名企AI面试100题：计算机语言基础与算法高频考点解析

简介：《名企AI面试100题》PDF资料面向备战互联网名企AI岗位的求职者与在校学生，聚焦计算机语言基础、算法与大数据、机器学习、深度学习及应用方向等核心考点，帮助读者在有限时间内高效梳理高频笔试面试题。资源包内含1个PDF文件，大小约49.22MB，内容按章节组织，涵盖C++的extern "C"、多线程与多任务、Java类初始化顺序、死锁编写、ArrayList遍历删除、Linux CPU与进程查看、iptables规则、Python去重与快排等典型题目，每题均配有解析思路与代码示例。该资料源自七⽉在线近4000道题库的精选题集，题目顺序与官网保持一致，便于对照讨论与查漏补缺。目前已有251人学习下载，适合需要系统刷题、快速复盘语言基础与算法细节的读者参考使用。

1. 计算机语言基础：从 extern "C" 到 Python 去重，名企 AI 面试的第一道门槛

很多人以为 AI 岗面试上来就是 SVM、Transformer，结果一面挂在了extern "C"和 Java 类初始化顺序上。这份《名企AI面试100题》把计算机语言基础放在第 1 章，不是凑数——它对应的是笔试/面试里最容易被忽视、也最容易拉开差距的“基本功筛选题”。这一章覆盖 C/C++、Java、Linux、Python 四类语言的基础考点，题目难度不大，但面试官往往通过它们判断你的工程素养是否扎实。适合正在准备 AI 方向笔试面试、但语言基础已经有些生疏的候选人。下面按考点模块拆开讲，每道题都给答题思路和易错提醒。

1.1 C++ 与 C 混合编程：extern "C" 到底在解决什么问题

这道题几乎每份 C++ 面试题库都会出现，但能答到点子上的人不多。面试官最想听的不是“加 extern C 就能调用”，而是你理解name mangling（名称修饰）这个机制。

C++ 支持函数重载，编译器会把函数名和参数类型一起编码进符号名，比如void foo(int, int)编译后可能变成_foo_int_int；而 C 编译器不做这种修饰，foo就是_foo。当 C++ 程序去链接一个由 C 编译器生成的目标文件时，链接器拿着修饰过的名字去找，自然找不到。

答题思路分三步走：

1. 先点明 extern 本身是作用域声明关键字，extern "C" 是链接声明（linkage declaration）。
2. 解释 C++ 名称修饰机制，说明为什么 C++ 编译后的符号名和 C 不一样。
3. 落到实际用法：在 C++ 中引用 C 头文件时用extern "C" { #include "xxx.h" }包起来；反过来 C 引用 C++ 函数时，C++ 头文件里加 extern "C"，但 C 文件里只能声明为 extern 类型，不能直接包含带 extern "C" 的头文件。

// C++ 中调用 C 函数的正确写法 extern "C" { #include "cExample.h" // C 头文件里声明的是 extern int add(int, int); } int main() { add(2, 3); // 链接器按 C 规则找 _add，而不是 _add_int_int return 0; }

注意：如果模块 A 声明了 extern "C" 而模块 B 没有，链接阶段会直接报 undefined reference，这是最常见的翻车点。

1.2 Java 类初始化顺序：静态块、普通块、构造函数的执行链条

这道题在笔试里经常以“写出下面代码的输出结果”形式出现，面试里则要求你口述完整顺序。结论先给：

基类静态代码块和静态成员字段（并列，按代码出现顺序，只执行一次）→ 派生类静态代码块和静态成员字段（同上）→ 基类普通代码块和普通成员字段（按出现顺序）→ 基类构造函数 → 派生类普通代码块和普通成员字段 → 派生类构造函数。

