要高考了，我也只剩一百天了。
Q：介绍数据结构二叉树？
第一反应：二叉树就是每个节点有且只有最多两个孩子的节点，分别记作左孩子和有孩子，所以这个node可以定义为指向父节点的指针、指向左、右节点的指针，还有自己的value值。然后完全二叉树的性质相对较多，比如树的节点个数向下取整log2+1就是深度，这些都可以用数学简单证明出来。
AI表示面试官希望听到二叉树的优势："二叉树的每个节点度数 ≤ 2，这个结构决定了它可以用数组连续存储（完全二叉树），也可以用链式存储（指针）。更重要的是，任何多叉树都可以用'左孩子右兄弟'表示法转换成一棵二叉树，所以二叉树是树结构里通用性最强、实现最方便的一种形式。"
Q：二叉树的最大深度你知道吧（老师还解释了一下），你怎么求？
我的第一反应：链式存储的就用DFS，数组存储的可以直接找到最大的下标，然后取log2+1。
"求二叉树的最大深度，可以根据存储结构用不同的方法。
如果是链式存储的通用二叉树，我会用深度优先搜索（DFS）递归地去算。核心逻辑就是：树的深度 = max(左子树的深度, 右子树的深度) + 1。这个解法的时间复杂度是O(n)。
如果明确知道树是用数组存储的完全二叉树，并且节点是从下标1开始连续存放的，那就可以直接用公式计算：最大深度 = floor(log2(节点数)) + 1。这是一种利用完全二叉树性质的数学解法，可以直接算出来，不需要遍历。"
Q：你了解深度学习吧？有没有用过降维的什么算法？
这里帖主写的PCA，我也跟着复习一遍PCA。
PCA 是一种线性降维算法。核心是找到能让数据方差最大的投影方向，把数据投影到这些方向上去。
具体做法是：
- 对数据中心化
- 计算协方差矩阵
- 对协方差矩阵做特征分解，得到特征值和特征向量
- 按特征值从大到小排序，取前 k 个特征向量作为新坐标轴
- 把原始数据投影到这些轴上，得到降维结果
优点是算法简单、线性计算快，缺点是不擅长处理非线性数据。
Q：映射回去是怎么做的？
映射矩阵的转置
Q：说一下图神经网络层与层之间是如何相连的？
"图神经网络的层与层之间通过消息传递机制相连。每一层，每个节点根据邻接矩阵找到它的邻居（包括自己），把邻居的特征进行聚合（如求平均、加权和或注意力加权），然后通过一层线性变换和非线性激活，得到该层新的节点表示。多层堆叠后，节点就能逐步融合更大邻域的信息。"
Q：C语言预编译是什么？
一、预编译做什么？（4件事）
| 预处理指令 | 作用 | 例子 |
|---|---|---|
#include |
文件包含：把头文件内容原封不动地插入到当前位置 | #include <stdio.h> |
#define |
宏定义：把代码中的宏名替换成对应的值或表达式 | #define PI 3.14159 |
#if / #ifdef / #endif |
条件编译：根据条件决定保留还是删除某段代码 | #ifdef DEBUG ... #endif |
#pragma |
编译器特殊指令 | #pragma once |
- 宏定义和函数的区别？
宏是文本替换，在预编译阶段完成，没有函数调用开销；但宏不检查类型，且参数会重复计算（如 SQUARE(x++) 有问题）。函数在编译阶段处理，有类型检查。
- #include <stdio.h> 和 #include "myheader.h" 的区别？
<> 只在系统默认路径里找（如 /usr/include）。"" 先在当前目录找，找不到再去系统路径找。
- #ifndef HEADER_H 这种写法是干什么用的？
防止头文件被重复包含。第一次包含时 HEADER_H 未定义，进入 #define；第二次包含时已经定义，跳过整个文件内容。
六、面试回答模板
"C语言的预编译是编译的第一个阶段，处理所有以 # 开头的预处理指令，包括文件包含（#include）、宏替换（#define）、条件编译（#if）等。这一步是纯文本层面的处理，不涉及任何C语言的语法检查。预编译完成后，输出一个没有预处理指令的 .i 文件，再交给编译器进行真正的编译。"
Q：好，那问你操作系统，你知道进程上下文是什么么？
A："进程上下文是操作系统为了支持多任务、实现进程切换而保存的一组'状态快照'。
它主要包含三个部分：一是寄存器的值，特别是程序计数器；二是内存管理信息，主要是页表地址；三是内核中与该进程相关的数据结构。
当操作系统决定切换到另一个进程时，它做的就是'保存当前进程的上下文' -> '恢复下一个进程的上下文'这个动作。这个'上下文切换'的过程是理解操作系统调度和性能开销的关键。"
Q：文件读写r和w的区别
| 模式 | 全称 | 文件必须存在 | 原有内容 | 读写位置 |
|---|---|---|---|---|
| r | read（读） | ✅ 必须存在 | 保留 | 文件开头 |
| w | write（写） | ❌ 不存在则创建 | 清空 | 文件开头 |
关键区别：
-
r是只读，不能写；w是只写，不能读 -
w会清空文件原有内容 （如果文件存在），r不会
常见组合：
-
r+：读写，文件必须存在，不清空 -
w+：读写，文件不存在则创建，存在则清空 -
a：追加写，文件不存在则创建，不清空，写入位置在末尾
Q：fopen返回什么
返回 FILE*类型的指针（文件指针），指向一个 FILE 结构体。
这个结构体里包含了：
- 文件描述符
- 当前读写位置
- 缓冲区指针
- 错误标志、文件结束标志等
返回值判断：
- ✅ 成功：返回有效的 FILE* 指针
- ❌ 失败：返回 NULL（例如用 r 打开一个不存在的文件）
典型用法：
cpp
FILE *fp = fopen("test.txt", "r");
if (fp == NULL) {
perror("打开文件失败");
return -1;
}Q：既然有了整数和双精度浮点数，为什么还要存在单精度浮点数？
一句话回答 ：用更少的内存和更快的速度，换取较低的精度------在不需要高精度的场景下更高效。
三种浮点数对比
| 类型 | 字节数 | 有效十进制位数 | 取值范围 |
|---|---|---|---|
| float（单精度） | 4 字节 | 6-7 位 | ±1.18e-38 ~ ±3.4e38 |
| double（双精度） | 8 字节 | 15-16 位 | ±2.23e-308 ~ ±1.80e308 |
| long double | 16 字节 | 18-21 位 | 更大 |
为什么需要 float？
| 原因 | 解释 |
|---|---|
| 节省内存 | 4GB 内存存 1 亿个 double 要 800MB，float 只要 400MB |
| 内存带宽 | 读 4 字节比 8 字节快，数据密集型任务（如图像处理）吞吐量翻倍 |
| SIMD 向量化 | AVX 指令集一次可处理 8 个 float 但只能处理 4 个 double |
| GPU 友好 | GPU 对 float 的计算单元远超 double（如游戏显卡双精度只有单精度的 1/32） |
| 深度学习 | 模型参数量大，用 float16 或 bfloat16 甚至 int8 来加速（NVIDIA Tensor Core） |
"单精度浮点数存在的主要原因是：用一半的内存和更高的速度换取足够用的精度。
在图像处理、3D 图形、深度学习等大规模并行计算的场景下，内存带宽和计算速度往往是瓶颈。使用 float 可以让数据传输量减半、向量化指令一次处理更多数据，GPU 上 float 的计算单元也远多于 double。
double 适用于需要高精度的科学计算，但对于绝大多数视觉和 AI 任务，float 的 6-7 位有效数字已经足够。"