互联网/IT行业面试题 · tech:pytorch
互联网/IT行业相关面试题，按题目行业基础数据聚合。
共 47588 道真题 · 当前筛选命中 71 道 · 更新 2026-08-05
筛选题目已选：tech:pytorch
考察点
技术栈
第 21 题请实现 Multi-Head Attention（MHA），说明其结构和计算流程。 考察多头注意力机制的实现正确性与核心概念理解第 22 题请手写实现一个 cross-attention 层，并说明其与 self-attention 的区别。 考察对注意力机制原理的理解及代码实现能力第 23 题如何随机生成一个张量？请给出至少一种常用方法。 考察对随机张量生成API的熟悉程度第 24 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 25 题请手写并解释交叉熵损失函数。 考察对交叉熵损失的理解、实现及其在分类任务中的作用第 26 题LayerNorm 的计算的维度呢? 考察对 LayerNorm 归一化维度的理解第 27 题请介绍你了解的精排模型及其工作原理 考察推荐或搜索系统中精排模型的技术理解与原理掌握第 28 题请列举你常用的深度学习框架，并说明在什么场景下选择它们。 考察对主流深度学习框架的熟悉程度及技术选型能力第 29 题神经网络训练参数初始化方式有哪些，分别会有什么问题？ 考察对常见权重初始化方法及其影响模型收敛效果的原理性理解第 30 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 31 题在PyTorch中，如何实现不记录梯度？ 考察对PyTorch自动求导机制和梯度控制方法的理解第 32 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 33 题请说明车端算法效果的测评方法、所用工具及评估流程。 考察算法评测体系搭建、工具使用与指标解读能力第 34 题请手写实现一个多门控专家混合（MMoE）模型的核心结构。 考察对多任务学习模型MMoE的理解与编码实现能力第 35 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 36 题PyTorch中register_parameter和buffer的区别是什么？ 考察对PyTorch模块参数管理机制的理解第 37 题在使用 PyTorch 处理大规模数据集时，如果内存不足以一次性加载全部数据，通常使用哪个类或接口来按需读取数据？ 考察对 PyTorch 数据加载机制的理解与实操能力第 38 题手撕 RoPE：对比 llama GitHub 源码中 rope 介绍与你的实现，说明区别和改进点。 考察对旋转位置编码原理与源码理解的一致性及细节掌握第 39 题请编写多头自注意力模块的前向传播（forward）实现，并说明关键步骤。 考察注意力机制实现与关键细节第 40 题PyTorch中squeeze和unsqueeze的作用分别是什么？ 考察对PyTorch张量维度操作的理解