专业服务行业面试题 · 编码实现 · PyTorch
专业服务行业相关面试题，按题目行业基础数据聚合。
共 27579 道真题 · 当前筛选命中 14 道 · 更新 2026-08-05
筛选题目已选：编码实现 · PyTorch
考察点
技术栈
第 1 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 2 题如果要自定义 Dataset，需要实现哪些魔术方法？请说明其作用。 考察自定义 Dataset 的核心接口实现第 3 题请实现一个简单的多层感知机（MLP），并从 CSV 文件读取训练数据。 考察深度学习基础建模与数据读取、训练流程实现能力第 4 题请手写实现 Multi-Head Attention（MHA），并说明其计算过程。 考察对 Transformer 注意力机制的深入理解与编码实现能力第 5 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 6 题二分类任务通常使用什么损失函数？请写出 PyTorch 中 BCE 损失函数的代码。 考察二分类损失函数的选择与代码实现第 7 题请用PyTorch基础语法实现一个Tokenizer。 考察对PyTorch张量操作和文本预处理基础能力第 8 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 9 题如何将一个 Tensor 转换为 NumPy 数组？ 考察对张量转回 NumPy 数组操作及设备限制的理解第 10 题请实现并解释SE-Net的关键模块 考察对SE-Net核心模块的编码实现与原理理解第 11 题请手写实现Attention机制的代码，并解释其计算过程。 考察对Attention机制的理解以及代码实现能力第 12 题用PyTorch实现一个图片分类网络，要求编写__init__和forward方法。 考察PyTorch模型定义与图像分类网络结构设计能力第 13 题请实现一个多头自注意力机制（Multi-Head Self-Attention）。 考察对Transformer核心组件的理解及编码实现能力第 14 题请实现一个Tokenizer，要求只能用PyTorch基础语法完成。 考察用PyTorch基础操作实现文本分词器的能力，兼顾算法与工程实现