搜广推日常实习面经一

写在前面：除了校招的面经，实习的面经我也会更新，毕竟俺后续可能还要找一段实习。从八股来看，实习的八股更加的八股一点。和校招的面经有点不一样，所以还是可以学习了解一下。总之一句话：面向工作学习，而不是面向实验室学习！

唯品会广州—搜索算法实习生

• 一、手撕二叉树的最大深度_力扣104
  深度优先遍历+递归

# Definition for a binary tree node.
# class TreeNode:
#     def __init__(self, val=0, left=None, right=None):
#         self.val = val
#         self.left = left
#         self.right = right
class Solution:
    def maxDepth(self, root):
        if root is None: 
            return 0 
        else: 
            left_height = self.maxDepth(root.left) 
            right_height = self.maxDepth(root.right) 
            return max(left_height, right_height) + 1 

• 二、手撕二叉树的层序遍历_力扣102

# Definition for a binary tree node.
# class TreeNode:
#     def __init__(self, val=0, left=None, right=None):
#         self.val = val
#         self.left = left
#         self.right = right
class Solution:
    def levelOrder(self, root: TreeNode) -> List[List[int]]:
        if not root: return []
        queue = [root]          # 根结点入queue
        res = []
        while queue:
            res.append([node.val for node in queue])
            ll = []                      # 存储当前层的孩子节点列表
            for node in queue:           # 对当前层的每个节点遍历
                if node.left:            # 如果左子节点存在，入队列
                    ll.append(node.left)
                if node.right:           # 如果右子节点存在，入队列
                    ll.append(node.right)
            queue = ll             # 后把queue更新成下一层的全部结点，继续遍历下一层
        return res

• 二_1、二叉树自低向上的层序遍历_力扣107
  这个使用pyhon的列表的切片机制就比较好实现，将上面的层序遍历代码改成res[::-1]

# Definition for a binary tree node.
# class TreeNode:
#     def __init__(self, val=0, left=None, right=None):
#         self.val = val
#         self.left = left
#         self.right = right
class Solution:
    def levelOrderBottom(self, root: TreeNode) -> List[List[int]]:
        if not root: return []
        #跟结点入queue
        queue = [root]
        res = []
        while queue:
            res.append([node.val for node in queue])
            #存储当前层的孩子节点列表
            ll = []
            #对当前层的每个节点遍历
            for node in queue:
                #如果左子节点存在，入队列
                if node.left:
                    ll.append(node.left)
                #如果右子节点存在，入队列
                if node.right:
                    ll.append(node.right)
            #后把queue更新成下一层的结点，继续遍历下一层
            queue = ll
        #列表倒序
        return res[::-1]

• 二_2：二叉树的右视图_力扣109
  只需要将每一层的最后一个元素加入res就行。res.append([node.val for node in queue][-1])

# Definition for a binary tree node.
# class TreeNode:
#     def __init__(self, val=0, left=None, right=None):
#         self.val = val
#         self.left = left
#         self.right = right
class Solution:
    def rightSideView(self, root: TreeNode) -> List[int]:
        if not root: return []
        #跟结点入queue
        queue = [root]
        res = []
        while queue:
            #只需要对该层最后一个元素入列表
            res.append([node.val for node in queue][-1])
            #存储当前层的孩子节点列表
            ll = []
            #对当前层的每个节点遍历
            for node in queue:
                #如果左子节点存在，入队列
                if node.left:
                    ll.append(node.left)
                #如果右子节点存在，入队列
                if node.right:
                    ll.append(node.right)
            #后把queue更新成下一层的结点，继续遍历下一层
            queue = ll
        return res

• 三、Linux的基本命令
  这个就是随便看看了。提供几个常用的命令吧
  • 目录操作
    • pwd：显示当前的哦工作目录的绝对路径
    • ls：列出当前目录下的内容
    • cd：目录路径：切换到指定目录。
    • cd …：切换到上一级目录。
    • cd ~：切换到用户的主目录
    • mkdir 目录名：创建一个新目录。
    • rmdir 目录名：删除空目录。
    • rm -r 目录名：递归删除目录及其内容。
  • 文件操作
    • touch 文件名：创建空文件。
    • vim 文件名：使用vim打开文件
    • rm 文件名：删除文件。
    • rm -f 文件名：强制删除文件，不提示。
  • 权限管理
    • chmod 权限 文件名：修改文件权限。
      • 示例：chmod 755 文件名
        数字含义：
        7：读写执行权限（rwx）。
        5：读执行权限（r-x）。
        0：无权限（—）。
  • df -h：查看磁盘空间使用情况
• 四、分类和回归的loss有哪些？
  • 分类任务
    • 交叉熵损失（Cross-Entropy Loss）
    • 二元交叉熵损失（Binary Cross-Entropy Loss）
    • 焦点损失（Focal Loss）
  • 回归任务
    • 均方误差（Mean Squared Error, MSE）
    • 平均绝对误差（Mean Absolute Error, MAE）
    • 对数误差损失（Logarithmic Loss, LogLoss）
• 五、方差和偏差的区别 ,过拟合的时候说方差大还是偏差大?
  方差和偏差是机器学习中评估模型性能的重要概念，通常用于描述模型的误差来源。
  • 1.偏差（Bias）
    偏差描述了模型预测值与真实值之间的平均偏离程度。它反映了模型对数据的拟合能力。
  • 2.方差（Variance）
    方差描述了模型预测结果的波动性，即模型对数据的敏感程度。
  • 3.过拟合的模型对训练数据拟合得非常好，导致训练误差低（偏差小）；由于模型对训练数据中的噪声也进行了过度拟合，导致其泛化能力差，在测试集上的表现较差（方差大）。