人工智能面试题 · 技术原理 · PyTorch
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 199 道 · 更新 2026-08-05
筛选题目已选：技术原理 · PyTorch
考察点
技术栈
第 181 题训练大模型的框架都有哪些呢？ 考察对深度学习框架及其在大模型训练场景中的适用性的了解第 182 题是否使用过DDP和DeepSpeed？请说明二者的区别。 考察对分布式训练框架的理解与实际使用经验第 183 题如何为基于 pair 对的训练样本设计 Reward Model 的损失函数？ 考察对偏好学习损失函数的理解与实现能力第 184 题请描述 CLIP 模型的整体架构和训练流程。 考察对 CLIP 模型架构和训练细节的理解第 185 题Dropout和Batch Normalization分别是什么？它们如何防止过拟合？ 考察对正则化技术和归一化技术原理的理解第 186 题训练过程中你调过哪些参数，分别是怎么设置的？ 考察对训练超参数及其设置逻辑的理解第 187 题请介绍一下梯度检查点（Gradient Checkpointing）的原理、适用场景和实现方式。 考察对梯度检查点技术的原理理解、实际应用场景及实现细节第 188 题请实现并解释一个 Multi-Head Attention 模块。 考察多头注意力机制的理解、编码实现与代码解释能力第 189 题PyTorch进行多GPU并行训练了解吗?有哪些方法? 考察PyTorch多GPU并行训练的常见方式与适用场景第 190 题解释一下梯度消失的处理策略 考察对深度学习训练中梯度消失问题及其解决方法的理解第 191 题Adam优化器相比SGD（随机梯度下降）改进了哪些方面？ 考察对优化算法演进原理的理解，重点在自适应学习率与动量机制第 192 题请在白板上用 PyTorch 实现一个图像分类任务的训练主流程。 考察 PyTorch 编码能力及分类任务流程完整性第 193 题请介绍BCELoss的公式，并说明其优势在哪里 考察对二分类交叉熵损失函数的理解及其在深度学习中的优势第 194 题请说明大模型训练时显存的组成，并解释除模型参数、梯度、优化器状态（Model States）外还有哪些显存开销。 考察对大模型训练显存构成的理解，包括必要开销与附加开销的区分第 195 题请详细介绍YOLOv5的网络结构、训练技巧和性能特点。 考察对YOLOv5目标检测算法的理解深度与细节掌握第 196 题GRPO 与 PPO 在强化学习算法设计上的主要区别有哪些？ 考察对 GRPO 与 PPO 核心机制差异的理解第 197 题为什么预测时要用全局的均值方差，数据预处理的归一化可以替代BatchNorm吗，为什么？ 考察对BatchNorm训练与推理阶段行为差异及其本质原理的理解第 198 题请手写对比学习的损失函数计算，并说明其关键组件。 考察对比学习损失函数的实现细节与设计理解第 199 题请用PyTorch编写一个Transformer的多头注意力模块，并说明其余结构的实现思路。 考察Transformer多头注意力的编码实现能力与整体架构理解