介绍一下 PyTorch 框架
哪些公司问过
答案要点
- Python 接口的深度学习框架,底层 C++/CUDA 实现,支持 GPU 加速
- Tensor 张量计算加 autograd 自动求导,backward 自动算梯度
- 动态计算图(define-by-run),可用 Python 控制流和断点调试
- nn.Module、optim、Dataset/DataLoader 组成标准训练流程
- 工程能力:DDP 分布式、AMP 混合精度、torch.compile、导出 ONNX
易错点
- 训练循环中忘记 zero_grad,梯度会累加
- 推理只调 eval() 不用 no_grad(),白白占用显存
- 把 PyTorch 说成以静态图为主的框架
面试官常见追问
- 你用它做过什么,用了哪些接口?
- model.eval() 和 torch.no_grad() 有什么区别?
- 动态图和静态图各有什么优缺点?
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