人工智能面试题 · 问题拆解 · PyTorch
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 48 道 · 更新 2026-08-05
筛选题目已选：问题拆解 · PyTorch
考察点
技术栈
第 21 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 22 题请说明在 PyTorch 中如何利用 YAML 配置文件注册自定义算子，并描述其基本原理。 考察对 PyTorch 自定义算子注册机制及配置驱动开发的理解第 23 题请介绍PyTorch中DataLoader、Dataset和Sampler的实现与联动关系。 考察对PyTorch数据加载机制的理解和实际应用能力第 24 题请介绍 CLIP 模型的基本原理。 考察对 CLIP 模型核心机制的掌握与理解深度第 25 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 26 题对7B参数模型进行全参数微调，大约需要多少显存？请说明估算依据。 考察对大模型微调显存开销的估算能力与训练知识第 27 题请说明 PyTorch 中两种不同浮点类型（如 float32 与 float64）混合运算时的类型转换规则。 考察对 PyTorch 数值类型提升机制的理解第 28 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 29 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 30 题训练一个7B模型，在常见的混合精度训练下大约需要多少显存？请简要说明主要消耗来源。 考察对模型训练显存占用的量级估算和构成理解第 31 题请手写实现Transformer Decoder层，并说明如何实现mask机制以支持自回归生成。 考察对Transformer Decoder结构、自注意力mask和因果掩码的实现能力第 32 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 33 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 34 题请手写并讲解一个使用PyTorch实现的模型训练pipeline,包含数据加载、模型定义、训练循环和评估过程。 考察PyTorch训练流程的完整性、正确性和代码组织能力第 35 题请描述PyTorch中训练一个神经网络的完整流程。 考察对PyTorch训练流程的整体理解和关键步骤的掌握第 36 题如果给你一张32B参数量、未量化的模型，你觉得跑起来大概需要多少显存？ 考察对模型显存占用的估算能力和对推理过程的系统理解第 37 题请实现三个函数：IoU计算、Focal Loss和ROI Pooling，并说明各自的输入输出。 考察深度学习经典组件实现及边界情况处理能力第 38 题请手写实现多头注意力机制（MHA）的核心代码。 考察对Transformer多头注意力机制的理解与编码实现能力第 39 题训练一个7B参数的大语言模型大约需要多少显存？请说明主要组成部分。 考察大模型训练显存占用估算及组成部分理解第 40 题请手写实现一个 multi-head attention 模块，并说明其计算过程。 考察对 multi-head attention 原理与实现的掌握，以及代码正确性与清晰度