面试官想确认的是你分得清“类加载时执行”和“对象创建时执行”这两个时机。静态部分只在类第一次加载时跑一次，普通部分每次 new 对象都会跑。

答题时建议用一个最小例子说明，比如父类静态块打印 “Base Static”，子类静态块打印 “Child Static”，然后 new 子类对象，输出顺序一定是先 Base Static 再 Child Static，最后才是构造相关的输出。如果面试官追问“静态字段和静态块谁先”，答案是按代码中出现的先后顺序，谁在前面谁先执行。

1.3 多线程与死锁：概念辨析和手写代码

“什么是多线程，多线程与多任务有什么区别”是概念题，但“写一个死锁”是动手题，两者经常连着考。

多线程是进程内的概念，一个程序可以同时跑多个线程，共享进程内存空间；多任务是操作系统层面的概念，指同时运行多个独立进程，每个进程有自己独立的内存空间。面试官最想听到的关键区别是：多线程共享资源，多任务不共享。

手写死锁的答题模板：

public class DeadLockDemo { private static final Object lock1 = new Object(); private static final Object lock2 = new Object(); public static void main(String[] args) { new Thread(() -> { synchronized (lock1) { System.out.println("Thread A holds lock1"); try { Thread.sleep(100); } catch (InterruptedException e) {} synchronized (lock2) { System.out.println("Thread A gets lock2"); } } }).start(); new Thread(() -> { synchronized (lock2) { System.out.println("Thread B holds lock2"); try { Thread.sleep(100); } catch (InterruptedException e) {} synchronized (lock1) { System.out.println("Thread B gets lock1"); } } }).start(); } }

两个线程分别持有 lock1 和 lock2，再互相请求对方持有的锁，形成循环等待。写完之后补一句：死锁的四个必要条件——互斥、持有并等待、不可剥夺、循环等待，破坏任意一个就能避免死锁。

1.4 Linux 与 Python 实操题：命令和代码都要能落地

这部分题目偏实操，面试官看重的是你平时是否真的用过，而不是背过。

查看 CPU 信息：lscpu一条命令就能看到物理 CPU 数量、每颗核数、线程数。面试时如果追问“物理 CPU 和逻辑 CPU 的区别”，答“物理 CPU 是硬件插槽上的芯片数，逻辑 CPU 是核数乘以超线程数”。

top 命令看内存：%Mem列是内存使用率，RES是驻留内存大小，SHR是共享内存大小。别把 VIRT 当成实际内存占用，那是虚拟内存，包含未实际分配的地址空间。

iptables 拒绝特定 IP 访问 80 端口：

iptables -A INPUT -s 192.168.1.101 -p tcp --dport 80 -j DROP

参数含义：-A INPUT追加到入站规则链，-s指定来源 IP，-p tcp协议，--dport 80目标端口，-j DROP直接丢弃不回应。

Python 删除 list 重复元素：

my_list = [1, 2, 2, 3, 3, 3, 4, 5, 5] # 方法一：set 去重，不保证顺序 my_list = list(set(my_list)) # 方法二：保序去重，用 dict.fromkeys my_list = list(dict.fromkeys(my_list))

面试官通常会追问“set 去重后顺序变了吗”，答案是变了，因为 set 是无序的。如果要保序，用dict.fromkeys或者手动遍历加辅助集合。

Python 拷贝对象的区别：赋值是引用传递，浅拷贝只复制顶层对象，深拷贝递归复制所有嵌套对象。面试时举一个嵌套 list 的例子就能说清楚。

1.5 易错点：这五道题最容易丢分

第一错：extern "C" 说成“让 C++ 能调用 C”就完了。错在没解释 name mangling 机制。面试官要的是你理解链接器层面的符号匹配问题，不是背结论。答对的关键是先讲 C++ 函数重载导致符号名变化，再落到 extern "C" 让编译器按 C 规则生成符号。

第二错：Java 初始化顺序把静态块和普通块的执行时机搞混。错在没区分“类加载”和“对象创建”。静态部分只在类第一次加载时执行一次，普通部分每次 new 都执行。答对的关键是画一条时间线：类加载 → 静态初始化 → 对象创建 → 普通初始化 → 构造函数。

