节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂同学、参加社招和校招面试的同学，针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。
今天我整理一下算法岗方向面试题，分享给大家，希望对后续找工作的有所帮助。喜欢记得点赞、收藏、关注。更多技术交流&面经学习，可以文末加入我们交流群。
区别：
Transformer是基于注意力机制（self-attention）的模型，通过同时处理整个序列的信息，而LSTM（长短时记忆网络）则是基于递归的循环神经网络。
LSTM依赖于序列上的递归计算，而Transformer使用注意力机制进行全局性的关联。
优势：
Transformer并行计算更有效，因为每个位置的计算独立于其他位置，而LSTM需要按顺序计算。
Transformer更易于训练，不容易出现梯度消失或爆炸的问题。
Transformer能够学习长距离依赖关系，而LSTM的这个能力在序列很长时受到限制。
时序信息：
Encoder：
输入：序列的嵌入表示或者经过了位置编码的输入。
输出：对输入序列的编码表示。
结构：多头自注意力层（Multi-Head Self-Attention）和前馈神经网络层（Feedforward Neural Network）的堆叠。
Decoder：
输入：编码器的输出以及目标序列的嵌入表示。
输出：对目标序列的解码表示。
结构：多头自注意力层、多头编码-解码注意力层（Multi-Head Encoder-Decoder Attention）和前馈神经网络层的堆叠。
BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的自然语言处理模型，基于Transformer架构。
BERT的核心思想是通过在大规模语料库上进行无监督训练，从而学习丰富的语言表示。
BERT采用双向（bidirectional）的注意力机制，能够更好地理解上下文信息。
在预训练之后，BERT可以通过微调应用于各种下游任务，如文本分类、命名实体识别等。
作用：
BatchNorm（批归一化）：在训练时通过归一化每个小批次的输入，加速训练并有正则化效果。
LayerNorm（层归一化）：在每个层的输入上进行归一化，通常应用于逐层的归一化处理。
区别：
BatchNorm：对每个批次的数据进行归一化，考虑了批次内的样本间关系。
LayerNorm：对每个样本的所有特征进行归一化，独立于批次。
BatchNorm适用于全连接和卷积层，而LayerNorm更适用于循环神经网络（RNN）和Transformer等序列模型。
原因：
BatchNorm：在图像处理中，数据通常以批次的形式输入，BatchNorm可以充分利用批次内的数据分布进行归一化，有助于训练深层的视觉模型。
LayerNorm：在自然语言处理中，序列数据（如语言）的长度可能会变化，而LayerNorm独立于批次，更适用于处理变长序列，保持对每个样本的归一化一致性。
解题思路：
尽可能到达最远位置（贪心）。
如果能到达某个位置，那一定能到达它前面的所有位置。
方法：
初始化最远位置为 0，然后遍历数组，如果当前位置能到达，并且当前位置+跳数>最远位置，就更新最远位置。最后比较最远位置和数组长度。
时间复杂度 O(n)，空间复杂度 O(1)。
代码：
class Solution:
def canJump(self, nums) :
max_i = 0 #初始化当前能到达最远的位置
for i, jump in enumerate(nums): #i为当前位置，jump是当前位置的跳数
if max_i>=i and i+jump>max_i: #如果当前位置能到达，并且当前位置+跳数>最远位置
max_i = i+jump #更新最远能到达位置
return max_i>=i
思路：
从前往后先找如果到达最后一步，那么前一步最早能落在那里，找到前一步后，再把该步的下标当作目标，直到目标下标为0。
代码：
class Solution:
def jump(self, nums: List[int]) -> int:
n = len(nums)
aim = n
t = 0
while aim > 1:
for i in range(aim):
if i + nums[i] >= aim-1:
aim = i +1
t += 1
break
return t
前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~
我们建了算法岗面试与技术交流群， 想要进交流群、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2060。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。
方式①、微信搜索公众号：机器学习社区，后台回复：技术交流
方式②、添加微信号：mlc2060，备注：技术交流