清晨六點半，鵬城的天剛矇矇亮。
林晨已經坐在書桌前，螢幕上是LeetCode的T廠高頻150題列表。他昨晚只睡了不到六小時，但此刻精神異常亢奮——距離後天的技術面試，只剩下不到兩天了。
“先從動態規劃開始”。他自言自語，點開第一題“最長遞增子序列”。
手指在鍵盤上敲擊，思路在腦海中流轉。這半年自學AI，他其實沒怎麼刷演算法題，大部分時間都花在機器學習理論和實戰專案上。但T廠的面試傳統他很清楚：演算法是基本功，過不了這一關，再好的專案經驗也白搭。
第一題順利解出，時間複雜度O(n2)。他皺了皺眉，切換到題解區，看到最優解是O(n log n)的貪心+二分法。
“得最佳化”。他重新開啟編輯器。
這不是簡單的刷題，而是重建演算法思維的過程。他需要把那些被深度學習框架封裝起來的底層邏輯重新啟用——陣列、連結串列、樹、圖、遞迴、分治、動態規劃……這些計算機科學的基礎構件，就像建築的地基，決定了上層AI模型能建多高。
上午九點，蘇婉輕輕推開書房門，端來一杯熱牛奶和兩個包子。
“先吃點東西”。她把早餐放在桌角，“樂樂已經送去幼兒園了”。
林晨這才從程式碼中抬起頭，揉了揉發酸的眼睛：“謝謝老婆”。
“準備得怎麼樣”？蘇婉看著他佈滿血絲的眼睛，有些心疼。
“演算法題刷了二十道，正確率還行，但有些解法不夠優雅”。林晨咬了口包子，“下午面試官肯定會追問最佳化思路，我得把每種解法的時間複雜度和空間複雜度都吃透”。
蘇婉在他身邊坐下：”你那個投資系統的程式碼，要不要再梳理一遍？之前你自己練習時，我覺得你講技術架構講得特別好”。
“對，這是重頭戲”。林晨快速吃完早餐，開啟另一個資料夾，“這是我用PyTorch寫的量化交易模型，融合了LST序預測和強化學習策略最佳化。面試時如果問到實戰專案，我就拿這個舉例”。
他點開程式碼檔案，一行行解釋給蘇婉聽——雖然妻子不是技術出身，但她的反饋能幫他判斷講解是否通俗易懂。
“你看這裡，我用了注意力機制來捕捉市場中的異常波動訊號”。林晨指著螢幕，“傳統的技術指標比如CD、RSI，都是基於固定公式，但市場是動態的。我的模型會學習在不同市場環境下，哪些指標更有效”。
蘇婉認真聽著，偶爾提問：“那你怎麼防止過擬合？萬一模型只在歷史資料上表現好呢”？
“問得好”！林晨眼睛一亮，“這正是我花心思最多的地方。我做了三件事：第一，資料增強，用隨機噪聲和時序切片來擴充訓練集；第二，早停策略，監控驗證集損失，一旦連續五個epoch不下降就停止訓練；第三，整合學習，訓練多個不同結構的模型，投票決定最終交易訊號”。
他邊說邊調出模型訓練日誌，展示給蘇婉看。那些曲線圖、資料表、回測結果，都是這半年心血的結晶。
上午十點半，演算法題刷到第四十道時，林晨的手機響了。
是張偉。
“晨哥，準備得咋樣了”？電話那頭傳來熟悉的聲音。
“正在拼命”。林晨活動了下僵硬的脖子”，後天上午面試，面試官是技術總監陳博士”。
“陳博士啊……”張偉語氣嚴肅起來，“那可是T廠AI部門的定海神針。我打聽過了，他面試有個特點：不喜歡炫技，喜歡問基礎。你機器學習理論複習得怎麼樣”？
“正在看”。林晨切換到另一個視窗，上面是《Pattern Recognition and chine Learning》的電子版，“貝葉斯估計、支援向量機、整合學習這些經典演算法，還有深度學習裡的反向傳播、梯度消失、正則化……”
“不夠”。張偉打斷他，“陳博士可能會問得更深。比如，你能從資訊理論的角度解釋Dropout為什麼能防止過擬合嗎？或者，Transforr裡的位置編碼，為什麼用正弦餘弦函式而不是可學習引數”？
林晨愣住了。
這些問題他確實沒深入思考過。平時用PyTorch搭模型，都是調現成的模組，底層原理雖然知道個大概，但真要上升到數學本質的層面……
。”度深論理些這補點重我，時小個四有還“，氣口一吸深他。”了白明我“
。念概鍵關的習學機理梳統系始開，本記筆啟開是而，題刷目盲再不他。略策習複整調刻立晨林，話電話通束結
。解優最導推式公用，係關的力能化泛和度雜複型模——衡權的差方與差偏
。定穩更DGS比化adA麼什為，擇選的率習學到開展勒泰從——明證斂收的降下度梯