第三错：for 循环删除 ArrayList 元素时说不清为什么抛异常。错在只说“会报 ConcurrentModificationException”但没解释 modCount 机制。ArrayList 的迭代器每次 next() 会检查 modCount 是否等于 expectedModCount，删除操作会修改 modCount，导致检查失败。答对的关键是提 Iterator.remove() 或者 removeIf() 是安全的，因为迭代器内部同步更新了 expectedModCount。

第四错：top 命令里把 VIRT 当成内存占用。错在没区分虚拟内存和物理内存。VIRT 包含进程申请但未实际使用的地址空间，RES 才是真正占用的物理内存。答对的关键是记住三个指标：VIRT 虚拟内存、RES 驻留内存、SHR 共享内存。

第五错：Python 去重只说 set 不说顺序问题。错在忽略了业务场景中对顺序的要求。答对的关键是主动提“set 去重不保序，如果需要保序用 dict.fromkeys 或手动遍历”。

2. 算法和大数据：手写代码与海量数据处理的答题套路

算法题是 AI 岗面试的重头戏，这一章覆盖链表、树、数组、动态规划以及 Hadoop/Spark 和海量数据处理。面试官出这类题，一是看你代码功底，二是看你能不能把思路讲清楚。下面按题型拆解答题模板。

2.1 链表与树：判断环、B 树操作、有序链表转 BST

判断单链表是否有环：经典解法是快慢指针。快指针每次走两步，慢指针每次走一步，如果相遇则有环。面试时先口述思路再写代码：

class ListNode: def __init__(self, val=0): self.val = val self.next = None def has_cycle(head): slow = fast = head while fast and fast.next: slow = slow.next fast = fast.next.next if slow == fast: return True return False

面试官常追问“如何找到环的入口”。答案是相遇后把慢指针重置到头节点，两个指针每次各走一步，再次相遇的位置就是环的入口。推导过程用数学公式说明：设头到入口距离为 a，入口到相遇点为 b，相遇点到入口为 c，则 a = c。

B 树的插入和删除：面试里不会让你手写完整 B 树，但会问插入时节点满了怎么办（分裂）、删除时节点下溢怎么办（借位或合并）。答题时抓住“保持所有叶子在同一层”这个核心性质展开。

有序链表转换二叉搜索树：思路是找中间节点作为根，递归处理左右两部分。可以用快慢指针找中点，也可以先把链表转成数组再二分。

2.2 数组与动态规划：子序列、连续子数组、路径和

最大连续子数组和：经典 Kadane 算法，状态转移方程dp[i] = max(dp[i-1] + nums[i], nums[i])。

def max_subarray(nums): max_sum = cur_sum = nums[0] for num in nums[1:]: cur_sum = max(num, cur_sum + num) # 要么接上前面，要么从当前重新开始 max_sum = max(max_sum, cur_sum) return max_sum

面试官会追问“如果要求返回子数组的起止下标怎么办”，答“额外记录起始位置，当 cur_sum 重新开始时更新临时起点，当 max_sum 更新时保存临时起点和终点”。

金字塔最小路径之和：二维动态规划，从底部往上推。dp[j] = min(dp[j], dp[j+1]) + triangle[i][j]，空间复杂度可以优化到 O(n)。

最长连续递增序列：一次遍历，维护当前连续长度和最大长度。注意是“连续”递增，不是最长递增子序列，两者解法完全不同。

2.3 海量数据处理：Hadoop/Spark 区别与 Top K 问题

Hadoop 和 Spark 的异同：相同点是都做并行计算。区别在于 Hadoop 的 MapReduce 基于磁盘，每轮迭代都要读写 HDFS；Spark 基于内存，用 RDD 做弹性分布式数据集，迭代计算快得多。面试时补一句“Spark 适合迭代式机器学习，Hadoop 适合一次性批处理”。

寻找重复出现次数最多的前 100 个关键字：标准答法是分治加哈希。先对海量数据做哈希取模分成 N 个小文件，每个小文件用 HashMap 统计词频，再用最小堆选出每个文件的前 100，最后归并所有小文件的结果。

