百度 AI Infra 校招 二面 (2)
Q: CNN和DNN的区别？
两者都是前馈神经网络，但在结构假设和参数效率上有本质区别：
DNN（全连接网络/MLP）：
- 每层所有神经元与前一层全连接，参数量 = input_dim * output_dim
- 无结构假设，将输入当作一维向量处理
- 参数量随输入尺寸平方增长（如 224x224 图像展平后全连接到 1024 维需 ~50M 参数仅一层）
- 适合表格数据等无空间结构的输入
CNN（卷积神经网络）：
- 利用卷积核实现局部连接（每个神经元只看局部区域）和权值共享（同一卷积核在所有位置共享参数）
- 大幅减少参数：3x3 conv 在 64 通道上只有 64649 ≈ 37K 参数，与输入尺寸无关
- 池化层降低空间维度，逐层提取从低级到高级的特征
- 天然编码了平移不变性和空间局部性假设
核心区别：CNN 通过归纳偏置（局部性+共享性）在图像/语音等空间数据上极度参数高效；DNN 对输入无任何假设但参数多且不编码结构信息。
Q: C++智能指针有哪些？
shared_ptr（引用计数共享所有权，原子操作保证计数线程安全，make_shared 高效一次分配）、unique_ptr（独占所有权零额外开销，不可拷贝只可 move，默认首选）、weak_ptr（弱引用不增计数，lock() 提升，打破循环引用/实现缓存观察）。
选择原则：默认 unique_ptr -> 需共享用 shared_ptr -> 需观察不拥有用 weak_ptr。
Q: 迭代和递归的优缺点？
| 对比 | 递归 | 迭代 |
|---|---|---|
| 优点 | 代码简洁直观，天然适配分治/树形结构 | 无函数调用开销，不受栈深度限制 |
| 缺点 | 函数调用开销（压栈/出栈/寄存器保存）、栈空间有限（默认 8MB，深度 ~10 万层即溢出） | 某些问题实现复杂（如树遍历需手动维护栈） |
| 空间 | O(递归深度)的栈空间 | O(1)或显式数据结构 |
| 尾递归 | 编译器可优化为迭代（但 C++ 不保证） | 天然无此问题 |
实践建议：递归深度可控（如平衡二叉树 ~30 层）时用递归保持代码清晰；可能深度递归时改用迭代 + 显式栈（如 DFS 的非递归实现）。
Q: CPU会对if语句做什么优化？
分支预测（Branch Prediction）：现代 CPU 流水线深度 15-20 级，遇到条件分支时不能等待条件计算完成再取后续指令。CPU 通过分支预测器（BPU）提前预测走向并投机执行。
预测策略：
- 静态预测：后跳（循环）预测走，前跳预测不走
- 动态预测：基于历史记录（2-bit 饱和计数器、TAGE 预测器），准确率 >95%
预测失败代价：需要 flush 流水线中投机执行的指令，penalty 约 10-20 个周期（现代 CPU 约 15 cycles）。
优化手段：
- 编译器提示：
[[likely]]/[[unlikely]]（C++20）或__builtin_expect，影响代码布局使热路径不跳转 - PGO（Profile-Guided Optimization）：用运行时 profile 数据指导编译器优化分支布局
- 无分支代码：用条件移动指令（cmov）或算术运算替代分支。如
max(a,b)可以不用 if - 分支消除：将条件判断移出循环（循环分裂），或用 lookup table 替代 switch-case
Q: 手撕：删除有序数组中的重复元素？
（编程题）