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 41 题请手写实现一个简单的LoRA（低秩适配）模块，并说明其核心设计。 考察LoRA实现细节与参数高效微调原理第 42 题请用PyTorch手写一个简单的逻辑回归模型，不要求实际运行。 考察逻辑回归原理掌握与PyTorch基本建模能力第 43 题手写实现 Multi-Head Self-Attention 的核心代码 考察对多头自注意力机制的理解和编码实现能力第 44 题请实现多头自注意力机制（Multi-Head Self-Attention），并说明其计算过程。 考察对多头自注意力机制的理解与动手实现能力第 45 题请介绍你在 PyTorch 等深度学习框架上的使用经验，以及是否独立搭建过模型。 考察深度学习框架的实际使用深度与独立建模能力第 46 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 47 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 48 题请手写实现多头注意力机制的核心代码。 考察多头注意力机制的原理理解与编码实现能力第 49 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 50 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 51 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 52 题请写出 GRPO 的优化目标函数，并解释其各组成部分的作用。 考察对 GRPO 目标函数构成与数学表达的掌握第 53 题请编写一个多头注意力机制的代码实现。 考察对注意力机制原理的理解及编程实现能力第 54 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 55 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第 56 题在SFT训练中，如何确保只对指定部分（如响应）计算loss？ 考察对训练实现中loss掩码机制的理解第 57 题请用 PyTorch 手写实现 softmax 函数，并基于 softmax 的输出分布编写一个采样函数。 考察 softmax 的实现正确性、数值稳定性与基于分布的采样能力第 58 题请用 PyTorch 实现一个 ImageDataset 类，继承自 Dataset 用于加载给定的图像数据集，并实现一个 collate_fn 函数，用于将数据集中的样本打包成批次。 考察对 PyTorch Dataset 和 DataLoader collate_fn 机制的理解及编码实现能力第 59 题手撕多头注意力机制的实现，并解释为什么缩放因子是根号下dk。 考察多头注意力机制的实现细节与缩放因子的数学原理第 60 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