无语死我了 当成感觉被审视了🙃好想去死一死 当时是怎么做的竟然一点也写不出来了真的想鼠 当时是怎么做的啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊不想活了

问实习之后转正的问题回答的比较模糊。。而且不止一家公司这样。。。。如果去的话可不可以要求先签三方或者什么东西的呢？要是实习被开了岂不是很尴尬？。。。我晕，不是秋招的嘛怎么都让我去实习。。。

CNN和TRANSFORMER有什么区别卷积核为什么是3*3而不是2*2的项目的代码，具体分工什么是过拟合，怎么解决过拟合   不平衡数据怎么处理凉的一匹，主要是对做的比赛不够熟悉

1.BN和LN的区别2.什么情况下会发生梯度爆炸，如何解决（我们初始化的w是很大的数，w大到乘以激活函数的导数都大于1，那么连乘后，可能会导致求导的结果很大，形成梯度爆炸。 梯度截断：首先设置梯度阈值：clip_gradient，在后向传播中求出各参数的梯度，不直接用梯度进行参数更新，求梯度的L2范数，然后比较范数||g||与clip_gradient的大小，如果范数大，求缩放因子clip_gradient/||g||，由缩放因子可以看出梯度越大，缩放因子越小，就可以很好的控制梯度的范围。最后将梯度乘以缩放因子得到最后需要的梯度。L1范数是指向量中各个元素绝对值之和，L2范数是指向量各元素的平方和然后求平方根。2、可以通过添加正则项，避免梯度爆炸。正则化是通过对网络权重做正则限制过拟合，仔细看正则项在损失函数的形式：regularization 公式：Loss=(y−WTx)2+α∣∣W∣∣2,其中,α 是指正则项系数，因此，如果发生梯度爆炸，权值的范数就会变的非常大，通过正则化项，可以部分限制梯度爆炸的发生。  3、使用LSTM等自循环和门控制机制，避免梯度消失  4、优化激活函数，譬如将sigmold改为relu，避免梯度消失）  5、使用残差网络，避免梯度消失3.网络收敛很慢可以用什么方法解决：为了解决收敛速度慢的问题，我们可以从以下三个方面入手：数据预处理：对于训练数据，可以尝试进行数据清洗、增强、扩充等操作，以提高数据的质量，减少噪声和不平衡现象，从而帮助模型更快地收敛。优化模型：可以根据任务需求，选择合适的模型结构，避免过度复杂化，以减少计算量和训练时间。同时，可以考虑引入正则化、dropout等技术，以防止过拟合，提高模型的泛化能力。改进训练代码实现：可以选择合适的优化算法，如随机梯度下降（SGD）、Adam等，并合理设置学习率和批量大小，以加快训练速度。同时，可以尝试使用并行化、分布式等方法，利用多GPU或者多机进行训练，以提高计算效率。4.dropout为什么能起到正则化5.用了什么优化器，Adam的原理是什么，Adam为什么可以自适应调节6.数据量很大的话怎么构建图神经网络目前状态是在等企业文化面，但面的时候感觉答的不是很好