用PyTorch搭建一个简单的分类网络
哪些公司问过
答案要点
- 继承nn.Module,在__init__中声明层,在forward中定义前向计算
- 输出层给出类别数个logits,配合nn.CrossEntropyLoss,标签用类别索引
- CrossEntropyLoss内含log_softmax,模型末尾不再加softmax
- 训练循环:前向→算loss→zero_grad→backward→step,用DataLoader按batch迭代
- 评估用model.eval()和torch.no_grad(),argmax得预测,模型和数据放同一device
易错点
- 输出层先做softmax再喂给CrossEntropyLoss,相当于做了两次softmax
- 忘记optimizer.zero_grad()导致梯度累加
- 评估时没切eval(),Dropout和BN行为不对
- 模型在GPU、数据在CPU导致设备不匹配报错
面试官常见追问
- 为什么每个batch都要zero_grad?
- model.train()和model.eval()有什么区别?
- 图像分类时怎么换成卷积网络?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。
相关面试题
- Dataset、DataLoader 和 Sampler 的区别4 场
- TensorFlow 与 PyTorch 的特点与区别2 场
- TensorFlow 图优化与 torch.compile 原理2 场
- PyTorch 计算图与 autograd 机制原理2 场
- concat 与 stack、reshape 与 transpose 的区别2 场
- MLIR 是什么以及为什么要设计 MLIR2 场
- PyTorch 中 nn.Module 与 nn.functional 的区别2 场
- 机器学习 / 深度学习框架的原理与对比2 场
- PyTorch DataLoader 与 Sampler 的区别1 场
- PyTorch 中交叉熵损失的实现1 场