暑期实习基本结束了,校招即将开启。
不同以往的是,当前职场环境已不再是那个双向奔赴时代了。求职者在变多,HC 在变少,岗位要求还更高了。
最近,我们又陆续整理了很多大厂的面试题,帮助一些球友解惑答疑,分享技术面试中的那些弯弯绕绕。
喜欢本文记得收藏、关注、点赞。更多交流,可以文末加入我们
除了去互联网大厂外,半科研半实践的 AI 实验室也是一个不错的就业选择,分享我们一个球友的面经:
背景:双非本,top5 硕士,研究方向是对话系统和图像处理,NLP 比赛 Top10(天池 / Kaggle),1 篇发明专利,1篇CCF-A。
马上要入职了,祝愿球友们不断夯实自我,加油努力,收获钟意的offer~
一面
- 讲一下目标检测项目
- 为什么不用 Anchor-based 的方法,在工业界其实还是 Anchor-based 的用的多,因为召回率高
- 讲讲 CenterNet 这种用来检测的方法和 Anchor-based 相比的优点在哪里
- 抠图和分割有什么区别,抠图的前景背景代表什么
- MODNet 语义的部分是怎么预测的,人的姿态千变万化,他为什么能预测那么好的预测出来?
- 报图你用了 MAD, MSE 指标,还了解其他指标吗?
- DDIM DDPM 区别
- 说几种 diffusion 加速推理方法
- 多模态大模型你了解那些?
- LLAVA 讲一下?LLaMA 2 的创新在什么地方
- MINI-GPT4 是否使用过
- 是否了解 Swin Transformer,介绍一下
总体来说,面试体验中等。
二面
- 从三个方面讲一下目标检测项目:动机、方法、结果
- 你用到了 Transformer Encoder,你觉得 global attention 和 self-attention 有什么区别呢?
- 介绍 Transformer 和 ViT
- 为什么 Transformer 适合多模态任务?
- Transformer为什么使用多头注意力机制?
- CenterNet 能解决两个物体的中心点重合的问题吗?
- 你用到了蒸馏,那么你觉得蒸馏和直接用 GT 相比,有什么好处?
- MODNet 是一个 Trimap Free 的还是 Trimap Based 的算法?介绍一下他的大概流程
- 抠图方面,怎么让一个小数据集训练出来的模型更好泛化呢?
- 介绍部门,表示这边也是做图像相关的研究,不仅仅做学术研究,也会落地应用
- 编程题:手撸 IOU 计算公式
- 编程题:用 5 个线程来打印 1 ~ 100,另外要求每个线程必须按顺序依次执行。摊牌说不会按顺序的做法,换题。
HR 面
- 实验室和大厂,你是如何抉择的,主要考虑哪些方面?
- 对自己未来3-5年的职业规划是什么?
- 以往在团队合作中最难的一件事
- hr 介绍了实验室的运营情况,特别是 WLB 这点,让我看了心动
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