恒生电子调岗

写面积攒人品～第一次面游戏岗，我的经历都是软测方面的，感觉面试官不太了解不知道问什么1.为什么选测试不选开发2.测试流程3.项目拷打4.App怎么测试5.python和java的区别6.常见的集合7.数组优缺点8.常见的排序有哪些？9.快排时间复杂度10.二分查找？为什么比较快？11.游戏经历12.说说常玩的游戏的玩法13.假设游戏以对敌人造成伤害值为排行榜，设计测试用例14.linux进入文件查看日志的命令15.怎么用jmeter进行性能测试？要怎么控制20qps？二面结束更新：挂了，薪资没谈拢，要了12k给不起直接感谢信了base杭州12k也正常吧，属实没想到测试行业的薪资已经沦落到这种地步

参加一个title非常响亮的项目一搞就是一年，跑路秋招都结束了，现在春招可能因为项目方向不完全对得上，投了n家文案策划毫无反应有点想延毕了多找找对应方向实习看看，又看到一些说延毕等于杀过人的有没有过来人说说的#牛客AI配图神器#

微调（Fine-tuning）是机器学习中一种迁移学习技术，指在预训练模型（如BERT、GPT、ResNet等）的基础上，通过少量特定领域或任务的数据进一步调整模型参数，使其适应新任务。其核心思想是利用预训练模型的通用知识（如语言理解或图像特征提取能力），通过针对性训练提升模型在特定任务上的性能。微调的核心作用1. 节省资源：无需从头训练，减少计算成本。2. 提升性能：预训练模型已学习通用特征，微调能快速适应新任务。3. 小数据友好：适合数据量有限的任务。微调的主要方式1. 全参数微调（Full Fine-tuning）- 方法：解冻预训练模型的所有参数，用新数据更新全部权重。- 适用场景：数据量充足，任务与预训练任务差异较大。- 缺点：计算成本高，可能过拟合小数据集。2. 部分参数微调（Partial Fine-tuning）- 方法：冻结部分层（如底层），仅更新顶层参数。- 冻结策略：预训练模型的底层通常学习通用特征（如语法、低级视觉特征），可冻结；顶层更接近任务，需调整。- 适用场景：数据量较少，任务与预训练任务相似。- 示例：冻结ResNet的前几层，仅微调最后几层用于医学图像分类。 #产品经理#  #牛客激励计划#  #数据人的面试交流地#  #聊聊我眼中的AI#  #面试时最害怕被问到的问题# #牛客AI配图神器#