机器学习 / 深度学习框架的原理与对比
哪些公司问过
答案要点
- 主流框架:PyTorch、TensorFlow、JAX;传统机器学习常用 scikit-learn
- 底层是张量和算子,GPU 上调用 cuDNN、cuBLAS 等库实现 kernel
- 计算图加自动微分:前向记录运算,反向按链式法则计算梯度
- PyTorch 默认动态图易调试,2.0 可用 torch.compile;TensorFlow 2.x 默认 eager,用 tf.function 转图
- 部署常导出 ONNX 等格式,交给 TensorRT 等推理引擎优化
易错点
- 把自动微分说成数值微分或符号微分
- 以为 TensorFlow 2.x 仍默认静态图
- 只罗列框架名字,说不出计算图、自动微分等核心机制
面试官常见追问
- 动态图和静态图各有什么优缺点?
- 自动微分是怎么实现的?
- 为什么反向模式适合神经网络?
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
- PyTorch DataLoader 与 Sampler 的区别1 场
- PyTorch 中交叉熵损失的实现1 场
- 介绍一下 PyTorch 框架1 场