简介：《名企AI面试100题》是一份面向求职互联网大厂AI岗位的笔试面试备考资料，尤其适合准备计算机语言基础、算法与大数据、机器学习、深度学习及应用方向（CV、NLP、推荐、金融风控）等章节的候选人。资源以PDF形式呈现，压缩包内共1个文件，大小约49.22MB，内容源自七月在线近4000道题库中精选的100道高频题，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去重与快排等典型考点。每道题均配有解析与代码示例，目录按章节与官网题目顺序保持一致，便于对照刷题与查漏补缺。目前已有251人学习下载，适合需要系统梳理面试知识体系、提升复习效率的开发者与应届生使用。

1. 名企AI面试100题：从4000道题库里筛出的100道，到底考什么

如果你正在准备AI方向的笔试面试，大概率刷到过“名企AI面试100题”这个资料。它不是什么新出的网红题库，而是从近4000道题里精挑细选出来的100道，覆盖计算机语言基础、算法和大数据、机器学习、深度学习、应用方向（CV/NLP/推荐/金融风控）五大章节。换句话说，这100题是“高频中的高频”，是面试官反复拿出来问的那一批。

这份资料适合谁？适合已经有一定基础、不想在几千道题里大海捞针的人。它不教你从零入门，而是帮你把有限的时间砸在真正会考的点上。每道题都经过反复审查，代码和解析都有review痕迹，这在免费题库里不多见。下面按考点模块拆开讲，每一章都落到“面试官会怎么问、你该怎么答”。

2. 计算机语言基础：extern "C"、多线程、Java初始化顺序与Linux命令

2.1 extern "C"为什么是C++调C的必经之路

这是第一章的第一题，也是很多人翻车的地方。面试官问“在C++程序中调用被C编译器编译后的函数，为什么要加extern "C"”，其实是在考你知不知道名称修饰（name mangling）这回事。

C++支持函数重载，所以编译器会把函数名和参数类型揉在一起生成一个独一无二的符号名，比如void foo(int x, int y)可能变成_foo_int_int。而C编译器不搞这套，它生成的符号就是_foo。当C++代码去链接C编译出来的目标文件时，链接器拿着_foo_int_int去找，自然找不到_foo，于是报“未定义符号”。

extern "C"的作用就是告诉C++编译器：这段声明按C语言的规则来，别做名称修饰。这样链接器就能对上号。

答题思路分三层：先说名称修饰的机制，再说链接阶段找不到符号的现象，最后点出extern "C"的真实目的是实现C++与C的混合编程。面试官最想听的是“动机”，不是背定义。

提示：如果面试官追问“C调C++怎么办”，答“在C++头文件里加extern "C"，但C文件里不能直接include这个头文件，要单独用extern声明函数原型”。

2.2 多线程与多任务的区别，以及Java类初始化顺序

多线程和多任务这题看着简单，但很多人答得含糊。关键区分点：多任务是对操作系统而言的，代表操作系统能同时跑多少个程序；多线程是对一个程序而言的，代表一个进程内能同时跑多少个执行流。线程共享进程的内存空间，进程之间是隔离的。面试官问这题，是想确认你分得清“进程”和“线程”的边界。

Java类初始化顺序是另一道高频题，而且容易答漏。完整顺序是：基类静态代码块和静态成员字段（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（同样只执行一次）→ 基类普通代码块和普通成员字段（按顺序）→ 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。

注意“并列优先级”这个细节：静态代码块和静态成员字段谁先执行，取决于它们在代码里谁先出现。面试官如果给一段代码让你判断输出，你就按这个顺序逐行推。

2.3 死锁怎么写，ArrayList能不能边遍历边删

“写一个死锁”是手写题里的经典。思路很简单：两个线程，两把锁，交叉持有。线程A先拿锁1再请求锁2，线程B先拿锁2再请求锁1，双方都在等对方释放，死锁就形成了。代码不用长，关键是把“持有并等待”和“循环等待”两个条件体现出来。

public class DeadlockDemo { private static final Object lock1 = new Object(); private static final Object lock2 = new Object(); public static void main(String[] args) { // 线程A：先拿lock1，再请求lock2 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 holds lock2"); } } }).start(); // 线程B：先拿lock2，再请求lock1 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 holds lock1"); } } }).start(); } }

