关于我 从2022年末开始接触AIGC，便一直紧跟最近技术与实践落地。期间深度参与copilot项目研发，落地了多个垂类AIGC大模型应用，熟悉各种AIGC相关技术如Agent，Langchain，chatdoc，向量数据库等。 关于本系列，目前更新

一、什么是 MyBatis？MyBatis 是一款优秀的持久层框架，它支持自定义 SQL、存储过程以及高级映射。MyBatis 免除了几乎所有的 JDBC 代码以及设置参数和获取结果集的工作。MyBatis 可以通过简单的 XML 或注解来配置和映射原始类型、接口和 Java POJO（Plain Old Java Objects，普通老式 Java 对象）为数据库中的记录。二、入门案例（1）创建maven项目在此之前，需要提前配置好java环境变量和maven环境变量。..

请编写一个程序迭代求解sin(x),迭代公式为sin(x)=x/1-x^3!+x^5/5!-x^7/7!+...+(-1)^(2n-1)/(2n-1)!,当n项的值小于10^-5时结束，x为弧度。要求输入x的值，输出相应的结果。【注意】迭代公式中的^代表幂运算。并且输入和输出各占一行，输出结果保留4位小数；运行效果如下所示。【运行结果】输入（一行）：1.57输出（一行）：1.0000一、程序代码#!/usr/bin/python# -*- coding: UTF-8..

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 6本电子书的图放在文末，需要的评论说声。 1、熵、条件熵、互信息、相对熵 熵 熵是一个随机变量不确定性的度量。对于一个离散型变量，定义为： 一个随机性变量的熵越大，

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 6本电子书的图放在文末，需要的评论说声。 1、LSTM原理 LSTM是循环神经网络RNN的变种，包含三个门，分别是输入门，遗忘门和输出门。 LSTM 与 GRU区别

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 6本电子书的图放在文末，需要的评论说声。 1、Python中的列表和元组有什么区别？ list 是可变的对象，元组 tuple 是不可变的对象。也就是说列表中的元素

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 6本电子书的图放在文末，需要的评论说声。 1、各种优化器使用的经验 梯度下降：在一个方向上更新和调整模型的参数，来最小化损失函数。 随机梯度下降（Stochasti

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 6本电子书图片放在文末，需要的直接私我领吧。 1、手写交叉熵损失函数 二分类交叉熵 多分类交叉熵 期望风险：机器学习模型关于真实分布（所有样本）的平均损失称为期望

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 5本电子书图片放在文末，需要的直接私我领吧，很快出2021年10-12月份的大厂面试题，需要的也可找我领。 1、简单的N转K进制输出，并判断输出是否回文 该题主要考察进制转换 分为两步： （1）比如求x的b进制，那么求出x每次对b取模的余数，拼接在字符串后边。这里注意如果余数大于10的话，需要用大写英文字母进行表示，比如'A'表示11，'B'表示12等等。。。 （2）最后，将余数组成的字符串反转过来即可。 代码

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 5本电子书图片放在文末，需要的直接私我领吧，很快出2021年10-12月份的大厂面试题，需要的也可找我领。 1、Pytorch和Tensorflow的区别？ 图创建 创建和运行计算图可能是两个框架最不同的地方。 在pyTorch中，图结构是动态的，这意味着图在运行时构建。 而在TensorFlow中，图结构是静态的，这意味着图先被“编译”然后再运行。 pyTorch中简单的图结构更容易理解，更重要的是，还更容易

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 5本电子书图片放在文末，需要的直接私我领吧，很快出2021年10-12月份的大厂面试题，需要的也可找我领。 1、LR推导目标函数并求梯度 逻辑回归损失函数及梯度推导公式如下： 求导： 2、GBDT和XGBOOST差别 利用二阶信息； 处理缺失值； 弱分类器选择； 列抽样和行抽样； 正则项做预剪枝； 并行化处理（特征排序等）。 3、Batch Normalization 缺点 batch太小,会造成波动大；对于

