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 21 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 22 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 23 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 24 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 25 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 26 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 27 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 28 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 29 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 30 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中实现的理解第 31 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 32 题FFN（前馈神经网络）有什么不同，请写出ReLU和SwiGLU的实现。 考察对不同FFN变体的理解及动手实现能力第 33 题请手写实现一个Casual Self-Attention模块，说明其输入输出维度与计算流程。 考察注意力机制的实现细节与因果掩码处理能力第 34 题请手动实现多头注意力机制（MHA）的核心代码。 考察对Transformer多头注意力机制的深入理解与编码实现能力第 35 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 36 题请你手写实现分组注意力机制（Grouped Attention），说明其与多头注意力的区别。 考察分组注意力的实现理解、维度计算及与标准多头注意力的对比第 37 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 38 题请手写实现多头注意力机制（Multi-head Attention）的核心部分。 考察对Transformer注意力机制的理解与代码实现能力第 39 题在PyTorch中，如何查看模型中某一层的输出数据或参数？ 考察对PyTorch模型内部张量访问与钩子机制的理解第 40 题用PyTorch或TensorFlow实现一个多层感知机（MLP）模型。 考察对MLP基本结构、前向传播、损失计算和训练流程的掌握程度