Update file

2-programming_language/c-cpp/C-CPP 编程基础.md

@@ -1,3 +1,5 @@
+- [STL 库描述](#stl-库描述)
+- [内存中堆和栈的区别](#内存中堆和栈的区别)
 - [堆栈溢出一般是由什么原因导致的？](#堆栈溢出一般是由什么原因导致的)
 - [sizeof 的作用](#sizeof-的作用)
 - [C++ 面向对象特点](#c-面向对象特点)
@@ -10,13 +12,25 @@
 - [C++ 中的 new delete 和 C 语言中的 malloc free 有什么区别](#c-中的-new-delete-和-c-语言中的-malloc-free-有什么区别)
 - [new、delete、malloc、free 区别](#newdeletemallocfree-区别)
 - [static 关键字作用](#static-关键字作用)
+- [类的 static 变量在什么时候初始化？函数的 static 变量在什么时候初始化？](#类的-static-变量在什么时候初始化函数的-static-变量在什么时候初始化)
 - [C++ 变量作用域](#c-变量作用域)
 - [C++ 指针和引用的区别](#c-指针和引用的区别)
 - [C++ 中析构函数的作用](#c-中析构函数的作用)
 - [C++ 静态函数和虚函数的区别](#c-静态函数和虚函数的区别)
 - [++i 和 i++ 区别](#i-和-i-区别)
 - [const 关键字作用](#const-关键字作用)
 
+## STL 库描述
+
+`STL` 库包括：容器、算法以及融合两者的迭代器。
+
+容器分为**顺序容器**和关联容器。顺序容器比如 `vector` 是一个动态分配存储空间的容器。区别于 `C++` 中的 `array`，`array` 分配的空间是静态的，分配之后不能被改变，而 `vector` 会自动重分配（扩展）空间。
+
+## 内存中堆和栈的区别
+
+- 栈内存：由编译器自动分配释放，存放函数的参数值，局部变量的值等。其操作方式类似于数据结构中的栈，都是先进后出。栈使用的是一级缓存，他们通常都是被调用时处于存储空间中，调用完毕立即释放**。
+- 堆内存：一般由程序员分配释放，若程序员不释放，程序结束时可能由 OS 回收。堆是存放在二级缓存中，生命周期由虚拟机的垃圾回收算法来决定（并不是一旦成为孤儿对象就能被回收）。所以调用这些对象的速度要相对来得低一些。
+
 ## 堆栈溢出一般是由什么原因导致的？
 
 没有垃圾回收资源。
@@ -31,7 +45,8 @@
 
 ## 多态的理解
 
-`C++` 的多态性具体体现在运行和编译两个方面：在程序运行时的多态性通过继承和虚函数来体现；在程序编译时多态性体现在函数和运算符的重载上；
+- 同一函数作用于不同的对象，会对应不同的实现，从而产生不同的执行结果。在运行时，可以通过**指向基类的指针或引用**，来调用实现派生类中的方法。
+- `C++` 的多态性具体体现在运行和编译两个方面：在程序运行时的多态性通过继承和虚函数来体现；在程序编译时多态性体现在函数和运算符的重载上；
 
 ## 虚函数的理解
 
@@ -175,6 +190,10 @@ Base2 destory
 + **类的静态成员**：在类中，静态成员可以实现多个对象之间的数据共享，即静态成员是类的所有对象中共享的成员，而不是某个对象成员。并且使用静态数据成员不会破坏隐藏的原则，保证了数据的安全性。
 + **类的静态函数**：把函数成员声明为静态的，就可以把函数与类的任何特定对象独立开来。`静态成员函数即使在类对象不存在的情况下也能被调用`，静态函数只要使用类名加范围解析运算符 `::` 就可以访问(`<类名>::<静态成员函数名>(<参数表>)`)
 
+## 类的 static 变量在什么时候初始化？函数的 static 变量在什么时候初始化？
+
+类的静态成员变量在类实例化之前就已经存在了，并且分配了内存。函数的`static` 变量在执行此函数时进行初始化。
+
 ## C++ 变量作用域
 
 作用域即是程序的一个区域，在程序中变量的作用域一般有三个地方：
@@ -189,6 +208,7 @@ Base2 destory
 + 不存在空引用, 引用必须链接到一块合法的内存地址；
 + 一旦引用被初始化为一个对象，就不能指向另一个对象。指针可以在任何时候指向任何一个对象；
 + 引用必须在创建时被初始化。指针可以在任何时间初始化。
++ 指针可以有多级，但是引用只能是一级（`int **p`；合法 而 `int &&a` 是不合法的）。
 
 ## C++ 中析构函数的作用
 

3-data_structure-algorithm/binary_search/二分查找.md

@@ -158,3 +158,35 @@ int BinarySearch(int a[], int n, int value){
 二分查找的核心思想理解起来非常简单，有点类似分治思想。即每次都通过跟区间中的中间元素对比，将待查找的区间缩小为一半，直到找到要查找的元素，或者区间被缩小为 `0`。其代码有三个容易出错的地方：循环退出条件、`mid` 的取值，`low` 和 `high` 的更新。
 
