赞
踩
自我介绍:第一次面有点瓢嘴
介绍科研项目
介绍比赛项目——多模态行车数据视频
介绍CLIP:
如何判断和缓解过拟合?
原因:数据样本单一,数量不足;训练数据噪声大;模型过于复杂
防止:
BN是什么?BN层的作用?(对样本同一通道不同batch计算均值和方差进行归一化)
batch_size对模型训练有什么影响?应该如何设置?(答的跑到GPU内存上限)
LR Warmup:开始使用小batch和学习率,预热阶段线性或者余弦增大学习率,过了预热阶段在减小
隔壁部门来面的,说还有一次面试,大无语,本来以为两次就结束了
OC
面试官人太好了55,最后给我说我运气好在池子里被他捞了;还说他们团队主要做科研
问是否知道VQ-GAN
面试官说现在基本不用BLIP用BLIP V2比较多;llama了解嘛?(不了解)
https://leetcode.cn/problems/add-two-numbers/description/(没有用最优方法,做了好多次while循环hhhh)
凉了,估计是算法题没写好,并且问的多模态很多答不上来
import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(x): return sigmoid(x) * (1 - sigmoid(x)) def gradient_descent_sigmoid(target, learning_rate=0.01, epochs=10000): # 初始值 x = 0.0 for _ in range(epochs): # 计算当前点的sigmoid值和导数值 current_sigmoid = sigmoid(x) current_derivative = sigmoid_derivative(x) # 计算误差 error = current_sigmoid - target # 更新x值 x = x - learning_rate * error * current_derivative return x target_value = 0.4 # 设定目标值 result = gradient_descent_sigmoid(target_value) # 使用梯度下降算法求解 print("通过梯度下降算法求解 sigmoid(x) = 0.4 的 x 值为:", result, sigmoid(result))
聊了得有一个半小时,面试官虽然迟到了5分钟,但是人真的好好
ChatGLM模型
Stable Diffusion = DDPM模型 + CLIP
stable diffusion训练用ddpm, 采样用ddim(从训练好的扩散模型中高效生成样本、利用重要性采样)
Transformer模型和CNN的区别
DALLE2:DDIM
instructblip
CLIP的温度系数的作用
CLIP的文本端encoder是什么?
代码题:
最大子序列的和,感觉是暴力出来的。。。。
真得刷刷题了,每次代码环节都尴尬的要死
反问:
约二面
反问:
7. 面试表现?总体都挺不错的,看你一面表现不错,理论上知识很不错,代码能力有待提升
8. 会做文生视频吗?不会
9. 提到文生图,具体在业务场景中是怎么去做?用预训练模型,训练Q-former进行微调
10. 有没有机会科研?支持
11. 实习生进来是做工程还是技术研发?看兴趣,应该是技术研发
约三面
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。