人工智能面试题 · 编码实现 · PyTorch
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 85 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 题请手写实现多头注意力的核心计算过程。 考察对自注意力机制、多头拆分与拼接的编码实现能力第 2 题请介绍你在项目中使用PyTorch或TensorFlow进行API调用的具体场景和做法。 考察深度学习框架的实践经验和API使用能力第 3 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 4 题请解释什么是计算图，并说明它在深度学习中如何构建和使用。 考察对计算图概念的理解及其在深度学习框架中的应用第 5 题请阐述ViT的结构、计算复杂度以及它如何应用于图像分类。 考察对ViT架构原理、复杂度来源和任务适配的理解第 6 题请说明使用 PyTorch/CUDA 实现四线性插值的思路，并给出基本伪代码。 考察对高维插值的理解、PyTorch 与 CUDA 并行编程设计能力第 7 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 8 题手写双塔模型的损失函数（Batch内负采样实现） 考察双塔模型Batch内负采样损失的实现能力与理解第 9 题手写Attention机制代码 考察对注意力机制原理的理解与代码实现能力第 10 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 11 题手撕全连接层，实现forward 考察对神经网络全连接层前向传播的数学原理和代码实现能力第 12 题实现多头注意力机制(torch或者numpy) 考察对多头注意力机制原理的理解和代码实现能力第 13 题请利用PyTorch实现一个线性回归模型的模型定义和训练过程。 考察PyTorch基础建模能力和训练流程的掌握程度第 14 题请基于RankMixer架构，实现mixup数据增强和AFFN前馈网络的核心逻辑，并说明它们在模型中的作用。 考察对RankMixer架构中mixup与AFFN的实现理解和设计意图第 15 题请口述如何用PyTorch实现一个简单的卷积神经网络用于图像分类。 考察PyTorch基本编程能力与深度学习流程的完整性第 16 题请写出 InfoNCE 损失函数的数学表达式，并解释其含义。 考察对对比学习核心损失函数的理解与表达能力第 17 题请手写实现一个 Transformer Encoder 的核心结构。 考察对 Transformer Encoder 的结构理解与代码实现能力第 18 题请用代码实现Transformer中的原始sinusoidal位置编码。 考察对Transformer位置编码公式的理解及编码实现能力第 19 题请结合热力图目标检测的监督信号，说明如何实现 Focal Loss，并解释它对正负样本不平衡的缓解原理。 考察 Focal Loss 在热力图检测中的实现要点与失衡处理能力第 20 题请写出Self-Attention的公式，并给出其代码实现。 考察对Transformer核心注意力机制的数学原理与工程实现能力