字节多模态实习能学到东西吗

如题，只面了25min，算上了一个反问问题的时间，没有手撕，感觉是寄了

嵌入式端的神经网络算法部署和实现 介绍关于 ARM NN、CMSIS NN 和 K210 等嵌入式端的神经网络算法的部署和实现。神经网络的调教（训练）还是在 PC 端，神经网络参数训练好之后，在嵌入式端进行部署（本文的中心），经过在嵌入式端部署进去的神经网络算法对给定数据进行计算从而得出结果，实现算法的嵌入式端部署和运行，这么一个过程。 嵌入式 AI 概念： 更多参考 如何将训练好的神经网络部署到嵌入式芯片上，如arduino和树莓派等？ - 知乎 (zhihu.com)。 本文提及的 开源库 和 资料 均放在了 Github/Gitee 仓库内。 目录 @[toc] 微控制器 MCU 端...

#算法实习##本科实习##多模态大模型##大模型#本人985软件工程本科，目前刚刚结束保研，保研到了top2，之前有做过一些多模态方面的工作（从0实现一个tiny llava），想问一下本科生想找LLM/多模态大模型（更偏向多模态大模型）的实习岗难吗，另外，是否按照blip->clip->llava->internvl->QwenVL...等流程准备多模态大模型的面试，感谢各位学长姐和大神解答！

1. 为什么需要做特征归一化、标准化？前述Feature scaling，常见的提法有“特征归一化”、“标准化”，是数据预处理中的重要技术，有时甚至决定了算法能不能work以及work得好不好。谈到feature scaling的必要性，最常用的2个例子可能是：特征间的单位（尺度）可能不同，比如身高和体重，比如摄氏度和华氏度，比如房屋面积和房间数，一个特征的变化范围可能是[1000, 10000]，另一个特征的变化范围可能是[−0.1,0.2]，在进行距离有关的计算时，单位的不同会导致计算结果的不同，尺度大的特征会起决定性作用，而尺度小的特征其作用可能会被忽略，为了消除特征间单位和尺度差异的影...