这段代码里，Thread.sleep(100)是为了让两个线程都有时间拿到第一把锁，增大死锁概率。实际面试时你写个简化版就行，但要把“交叉请求”这个核心讲清楚。

ArrayList那题问的是“能不能用for循环直接删除特定元素”。答案是：不能，会抛ConcurrentModificationException。原因是ArrayList的迭代器在遍历时会检查modCount，你直接调list.remove()会修改这个值，迭代器发现不一致就抛异常。正确做法是用Iterator.remove()，或者用removeIf()，或者换CopyOnWriteArrayList。

2.4 Linux命令三连：CPU核数、内存占用、进程查看

Linux命令是基础题里的送分题，但送分题丢分最可惜。查物理CPU数量和每颗核数，用lscpu最直接，输出里“CPU(s)”是逻辑核总数，“Core(s) per socket”是每颗CPU的核数，“Socket(s)”是物理CPU数。

top命令里看内存占用，重点看两列：%MEM是进程内存使用率，RES是驻留内存大小（实际占用的物理内存），SHR是共享内存。面试官如果问“哪个表示内存占用”，答%MEM和RES都算对，但要说清楚区别。

查看当前系统进程，ps aux是最常用的，输出里USER、PID、%CPU、%MEM、COMMAND这几列要能指认。另外iptables拒绝特定IP访问80端口的规则也要会写：

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

-A INPUT表示追加到入站规则链，-s指定来源IP，-p tcp指定协议，--dport 80指定目标端口，-j DROP表示直接丢弃。面试官可能会追问-j REJECT和-j DROP的区别：DROP是静默丢弃，REJECT会返回一个拒绝响应。

2.5 Python手写题：去重、lambda、快排、回文、拷贝、列目录

Python部分全是手写题，面试官要看你能不能当场写出可运行的代码。

去重最简单：list(set(my_list))，但要注意这会打乱顺序。如果要求保持原顺序，得用dict.fromkeys()或者循环加判断。

lambda函数的好处是简洁、可以当参数传，适合一次性使用的小函数。面试官问这题通常是想引出map、filter、sorted里的key参数用法。

快速排序手写是高频中的高频。核心是选基准、分区、递归。下面是一个标准实现：

def quick_sort(arr): if len(arr) <= 1: return arr pivot = arr[len(arr) // 2] # 选中间元素作为基准 left = [x for x in arr if x < pivot] mid = [x for x in arr if x == pivot] right = [x for x in arr if x > pivot] return quick_sort(left) + mid + quick_sort(right)

这段代码用列表推导做分区，可读性好，但空间复杂度比原地快排高。面试时如果要求原地排序，得用双指针交换的写法。关键注释要写清楚基准选择和分区逻辑。

回文检查用word == word[::-1]就行，但面试官可能要求忽略大小写和标点，那就得先清洗字符串。

深浅拷贝的区别：赋值是引用绑定，浅拷贝只复制顶层对象，深拷贝递归复制所有嵌套对象。用copy.copy()和copy.deepcopy()演示最清楚。

列目录下所有文件名，用os.listdir()或os.walk()。如果要求递归列出，os.walk()更合适。

3. 算法和大数据：链表环、B树、子序列、Top K与海量日志

3.1 判断单链表是否有环，以及B树的插入删除

链表环这题的标准解法是快慢指针：快指针每次走两步，慢指针每次走一步，如果相遇就有环。面试官可能追问“怎么找环的入口”，答案是相遇后把快指针重置到头节点，然后两个指针每次各走一步，再次相遇的位置就是入口。

B树的插入和删除是数据结构里的硬骨头。插入的核心是“分裂”：节点满了就中间元素上移，左右分成两个节点。删除更复杂，分三种情况：删叶子节点直接删，删内部节点用前驱或后继替换，如果删除后节点元素数低于下限就要“合并”或“借元素”。面试时不用写完整代码，但要把分裂和合并的触发条件说清楚。

3.2 数组子序列、单调递增找a[x]==x、最大连续子数组和

“数组中子序列的个数”这题，如果数组长度是n，子序列总数是2^n（包括空序列）。面试官可能要求“非空子序列”，那就是2^n - 1。如果要求“连续子序列”，那是n(n+1)/2。

