这里注意：1.图像要从1000开始编号，不然后续如果样本数量太少会导致没法运行。2.文件路径是要修改的路径，而且是只能出现一对引号。将上图中的所有文件复制到目标Project根目录下。代码：建议正样本像素20* 20 ，负样本80。在文件夹中创建pos和neg两个文件夹。一般正样本文件数量要比负样本文件少。在正样本文件中打开cmd。标记完以后将之前的删除。对负样本进行相同操作。

一、面试问题 说一下Flow模型的原理，训练的目标是什么有没有了解过Diffusion模型，具体的原理是什么？如何在Diffusion模型中实现条件生成？条件数据是以什么形式输入模型的？解释一下什么是LoRA描述一下parity-flow这段研究中你的主要创新点是什么说一下为什么要使用TF-IDF方法，原理是什么什么是SE3框架，介绍一下有没有了解过RectifyFlow 二、反问 进去主要是做什

这里需要注意在直接复制过来的url后面需要加上一个format(num)用来限制爬取的数据数量。可能我们仅仅想要创业板块的数据，单独选择这个面板，然后右键鼠标选择检查页面。这里红色框框出来的部分就是等下爬虫的时候要用到的地址。为例，其他的都殊途同归😁。

这里注意：1.图像要从1000开始编号，不然后续如果样本数量太少会导致没法运行。2.文件路径是要修改的路径，而且是只能出现一对引号。将上图中的所有文件复制到目标Project根目录下。代码：建议正样本像素20* 20 ，负样本80。在文件夹中创建pos和neg两个文件夹。一般正样本文件数量要比负样本文件少。在正样本文件中打开cmd。标记完以后将之前的删除。对负样本进行相同操作。

摘要：面试问题涵盖RAG系统设计思路、注意力机制优化（FlashAttention-2/PagedAttention）、KV Cache原理、数据处理方法及实习安排。技术问题聚焦AI系统优化与实现细节，包括内存管理、数据分片策略等。算法考核为经典排序算法实现。整体考察候选人在AI系统开发、算法基础及工程实践方面的能力，同时关注工作适配性。

该面试涉及深度学习、数据结构和机器学习等多个领域，重点考察算法原理理解和实现能力。主要问题包括CNN结构、队列与栈的区别、二叉树遍历、无监督学习、PCA、Transformer核心机制以及LoRA微调等。面试官建议加强算法实现能力，并建议向大模型方向转型，认为后端开发竞争过于激烈。整体反映了当前AI领域对理论基础和实践能力的双重重视，以及大模型方向的发展趋势。

文章摘要：本文总结了面试中的技术问题与算法考察内容，包括科研项目难点、模型选型考量、Chatbot实现细节等。算法部分涉及链表环检测、二叉树遍历和TF-IDF原理。反问环节揭示了字节跳动实习工作内容：数据规范化处理，强调新人需具备责任感、学习能力和实践精神。建议深入学习Transformer论文并动手实现，注重模型原理而不仅是API调用。

这篇面试总结涵盖了技术问题和算法题。技术部分涉及SSE、RAG系统、Redis缓存、高并发处理、LoRA微调、微服务架构等，重点考察了系统设计能力和技术原理理解。算法题通过灯光开关问题，展现了从暴力解法到发现平方数规律的优化过程，体现了数学思维的重要性。面试官通过引导式提问帮助候选人逐步深入思考，最终揭示了问题的数学本质，这种互动式面试方式对技术能力考察非常有效。

这里需要注意在直接复制过来的url后面需要加上一个format(num)用来限制爬取的数据数量。可能我们仅仅想要创业板块的数据，单独选择这个面板，然后右键鼠标选择检查页面。这里红色框框出来的部分就是等下爬虫的时候要用到的地址。为例，其他的都殊途同归😁。

解决VSCode中matplotlib中文显示问题