题目来源：七月在线社区学员分享，这边整理输出答案，答案仅供参考，欢迎评论区交流指正。 5本电子书图片放在文末，需要的直接私我领吧，很快出2021年10-12月份的大厂面试题，需要的也可找我领。 1、lstm原理三个门作用和sigmoid函数tanh使用，梯度消失问题如何解决，rnn为什么不能，缺点如何造成的。lstm如何解决长期记忆问题 。 LSTM是循环神经网络RNN的变种，包含三个门，分别是输入门，遗忘门和输出门。 sigmoid函数主要是决定什么值需要更新； tanh函数：创建一个新的候选

1、 常见的attention机制，说明channel attention 和 self attention 的原理 答： self-attention、channel attention、spatial attention、multi-head attention、transformer 自注意力机制是注意力机制的变体，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。 1.ce loss 的公式，说完了问BCE loss,就纯背公式 sigmoid 和 softmax，BCE与CE

1、SVM相关，怎么理解SVM，对偶问题怎么来的，核函数是怎么回事。 SVM是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。 SVM为什么要将原始问题转换为对偶问题来求解，原因如下： 对偶问题将原始问题中的约束转为了对偶问题中的等式约束； 方便核函数的引入； 改变了问题的复杂度。由求特征向量w转化为求比例系数a，在原始问题下，求解的复杂度与样本的维度有关，即w的维度。在对偶问题下，只与样本数量有关。 核函数的使用实际上是增加维度，把原本在低维度里

1、l1,l2公式，区别 L1/L2的区别 L1是模型各个参数的绝对值之和。 L2是模型各个参数的平方和的开方值。 L1会趋向于产生少量的特征，而其他的特征都是0。 因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵 L2会选择更多的特征，这些特征都会接近于0。 最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0。 L1的作用是为了矩阵稀疏化。假设的是模型的参数取值满足拉普拉斯分布。 L2的作用是为了使

非科班跨NLP，oc阿里的面试经验： 我的专业是地质勘探类，硕士期间方向是勘探与深度学习的结合，所以转DL/NLP基本属于跨行转码，2020年底开始找了一些入门的教材自学NLP，后来就接触到了七月在线，也是抱着试一试的态度报了NLP小班第6期（最新一期是NLP8），在这次课程之前基本对NLP停留在没有入门的阶段，但在这次课程之后无论从NLP的发展脉络，知识技术，对模型的理解，coding能力，项目的经历与经验都有了长足的提升。所以首先感谢七月在线各位老师长达几个月辛勤的付出。 经历了这一轮的校招

问题1：BN大致的计算流程？ 1. 计算样本均值。 2. 计算样本方差。 3. 样本数据标准化处理。 4. 进行平移和缩放处理。引入了γ和β两个参数。来训练γ和β两个参数。引入了这个可学习重构参数γ、β，让我们的网络可以学习恢复出原始网络所要学习的特征分布。 问题2：BN的优点？ 1. 计算样本均值。 2. 计算样本方差。 3. 样本数据标准化处理。 4. 进行平移和缩放处理。引入了γ和β两个参数。来训练γ和β两个参数。引入了这个可学习重构参数γ、β，让我们的网络可以学习恢复出原始网络所要学习

1.词向量平均法做分类的优劣势是什么 优势 词向量平均的方法做分类模型，主要的优势是模型简单 有参数模型，无参数模型都可以尝试使用，模型选择大 模型速度极快，训练的参数量少 在语句少的场景下，效果好 劣势 在语句长的长的场景下，效果会变的很差 语句长，分出的词多，词越多，信息量越杂，简单的做平均的话，重要的词的信息会在平均的过程中极大的被消弱，从而分类效果差 2.词向量的基础上如何做优化 映入一个新的向量，做attention，此向量专门对重要的，和标签相关的词敏感。从而通过加权平均的方式，得到

1.先序遍历（要求递归和迭代两种方式） 方法一：递归 树本身就有递归的特性，因此递归方法最简单，这里直接放上代码，需要说明的是，中序遍历，前序遍历和后序遍历可采用相同的代码模板完成实现。 Pythonclass Solution: def preorderTraversal(self, root: TreeNode) -> List[int]: if not root: return [] return [root.val] + self.preorderTraversal(root.left)