“严格单调递增数组找a[x]==x”用二分查找。因为数组严格递增，如果a[mid] > mid，说明目标在左半部分；如果a[mid] < mid，说明目标在右半部分。

最大连续子数组和是动态规划入门题。状态转移方程：dp[i] = max(dp[i-1] + nums[i], nums[i])，答案是max(dp)。面试官可能要求输出子数组的起止位置，那就得额外记录。

3.3 金字塔最小路径和、最长连续递增序列、交替字符串

金字塔最小路径和是二维DP的经典题。从底部往上推更简单：dp[j] = min(dp[j], dp[j+1]) + triangle[i][j]。面试时先讲思路再写代码，注意空间可以优化到O(n)。

最长连续递增序列用一次遍历就行，维护当前长度和最大长度。交替字符串是判断两个字符串能否交替组成第三个字符串，用二维DP或者双指针加回溯。

有序链表转换二叉搜索树，核心是找中点。用快慢指针找到链表中点作为根，然后递归处理左右两半。

3.4 Hadoop和Spark的异同，以及海量数据Top K问题

Hadoop和Spark都是并行计算框架，但Hadoop的MapReduce把中间结果写磁盘，Spark把中间结果放内存。所以Spark迭代计算快，但内存消耗大。面试官问这题是想看你有没有实际选型经验。

“寻找重复出现次数最多的前100个关键字”和“从海量日志中提取访问次数最多的IP”，都是Top K问题的变种。标准解法是哈希分桶加小顶堆：先哈希把数据分到多个桶里，每个桶单独统计频率，然后用大小为K的小顶堆维护每个桶的Top K，最后合并。

import heapq from collections import Counter def top_k_words(text, k): words = text.split() freq = Counter(words) # 统计词频 # 用小顶堆维护前k个高频词 return heapq.nlargest(k, freq.items(), key=lambda x: x[1])

Counter负责词频统计，heapq.nlargest内部维护一个大小为k的小顶堆，遍历所有元素后堆里剩下的就是Top K。时间复杂度O(n log k)，空间O(n)。面试时如果数据量大到内存放不下，就要先分桶再各自统计。

4. 机器学习：SVM、过拟合、梯度下降、XGBoost与特征工程

4.1 SVM原理、树模型为什么不需要归一化、逻辑回归为什么要离散化

SVM是机器学习面试的必考题。核心思想是找最大间隔超平面，用核函数处理非线性可分。面试官可能让你推导对偶问题，或者解释支持向量的含义。答题时先说硬间隔，再说软间隔和松弛变量，最后说核技巧。

“树形结构为什么不需要归一化”是因为树模型分裂节点时只看特征值的相对大小，不看绝对距离。归一化改变的是数值尺度，不改变排序，所以对树模型没影响。

“逻辑回归为什么要对特征离散化”这题有点反直觉。离散化后每个特征变成多个0/1特征，相当于引入了非线性，而且稀疏向量内积计算快，还方便做特征交叉。面试官想听的是“离散化提升了模型的非线性表达能力”。

4.2 过拟合怎么解决，梯度下降法，XGBoost为什么用泰勒展开

过拟合的解决手段：增加数据、正则化（L1/L2）、Dropout、早停、降低模型复杂度、集成学习。面试时按“数据层面、模型层面、训练层面”分类答，显得有条理。

梯度下降法要讲清楚批量梯度下降、随机梯度下降、小批量梯度下降的区别，以及学习率的影响。面试官可能让你手写一个简单的梯度下降更新公式。

XGBoost用泰勒展开是为了把损失函数近似成二次形式，这样可以直接求出最优叶子权重，而且支持自定义损失函数。面试官问这题是想看你懂不懂XGBoost比GBDT强在哪。

4.3 判别式模型和生成式模型，EM算法，贝叶斯定理

判别式模型直接建模P(y|x)，比如逻辑回归、SVM。生成式模型建模P(x,y)，比如朴素贝叶斯、隐马尔可夫。面试官问这题通常是想引出“为什么判别式模型在分类任务上通常更好”。

