阿里面试反思

线程和进程：https://blog.csdn.net/RUN32875094/article/details/79515384
线程共享的内容包括：
1.进程代码段
2.进程的公有数据(利用这些共享的数据，线程很容易的实现相互之间的通讯)
3.进程打开的文件描述符
4.信号的处理器
5.进程的当前目录和
6.进程用户ID与进程组ID

线程独有的内容包括：
1.线程ID
2.寄存器组的值
3.线程的堆栈
4.错误返回码
5.线程的信号屏蔽码

线程通信：1,管道(Pipe)及命名管道(Named pipe) 2,信号(Signal) 3,消息队列(Message queue) 4,共享内存(Shared memory) 5,套接字(Socket) 6,信号量(Semaphore)

静态存储、堆、栈：https://blog.csdn.net/u010977122/article/details/53099425

排序：https://blog.csdn.net/hellozhxy/article/details/79911867

堆排序C++代码：https://www.cnblogs.com/wanglei5205/p/8733524.html

sigmoid函数求导：https://blog.csdn.net/zhangyingjie09/article/details/82180199

LR和SVM的比较：https://www.cnblogs.com/zhizhan/p/5038747.html

核函数：https://blog.csdn.net/qq_39521554/article/details/80605178

-----------------------------------------------------------------------------------------------------------

面试：

【机器学习基础】
1.优化器
https://blog.csdn.net/weixin_40170902/article/details/80092628
2.svm和lr的优缺点、使用场景：https://blog.csdn.net/qq_35945399/article/details/81175772
svm的主要优点是可以引入核函数但是要做normaliztion，lr的主要优点是产生概率、适用于海量数据
3.lr的loss公式
4.conv和pooling的反向传播
一维反向传播：https://blog.csdn.net/shaomingliang499/article/details/50587300
二维反向传播：https://blog.csdn.net/weixin_40446651/article/details/81516944
5.L1和L2范数的使用场景
L1会趋向于产生少量的特征，而其他的特征都是0，可以用于特征选择，而L2会选择更多的特征，这些特征都会接近于0，用于防止过拟合。
https://www.cnblogs.com/hellcat/p/7979711.html重点是最下面的说明图
https://www.jianshu.com/p/4bad38fe07e6重点是求导说明部分
6.为什么假如relu网络越深效果越差：
relu函数只能缓解梯度消失，不能完全消除，relu函数的缺点：不适合较大梯度输入
存在，在小于的时候，激活函数梯度为零，梯度消失，神经元不更新，变成了死亡节点。
出现这个原因可能是因为学习率太大，导致w更新巨大，使得输入数据在经过这个神经元的时候，输出值小于0，从而经过激活函数的时候为0，从此不再更新。所以relu为激活函数，学习率不能太大。
7.inception结构，为什么用1*1卷积核
inception介绍：https://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc
a.减少计算量(减少chanel数)：https://blog.csdn.net/chaipp0607/article/details/60868689
b.增加模型非线性
c.代替全链接
8.为什么用shuffle：使得样本更平均，趋于总体样本的分布。

【项目】
1.pspnet结构、辅助loss
https://blog.csdn.net/ziyouyi111/article/details/81037950
辅助loss只做分类任务，最后输出的是一个n_class的向量，算交叉熵损失。
2.关键行为为什么要做两阶段拆分
当前关键事件是一个转化目标(使用cvr模型预估，效果不好) --> 将关键事件变成一个深度转化目标，转化目标是激活。拆分成两个模型，第一个模型统一预估到转化，第二个模型预估深度转化。cvr = click_active * active_deep_cvr。

【编程】
1.LRU
https://mp.csdn.net/postedit/87005188
2.最大连续数组