人工智能面试题 · PyTorch
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 204 道 · 更新 2026-08-05
筛选题目已选：PyTorch
考察点
技术栈
第 181 题在监督微调（SFT）中，如何实现损失函数只计算回答部分而忽略提示词和 padding token？ 考察对 SFT 训练细节、标签构造和损失计算的理解第 182 题了解 PyTorch DDP 的原理和实现吗？ 考察对分布式训练核心机制DDP的理解深度第 183 题以大模型预测 token 为例，请讲清楚 Beam Search 的搜索树如何构建，以及如何得到最终解码结果（可用 PyTorch 做简单说明）。 考察对 Beam Search 原理、束宽管理与终止条件的理解第 184 题你在训练模型时用了什么优化器？请介绍Adam和AdamW，并说明相较SGD有哪些改进。 考察对优化器原理的理解及选择依据第 185 题训练大模型的框架都有哪些呢？ 考察对深度学习框架及其在大模型训练场景中的适用性的了解第 186 题是否使用过DDP和DeepSpeed？请说明二者的区别。 考察对分布式训练框架的理解与实际使用经验第 187 题如何为基于 pair 对的训练样本设计 Reward Model 的损失函数？ 考察对偏好学习损失函数的理解与实现能力第 188 题请描述 CLIP 模型的整体架构和训练流程。 考察对 CLIP 模型架构和训练细节的理解第 189 题Dropout和Batch Normalization分别是什么？它们如何防止过拟合？ 考察对正则化技术和归一化技术原理的理解第 190 题训练过程中你调过哪些参数，分别是怎么设置的？ 考察对训练超参数及其设置逻辑的理解第 191 题请介绍一下梯度检查点（Gradient Checkpointing）的原理、适用场景和实现方式。 考察对梯度检查点技术的原理理解、实际应用场景及实现细节第 192 题请实现并解释一个 Multi-Head Attention 模块。 考察多头注意力机制的理解、编码实现与代码解释能力第 193 题PyTorch进行多GPU并行训练了解吗?有哪些方法? 考察PyTorch多GPU并行训练的常见方式与适用场景第 194 题解释一下梯度消失的处理策略 考察对深度学习训练中梯度消失问题及其解决方法的理解第 195 题请列举你常用的深度学习框架，并说明在什么场景下选择它们。 考察对主流深度学习框架的熟悉程度及技术选型能力第 196 题Adam优化器相比SGD（随机梯度下降）改进了哪些方面？ 考察对优化算法演进原理的理解，重点在自适应学习率与动量机制第 197 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 198 题请介绍BCELoss的公式，并说明其优势在哪里 考察对二分类交叉熵损失函数的理解及其在深度学习中的优势第 199 题请说明大模型训练时显存的组成，并解释除模型参数、梯度、优化器状态（Model States）外还有哪些显存开销。 考察对大模型训练显存构成的理解，包括必要开销与附加开销的区分第 200 题请详细介绍YOLOv5的网络结构、训练技巧和性能特点。 考察对YOLOv5目标检测算法的理解深度与细节掌握