EM算法是含隐变量概率模型的通用求解框架，分E步和M步交替迭代。面试时用高斯混合模型举例最直观。

贝叶斯定理的核心是“先验乘以似然等于后验”。面试官可能让你用贝叶斯解释一个实际场景，比如垃圾邮件分类。

4.4 特征选择、AUC物理意义、常见分类算法对比

特征选择方法分三类：过滤法（方差选择、卡方检验）、包裹法（递归特征消除）、嵌入法（L1正则、树模型特征重要性）。

AUC的物理意义是“随机取一个正样本和一个负样本，模型把正样本排在负样本前面的概率”。AUC等于0.5表示模型没有区分能力，等于1表示完美区分。

常见分类算法对比要能说出逻辑回归、决策树、SVM、随机森林、GBDT各自的优缺点和适用场景。面试官可能让你画个表对比。

4.5 RF与GBDT的区别，缺失值处理，KNN过程

随机森林是Bagging思想，并行训练多棵树然后投票。GBDT是Boosting思想，串行训练每棵树拟合前面的残差。面试官问这题是想看你分不分得清Bagging和Boosting。

缺失值处理：删除、均值/中位数/众数填充、模型预测填充、单独作为一类。树模型对缺失值不敏感，可以直接处理。

KNN过程：算距离、找K个最近邻、投票或平均。面试官可能追问K怎么选、距离怎么度量。

4.6 特征工程操作、降维、提升96%精度模型、选择重要变量

特征工程包括：缺失值处理、异常值处理、归一化/标准化、离散化、特征交叉、特征选择。面试官想听的是你实际做过哪些操作，以及为什么这么做。

降维方法：PCA、LDA、t-SNE。PCA是无监督的，LDA是有监督的。

“如何提升已经达到96%精度的分类模型性能”这题，先看业务能不能接受、再看数据有没有噪声、然后试集成学习、最后考虑换模型。

“如何选择重要变量”用L1正则、树模型特征重要性、递归特征消除都行。

4.7 GBM和随机森林的区别，过拟合欠拟合，XGBoost和GBDT原理

GBM和随机森林的区别前面说过，核心是Boosting和Bagging。

过拟合是训练集表现好测试集表现差，欠拟合是两边都差。解决过拟合加正则、加数据，解决欠拟合加特征、加模型复杂度。

XGBoost和GBDT的原理要能讲清楚：GBDT用负梯度拟合残差，XGBoost用二阶泰勒展开加正则项。

4.8 Adaboost、正则化、决策树回归SVM神经网络优缺点、最大熵、贝叶斯网络

Adaboost的核心是“关注错分样本”，每轮增加错分样本的权重。

正则化是给损失函数加惩罚项，L1产生稀疏解，L2防止权重过大。

决策树、回归、SVM、神经网络的优缺点要能对比着说。

最大熵模型的原则是“满足约束的前提下让熵最大”。

贝叶斯网络是用有向无环图表示变量间的依赖关系。

5. 深度学习和应用方向：ReLU、梯度问题、CNN、RNN、Transformer与推荐系统

5.1 归一化和标准化的区别，ReLU为什么好，什么数据集不适合深度学习

归一化是把数据缩放到[0,1]，标准化是把数据变成均值为0方差为1。面试官问这题是想看你分不分得清min-max和z-score。

ReLU比tanh和sigmoid好，因为它在正区间梯度恒为1，不会梯度消失，而且计算简单。

不适合深度学习的数据集：数据量太小、特征维度太低、任务太简单、标注噪声太大。

5.2 梯度消失和梯度爆炸，CNN常用模型，RNN到LSTM

梯度消失和梯度爆炸的缓解方法：换激活函数（ReLU）、用BN、残差连接、梯度截断、LSTM门控机制。

CNN常用模型：LeNet、AlexNet、VGG、GoogLeNet、ResNet。面试官可能让你说ResNet解决了什么问题。

RNN到LSTM的演化：RNN有梯度消失问题，LSTM用输入门、遗忘门、输出门控制信息流动。

5.3 CNN工作原理，NMS，anchor，调参思路，反向传播，BN

CNN的核心是卷积、池化、全连接。卷积提取局部特征，池化降维，全连接分类。

NMS是非极大值抑制，用于目标检测后处理，去掉重叠的候选框。

anchor是预设的参考框，用于目标检测。