 凡是用二分查找能解决的，绝大部分我们更倾向于用散列表或者二叉查找树。即便是二分查找在内存使用上更节省，但是毕竟内存如此紧缺的情况并不多。二分查找**更适合用在“近似”查找问题**，在这类问题上，二分查找的优势更加明显。
+
+### 四，二分查找算法解题模板
+
+二分查找模板1
+
+将区间 [l, r] 划分成 [l, mid] 和 [mid+1, r] 时，其更新操作是 r = mid 或 l = mid + 1;，计算 mid 时不需要加1.
+
+```cpp
+int bsearch_1(int l, int r){
+    while (l < r){
+        int mid = (l + r) >> 1; // (l + r)/2 向下取整
+        if(check(mid)) r = mid;
+        else l = mid + 1;
+    }
+    return l;
+}
+```
+
+二分查找模板2
+
+将区间 [l, r] 划分成 [l, mid-1] 和 [mid, r] 时，其更新操作是 r = mid - 1 或 l = mid;，为了防止死循环，计算 mid 时需要加1.
+
+```cpp
+int bsearch_1(int l, int r){
+    while (l < r){
+        int mid = (l + r + 1) >> 1; // (l + r)/2 向上取整
+        if(check(mid)) l = mid;
+        else r = mid - 1;
+    }
+    return l;
+}
+```

3-data_structure-algorithm/剑指offer题解.md

@@ -1202,7 +1202,7 @@ caseout += FirstAppearingOnce()
 
 如果当前字符流没有存在出现一次的字符，返回 `#` 字符。
 
-**解题思路：**
+**解题思路**（参考牛客网题解）：
 
 1. 对于“重复问题”，惯性思维应该想到哈希或者set。对于“字符串问题”，大多会用到哈希。因此一结合，应该可以想到，判断一个字符是否重复，可以选择用哈希，在 `c++` 中，可以选择用 `unordered_map<char, int>`。
 2. 对于字符流，源源不断的往池子中添加字符，然后还要返回第一个满足什么条件的字符，显然设计到了“顺序”，也就是先来的先服务，这种先进先出的数据结构不就是队列嘛。因此，这里可以用队列 `queue`。
@@ -1213,7 +1213,6 @@ caseout += FirstAppearingOnce()
 2. 对于 `void Insert(char ch)` 字符插入函数的实现，当且仅当 `ch` 是第一次出现，则将 `ch` 添加到队列中；同时，不管 `ch` 是不是第一次出现，都需要在 `mp` 中更新一下字符的出现次数，方便后续判断字符是否是第一次出现。
 3. 对于 `char FirstAppearingOnce()` 函数，通过哈希表 `mp` 判断队列 `q` 的头部元素的出现次数，如果是 `1` 则返回对应字符 `ch`；如果不是 `1`，则队列 `pop()` 弹出头部元素继续判断下一个字符。
 
-
 ```cpp
 class Solution
 {

5-deep_learning/1-深度学习基础.md

@@ -17,6 +17,7 @@
 #### 1.1，余弦相似度
 
 通过对两个文本分词，`TF-IDF` 算法向量化，利用空间中两个向量的夹角，来判断这两个向量的相似程度：(`计算夹角的余弦，取值 0-1`)
+
 + 当两个向量夹角越大，距离越远，最大距离就是两个向量夹角 180°；
 + 夹角越小，距离越近，最小距离就是两个向量夹角 0°，完全重合。
 + 夹角越小相似度越高，但由于有可能一个文章的特征向量词特别多导致整个向量维度很高，使得计算的代价太大不适合大数据量的计算。

8-interview_summary/社招面经.md

@@ -89,11 +89,26 @@ b_h = p_{h}e^{t_h} $$
 2，普通卷积层、分组卷积、深度可分离卷积的 FLOPs 计算公式。
 3，普通卷积层、分组卷积、深度可分离卷积的 MAC 计算公式。
 4，详细描述下你知道的轻量级网络：MobileNetV1、ShuffleNetv1-v2。
-5，L2 正则化（权重衰减）原理，为什么它能防止模型过拟合？系数 $\lambda $ 如何取值？
-6，L1 正则化原理，系数 $\lambda $ 如何取值？
-7，Pytorch 的 conv2d 函数的参数有哪些？以及模型输出大小计算公式，并解释为什么公式是这样。
-8，Pytorch 的 DataLoader 原理。
-9，普通卷积过程描述下。
+
+5，何谓正则化？
+
+通过给模型的代价函数（损失函数）添加被称为正则化项（`regularizer`）的惩罚，这称为将模型（学习函数为 $f(x; θ)$）正则化。正则化是一种思想（策略），**给代价函数添加惩罚**只是其中一种方法。
+
+6，`L2` 正则化（权重衰减）原理，为什么它能防止模型过拟合？系数 $\lambda $ 如何取值？
+
+`L2` 正则化（权重衰减）是另外一种正则化技术，通过加入的正则项对参数数值进行衰减，得到更小的权值。**当 $\lambda$ 较大时，会使得一些权重几乎衰减到零，相当于去掉了这一项特征，类似于减少特征维度**。假设待正则的网络参数为 $w$，`L2` 正则化为各个元素平方和的 $1/2$ 次方，其形式为：
+
+$$L2 = \frac{1}{2}\lambda ||w||^{2}_{2}$$
+
+实际使用时，一般将正则项加入目标函数，通过整体目标函数的误差反向传播，从而实现正则化影响和指导模型训练的目的。
+
+7，L1 正则化原理，系数 $\lambda $ 如何取值？
+
+L1 范数: 为向量 x 各个元素绝对值之和。`L1` 正则化可以使权值参数稀疏，方便特征提取。
+
+8，Pytorch 的 conv2d 函数的参数有哪些？以及模型输出大小计算公式，并解释为什么公式是这样。
+9，Pytorch 的 DataLoader 原理。
+10，普通卷积过程描述下。
 
 ### 2.3，模型部署相关