从海量日志中找访问次数最多的 IP：同样的分治思路。先哈希分文件，再统计，最后归并。面试官可能追问“如果某个 IP 特别热，哈希后还是集中在一个文件怎么办”，答“换哈希函数或者对该文件二次拆分”。

3. 机器学习：从 SVM 到 XGBoost 的高频考点与答题模板

机器学习是 AI 面试的核心章节，这份题库里占了 29 道题。面试官考察的重点不是推导细节，而是你能否用通俗语言解释算法原理、说清优缺点和适用场景。下面按考点模块拆解。

3.1 SVM 与树模型：原理、归一化和离散化

SVM 原理：面试官最想听的是三个关键词——最大间隔、支持向量、核函数。答题框架：SVM 寻找一个超平面，使得正负样本到超平面的最小距离最大化；决定这个超平面的只有支持向量；当线性不可分时，用核函数把数据映射到高维空间使其线性可分。如果追问“软间隔和硬间隔的区别”，答“硬间隔要求所有样本都分类正确，软间隔引入松弛变量允许部分样本越界，用参数 C 控制惩罚力度”。

树形结构为什么不需要归一化：因为决策树每次分裂只看特征的一个阈值，比如“年龄 > 30”，特征缩放不改变分裂点的相对顺序。而 SVM、KNN、神经网络这些基于距离或梯度的算法，特征量纲不同会导致距离计算失真或收敛变慢。

逻辑回归为什么要对特征离散化：离散化后每个特征取值变成一个独立的权重，模型表达能力更强；离散化对异常值更鲁棒；稀疏向量内积计算快。面试时补一句“工业界常用等频分箱或卡方分箱”。

3.2 过拟合、梯度下降与 XGBoost

过拟合怎么解决：答题分四个方向——增加数据量、正则化（L1/L2）、Dropout（深度学习）、早停（Early Stopping）。面试官可能追问“L1 和 L2 正则的区别”，答“L1 产生稀疏解可以做特征选择，L2 让权重趋向于小值但不为零”。

梯度下降法：先说三种变体——批量梯度下降（BGD）、随机梯度下降（SGD）、小批量梯度下降（Mini-batch GD）。BGD 每次用全部样本计算梯度，稳定但慢；SGD 每次用一个样本，快但震荡；Mini-batch 折中，是实际最常用的。

XGBoost 为什么要用泰勒展开：因为原损失函数可能很复杂，二阶泰勒展开后得到一个统一的二次函数形式，可以直接求出最优叶子权重和分裂增益，把优化问题简化成解析解。面试时补一句“GBDT 只用了一阶导数，XGBoost 用了二阶，收敛更快更准”。

3.3 判别式 vs 生成式、EM 算法、贝叶斯定理

判别式模型和生成式模型：判别式直接建模 P(y|x)，如逻辑回归、SVM、决策树；生成式建模 P(x,y)，如朴素贝叶斯、隐马尔可夫。判别式通常分类精度更高，生成式能处理缺失数据且样本需求更少。

EM 算法：分两步——E 步根据当前参数估计隐变量的期望，M 步最大化期望似然更新参数。反复迭代直到收敛。面试时举高斯混合模型的例子说明最直观。

贝叶斯定理：P(A|B) = P(B|A) * P(A) / P(B)。面试官想听的是你对先验、似然、后验三个概念的理解，以及朴素贝叶斯“特征条件独立假设”的含义和局限性。

3.4 特征工程与模型评估：AUC、特征选择、降维

AUC 的物理意义：随机抽一个正样本和一个负样本，模型给正样本打分高于负样本的概率就是 AUC。AUC = 0.5 相当于随机猜，AUC = 1 是完美分类。面试时补一句“AUC 对类别不平衡不敏感，这是它比准确率好的地方”。