调参思路：先调学习率，再调batch size，再调网络结构，最后调正则化。

反向传播是链式法则的应用，从输出层往输入层逐层求导。

BN是批归一化，把每层输入拉回标准正态分布，加速训练。

5.4 目标检测演进，IOU，边缘检测，Harris角点，感受野

目标检测从R-CNN到Fast R-CNN到Faster R-CNN到YOLO到SSD，精度和速度都在提升。

IOU是交并比，衡量两个框的重叠程度。

边缘检测用Sobel、Canny算子。

Harris角点是检测图像中角点的算法，角点对旋转不变。

感受野是输出特征图上一个点对应输入图像的区域大小。

5.5 图像检索，one-stage和two-stage，注意力机制，Transformer

图像检索上亿级别，用哈希或者向量索引加速。

one-stage（YOLO、SSD）速度快精度略低，two-stage（Faster R-CNN）精度高速度慢。

注意力机制是让模型关注重要部分。

Transformer用自注意力替代RNN，并行计算能力强。

5.6 TF-IDF，word2vec，预训练技术，协同过滤，推荐系统评价

TF-IDF衡量词的重要性，TF是词频，IDF是逆文档频率。

word2vec把词映射到向量空间，CBOW和Skip-gram两种训练方式。

预训练从Word Embedding到BERT，核心是“预训练加微调”。

协同过滤分基于用户和基于物品。

推荐系统评价指标：准确率、召回率、F1、AUC、NDCG。

5.7 排序算法，冷启动，LFM，Exploitation和Exploration，wide&deep

推荐系统排序算法：LR、GBDT、DeepFM、DIN。

冷启动解决：利用注册信息、利用社交网络、利用热门内容、快速试探。

LFM是隐语义模型，把用户和物品映射到隐空间。

Exploitation是利用已知偏好，Exploration是探索新偏好。

wide&deep结合记忆和泛化。

5.8 知识图谱引入推荐，X-Deep Learning，离线评价召回，FM到CTR，信用分，WOE，风控样本量

知识图谱引入推荐可以增加多样性和可解释性。

X-Deep Learning是阿里的开源框架，支持Online Learning。

离线评价召回用召回率、覆盖率、多样性。

从FM推演CTR模型：FM、FFM、DeepFM、xDeepFM。

信用分计算维度：身份特质、履约能力、信用历史、人脉关系、行为偏好。

WOE编码用于评分卡，把连续变量离散化后计算证据权重。

风控模型样本量：至少几万条，最好几十万条。

6. 答题技巧：从100题到4000题，怎么刷才不白刷

刷这100题，最怕的是“背答案”。面试官稍微换个问法，你就露馅了。我的血泪经验是：每道题都要走一遍“为什么问这个→核心考点是什么→如果我是面试官会怎么追问”这三步。

比如SVM那题，你不能只背“最大间隔”，要能推导对偶问题，要能解释核函数的作用，要能说出支持向量的物理意义。面试官如果追问“SVM对噪声敏感吗”，你要能答“软间隔通过松弛变量容忍噪声”。

再比如XGBoost那题，你不能只背“泰勒展开”，要能说清楚一阶导和二阶导分别对应什么，要能解释正则项的作用，要能对比GBDT和XGBoost的区别。

我自己的习惯是：每刷完一章，就合上资料，拿张白纸把这一章的核心考点默写一遍。写不出来的，回去重看。写出来了但讲不清楚的，找个朋友讲一遍。讲的时候卡壳的地方，就是面试会翻车的地方。

另外，这100题只是精选，实际笔试面试不局限于此。刷完这100题，如果还有时间，去题库里把相关章节的题都过一遍。但不要贪多，先把这100题吃透，比刷1000题但每道都似懂非懂强得多。

最后说一个容易被忽略的点：手写代码题一定要动手敲。看懂了和写出来是两回事。快排、死锁、去重这些题，你在编辑器里敲一遍，和面试时在白板或共享文档里写，感觉完全不一样。我每次准备面试，都会把高频手写题在纸上默写一遍，强制自己不看任何提示。这个习惯帮我避开了很多“以为会写其实写不出来”的坑。

希望帮到你。

本文还有配套的精品资源，点击获取