~50% 总显存。 约为14*2+14*4*4+14*2+50=330推理：参数 + KV缓存≈28GB+1GB=29GB（FP16）或14GB（INT8）5、文本、图片、视频的标注方式文本分类、命名实体识别、关系抽取、序列标注、问答标注目标检测、图像分割、关键点识别、图像分类、OCR标注动作识别、目标跟踪、时间序列标注、多模态标注6、常见的数据清洗方式删除缺失记录、填充缺失值、标记缺失值、删除重复行、合并冲突字段、检测异常值、数据格式标准化、标签一致、逻辑一致、文本去噪、平滑技术7、简述残差连接​残差连接（Residual Connection）​ 是一种通过跳跃连接（Shortcut Connection）将输入直接传递到网络深层的技术，从而缓解深层网络的训练难题（如梯度消失、模型退化）、​加速模型训练、增强模型表达能力8、大模型训练的全过程数据准备与预处理数据收集数据清洗分词，编码加载模型迭代训练#牛客AI配图神器#

写在前面:当你的高考分数被钉在三本院校的那一刻起，就注定要打破对大学的传统想象。这不是失败的终点，而是需要更高明生存智慧的起点。在学历贬值的时代，清醒的认知比盲目的努力更重要。内容仅代表我个人观点，一家所言，首先，对于一个学校远不如别人，我们更需要搞清楚，这样的一个学校对于我们的定位应当是如何的？对于一个比较差的学校的我们而言，其实应当思考在学校评价体系下的你真的优秀吗，或许你拿到了国奖，是你们学院的第一名，可天下有无数的学院，你也不过是一个不出名学校中的第一名，那么，你的第一的含金量，真的会被认可吗？这其实是一个需要自我审视的过程。但是抛开大家都在说的刷实习，我想聊点不一样的，至少在我这里认为是很核心的东西——社交。不知对于大部分人是如何的，至少在我这里，我的大学应当是一个平台，给予我社交机会的一个平台，我一直相信着，即使在再差的环境，也一定会有很厉害的人。或是家境优渥而带来的高认知。又或者是技术超群，也可能是社交能力悍匪，从而结识到了很厉害的人。或许因为单一评价体系的教育，最终与我们汇聚在一个相同的地方，但这不能否认他们本身的优秀。因此在我看来，我的大学给我的最大的机遇其实是提供了一个打破信息壁垒的机会，在学校中没有特别明确的圈层隔阂，大家都有一个共同的身份就是学生。因此我们可以比在社会上更容易的和这些优秀的人成为好友。无论是从信息的获取上，又或者是其他的什么，或者说，在我大学的过程中，我唯一能确认为我最正确的选择就是向上社交以及向下兼容。对于最底层的人来说，社交其实是最好的向上跃升，拿到更多信息的最好渠道。独行者勇敢，但是众行者才能走更远。最后，祝大家都可以在一手烂牌里大将一军。#牛客激励计划# #三本# #我偏要在一手烂牌里大将一军# #腾讯暑期#

为什么金融壹账通（成都或上海）只有6k-7k一个月。前几天做中国平安测评后有人专门打电话说明测评过了，问要不要接下来的笔试，而且一个月大概只有6k-7k。中国平安不是很大吗，为什么给的有点少啊？😕😕有无佬解释一下#金融银行求职进展汇总# #金融壹账通# #金融银行求职进展汇总# #中国平安#

现在找的是硬件助理，投了好多都是聊两句就没了，二战失败找工作太难了#硬件# #硬件#