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 41 题请手写实现一个标准的Scaled Dot-Product Attention，并说明其计算流程。 考察对Transformer核心注意力机制的实现理解与推导能力第 42 题PyTorch如何反向传播，如果一个层被冻结了，上一层的梯度如何传播？ 考察对自动求导机制和requires_grad冻结的理解第 43 题请用代码简单实现temperature参数对logits的采样过程。 考察将采样原理转化为代码实现的能力第 44 题请实现多头注意力机制。 考察对多头注意力机制的理解与代码实现能力第 45 题如何将一个 NumPy 数组转换为 Tensor？ 考察对常见深度学习框架中数据类型转换接口的掌握第 46 题请解释重参数化技巧的原理及其在变分自编码器中的作用。 考察对生成模型中重参数化技巧原理及其作用的理解第 47 题请介绍 Qwen 2.5 VL 的图片输入处理与 Loss 设计细节。 考察对多模态模型图像编码、输入拼接与训练目标的深入理解第 48 题请估算一个7B参数的大语言模型在推理时的显存占用，并说明估算思路。 考察对大模型参数量与显存关系、推理时内存构成的理解能力第 49 题clone()和detach()的区别 考察对PyTorch张量操作中克隆与分离语义的理解第 50 题怎么阻止某些参数梯度回传？ 考察对深度学习梯度流控制机制的理解第 51 题请用代码实现一个基础的自注意力（Self-Attention）机制。 考察对自注意力机制原理的理解与编码实现能力第 52 题分类任务一般选用什么损失函数？请实现交叉熵损失。 考察分类损失函数选型与交叉熵的编码实现第 53 题如何使用PyTorch从头搭建一个算法模型？ 考察PyTorch建模流程、代码组织与调试能力第 54 题手写实现 Self-Attention 的核心计算过程 考察对自注意力机制数学原理与实现的掌握第 55 题请介绍 PyTorch 的核心基础概念，包括张量、自动求导和模型训练的基本流程。 考察对 PyTorch 基础知识的理解和表达能力第 56 题对Python的熟悉程度如何，能用PyTorch实现多头注意力机制吗？ 考察Python熟练度、PyTorch基础及对Transformer核心组件的理解第 57 题训练一个 7B 参数规模的模型大约需要多少显存？不同 DeepSpeed ZeRO 阶段分别能节省多少显存？ 考察对大模型训练显存开销构成及 ZeRO 优化策略的理解第 58 题请介绍几种常用的模型剪枝方法，并说明各自的原理和适用场景。 考察对模型剪枝技术的理解深度、方法对比与适用性判断第 59 题请解释ViT（Vision Transformer）的基本原理和关键组成部分。 考察对ViT架构和其核心机制的理解第 60 题请解释反向传播（Backpropagation）算法的基本原理与实现要点。 考察对反向传播算法核心概念及其在PyTorch中实现的理解