赞
踩
节前,我们星球组织了一场算法岗技术&面试讨论会,邀请了一些互联网大厂朋友、参加社招和校招面试的同学。
针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。
合集:
《大模型面试宝典》(2024版) 正式发布!
持续火爆!《AIGC 面试宝典》已圈粉无数!
这两天求职群分享了很多大厂的算法岗面试真题(暑期实习基本结束了,校招即将开启)。
这里特别整理了部分英伟达的最新面试题,希望对你有所帮助。
1. 介绍MoE和变体
2. 介绍LoRA和变体
3. LoRA 参数更新机制
4. MLM和MIM的关系和区别?
5. Stable Diffusion的技术原理
6. 解決LLM Hallucination的方法
7. Occupancy预测的出发点是什么?
8. 2D图像预训练怎么迁移到3D点云任务
9. 把Transformer模型训深的问题有哪些?怎么解决
10. 现在车道线检测的主流的loss是什么?你有哪些想法?
11. 为什么GAN中经常遇到mode collapse,而Diffusion比较少?
我还特别整理15道Transformer高频面试题(求职群里有数百道Transformer题目,还有答案)
介绍Transformer和ViT
介绍Transformer的QKV
介绍Layer Normalization
Transformer训练和部署技巧
介绍Transformer的位置编码
介绍自注意力机制和数学公式
介绍Transformer的Encoder模块
介绍Transformer的Decoder模块
Transformer和Mamba(SSM)的区别
Transformer中的残差结构以及意义
为什么Transformer适合多模态任务?
Transformer的并行化体现在哪个地方?
为什么Transformer一般使用LayerNorm?
Transformer为什么使用多头注意力机制?
Transformer训练的Dropout是如何设定的?
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。