特征选择方法：过滤法（方差选择、卡方检验、互信息）、包裹法（递归特征消除）、嵌入法（L1 正则、树模型特征重要性）。面试时按“计算成本从低到高”的顺序说。

降维方法：PCA 做线性降维，通过特征值分解保留方差最大的方向；t-SNE 做非线性降维，适合可视化。面试官可能追问“PCA 和 LDA 的区别”，答“PCA 是无监督的，LDA 是有监督的，LDA 最大化类间距离同时最小化类内距离”。

3.5 集成学习：RF、GBDT、XGBoost、Adaboost 的区别与联系

这是面试高频区，建议用一张对比表说清楚：

面试官最常问的是“RF 和 GBDT 的区别”。答：RF 是并行训练多棵树然后投票，降低方差；GBDT 是串行训练，每棵树拟合前面所有树的残差，降低偏差。XGBoost 在 GBDT 基础上加了二阶导、正则化、并行特征分裂查找等优化。

4. 深度学习：CNN、RNN、Transformer 的必考知识点

深度学习章节覆盖 15 道题，从激活函数到注意力机制都有。面试官考察的是你对网络结构的理解深度，以及调参经验。

4.1 归一化、激活函数与梯度问题

归一化和标准化的区别：归一化把数据缩放到 [0,1]，公式(x - min) / (max - min)；标准化把数据变成均值 0 方差 1，公式(x - mean) / std。面试时补一句“图像数据常用归一化，表格数据常用标准化”。

ReLU 为什么比 Sigmoid 和 tanh 好：Sigmoid 和 tanh 在饱和区梯度接近零，导致梯度消失；ReLU 在正区间梯度恒为 1，缓解了梯度消失，且计算简单。面试官可能追问“ReLU 的缺点是什么”，答“负区间梯度为零，可能导致神经元死亡，用 Leaky ReLU 或 ELU 可以缓解”。

梯度消失和梯度爆炸：梯度消失是深层网络中梯度逐层相乘后趋近于零，参数不更新；梯度爆炸是梯度逐层相乘后变得极大，参数更新过猛。解决方法包括：换 ReLU 激活函数、用 Batch Normalization、残差连接、梯度截断。

4.2 CNN 与 RNN：从卷积到 LSTM

CNN 基本原理：卷积层用卷积核在输入上滑动做局部加权求和，提取局部特征；池化层降采样，减少参数量；全连接层做分类。面试时补一句“卷积的权值共享和局部连接大大减少了参数量”。

RNN 到 LSTM：RNN 的隐藏状态每一步都传递，但长序列中梯度消失导致记不住远距离信息。LSTM 引入三个门——遗忘门决定丢弃哪些信息，输入门决定写入哪些新信息，输出门决定输出哪些信息。面试时画一个简单的门控示意图比纯文字更清楚。

NMS 非极大值抑制：目标检测中，同一个物体可能被多个框检测到，NMS 按置信度排序，保留最高的框，然后删除与它 IOU 超过阈值的框，重复直到处理完所有框。

4.3 注意力机制与 Transformer

注意力机制通俗理解：给定一个查询 Q，用它与每个键 K 计算相似度，归一化后作为权重，对值 V 加权求和。面试时用“查字典”类比：Q 是你要查的词，K 是字典的索引，V 是索引对应的解释。

Transformer 核心结构：编码器由多头自注意力和前馈网络组成，解码器多了一个交叉注意力层。面试官最想听的是“自注意力怎么算的”：

import numpy as np def scaled_dot_product_attention(Q, K, V): d_k = Q.shape[-1] scores = np.dot(Q, K.T) / np.sqrt(d_k) # 缩放点积 weights = np.exp(scores) / np.exp(scores).sum(axis=-1, keepdims=True) # softmax return np.dot(weights, V)

参数说明：Q、K、V 都是输入序列的线性变换，d_k 是键的维度，除以 sqrt(d_k) 是为了防止点积过大导致 softmax 梯度消失。

BN（Batch Normalization）：对每个 mini-batch 做归一化，使激活值均值 0 方差 1，然后引入可学习的缩放和平移参数。面试时补一句“BN 在训练时用 batch 统计量，推理时用全局统计量”。

