Python 华为面试手撕代码 + 八股文，机器学习参数调节，损失函数，激活函数，线程、进程和协程

最新推荐文章于 2026-04-24 19:54:43 发布

原创

最新推荐文章于 2026-04-24 19:54:43 发布 · 7.4k 阅读

141

文章标签：

#面试 #python #开发语言 #机器学习 #模型优化

文章讨论了深度学习模型的优化策略，包括激活函数选择、参数初始化、批量大小、学习率调整、正则化、模型结构和数据增强。此外，还提到了通过修改模型结构如添加卷积层、注意力机制来提升模型效果。文章还涉及RNN的梯度消失和梯度爆炸问题以及解决方案，介绍了损失函数的种类，如MSE和交叉熵，以及激活函数在神经网络中的应用。最后，文章对比了Transformer与LSTM的优势，以及Python中的GIL和异步非阻塞编程概念。

一、手撕代码：力扣原题905

"""
给定一个非负整数数组 A，返回一个由 A 的所有偶数元素组成的数组，后面跟 A 的所有奇数元素。
基础版：你可以返回满足此条件的任何数组作为答案。
进阶版：要求在当前数组上原地完成。

示例：
输入：[3,1,6,5,2,4]
进阶版输出：[4,2,6,5,1,3]
基础版输出：[2,4,6,1,3,5]，[4,6,2,3,1,5] 等等 也会被接受
"""

def functions(nums)->list:
    n = len(nums)
    left = 0
    right = n-1
    while left < right:
        if nums[left]%2 == 1 and nums[right]%2 == 1:
            right -= 1
        elif nums[left]%2 ==1:
            nums[left],nums[right] = nums[right],nums[left]
            left += 1
        else:
            left +=1
            right -=1
    return nums
nums = [3,1,6,5,2,4]
print(functions(nums))

二、八股文部分：有点紧张，忘了好多东西

1.深度学习模型优化的方法有哪些？

深度学习模型的优化策略包括以下几个方面：

（1）选择合适的激活函数：激活函数对模型的表达能力和收敛速度有很大影响，常用的激活函数包括ReLU、Sigmoid、Tanh等。

（2）初始化模型参数：模型参数的初始化对模型的收敛速度和性能有很大影响，常用的初始化方法包括Xavier初始化和He初始化等。

（3）批量大小（Batch Size）：批量大小决定了每次更新模型参数的样本数，通常较大的批量大小可以使参数更新更加平稳，但也会增加内存和计算负担。

（4）学习率（Learning Rate）：学习率是指每次参数更新时的步长，过大的学习率会导致模型震荡或者发散，过小的学习率会导致模型收敛缓慢，通常需要通过交叉验证等方法确定一个合适的学习率。

（5）正则化方法：正则化方法可以避免过拟合，但不同的正则化方法对模型性能和收敛速度的影响不同，需要根据实际情况选择合适的正则化方法。

（6）模型结构：模型结构决定了模型的表达能力和复杂度，需要根据实际问题选择合适的模型结构，常用的模型结构包括全连接网络、卷积神经网络、循环神经网络和注意力机制等。

（7）数据增强（Dat