5. 应用方向：CV、NLP、推荐、风控的押题思路与答题技巧

最后一章落到应用方向，这份题库覆盖了目标检测、NLP 预训练、推荐系统和金融风控。面试官出这类题，看的是你能否把算法和业务场景结合起来。

5.1 CV 方向：目标检测与图像特征

目标检测技术演进：从 R-CNN 到 Fast R-CNN 到 Faster R-CNN，再到 YOLO 和 SSD。面试时按“两阶段 vs 单阶段”分类说：两阶段先生成候选框再分类，精度高但慢；单阶段直接回归框和类别，速度快但小物体检测稍弱。

IOU 评价函数：交并比，预测框和真实框的交集面积除以并集面积。面试官可能追问“IOU 有什么缺点”，答“如果两个框不相交，IOU 为零，梯度消失，所以有了 GIOU、DIOU、CIOU”。

感受野：卷积神经网络中，输出特征图上一个像素点对应输入图像上的区域大小。面试时补一句“感受野越大，能看到的上下文信息越多，但计算量也越大”。

5.2 NLP 方向：从 Word2Vec 到 BERT

TF-IDF：TF 是词频，IDF 是逆文档频率，两者相乘衡量一个词对文档的重要性。面试时补一句“TF-IDF 的缺点是没考虑词的位置和语义”。

Word2Vec：两种训练方式——CBOW 用上下文预测中心词，Skip-gram 用中心词预测上下文。面试时用“国王 - 男人 + 女人 ≈ 女王”这个经典例子说明词向量的语义关系。

从 Word Embedding 到 BERT：Word2Vec 是静态词向量，同一个词在不同语境下向量相同；ELMo 用双向 LSTM 做动态词向量；BERT 用 Transformer 编码器和掩码语言模型，真正实现了上下文相关的词表示。

5.3 推荐与风控：协同过滤、冷启动、WOE 编码

协同过滤：基于用户（找相似用户推荐他们喜欢的物品）或基于物品（找相似物品推荐给用户）。面试时补一句“协同过滤的缺点是冷启动和稀疏性问题”。

冷启动：新用户或新物品没有历史数据。解决方法：利用注册信息做粗粒度推荐、推热门物品、用知识图谱补充物品属性。

WOE 编码：Weight of Evidence，计算每个分箱中正负样本比的对数。面试时补一句“WOE 编码后特征与目标变量呈线性关系，且能处理缺失值”。

5.4 答题技巧：从审题到收尾的完整流程

面试答题最怕的是“想到哪说到哪”。我自己的习惯是每次拿到题先花 10 秒在脑子里过一遍结构：定义 → 原理 → 优缺点 → 应用场景 → 延伸。比如被问到 XGBoost，先说“XGBoost 是梯度提升树的优化实现”，再讲“它用二阶泰勒展开和正则化”，然后说“优点是精度高、支持并行，缺点是参数多、调参复杂”，最后补一句“工业界常用于 CTR 预估和风控评分卡”。

还有一条血泪经验：不会的题不要硬编。面试官最反感的是胡扯。正确的做法是先说“这个点我了解得不够深入”，然后把你确定知道的相关知识说出来，最后补一句“面试结束后我会重点补这块”。这样既诚实又展示了学习态度。

押题方向上，建议重点准备三类题：一是你简历上写了的项目相关算法，面试官一定会追问细节；二是高频基础题，比如 SVM、XGBoost、Transformer，几乎每场必考；三是业务场景题，比如“给你一个不平衡数据集怎么处理”“推荐系统怎么解决冷启动”。这三类题准备到位，面试通过率会明显提升。

从那以后我每次面试前都强制走一遍这个流程：把简历上的项目对应的算法原理、优缺点、调参经验各写一遍，再找三五个高频题手写代码或口述思路。希望帮到你。

本文还有配套的精品资源，点击获取