PyTorch面试精华


1 前言

    1.1  PyTorch安装

    1.2  显卡驱动的困惑

    1.3  CUDA安装注意事项

    1.4  cuDNN的介绍

    1.5  Pytorch Lightning介绍

    1.6  PyTorch学习之道

    1.7  PyTorch调参之道

    1.8  调参套件(tunekits)

2 PyTorch入门疑难点

    2.1  PyTorch向量维度计数

    2.2  PyTorch向量维度操作

    2.3  PyTorch向量乱序取数

3 PyTorch全局设置

    3.1  全局设置当前设备

    3.2  全局设置浮点精度

    3.3  设置控制台输出格式

4 PyTorch GPU分布式训练

    4.1  PyTorch GPU基础操作

    4.2  DataParallel用法详解

    4.3  GPU分布式训练模型

    4.4  CUDA_VISIBLE_DEVICES

    4.5  device详细说明

    4.6  to(device)和.cuda()

    4.7  CUDA设备索引

    4.8  GPU设备索引

5 向量与梯度之核心

    5.1  Tensor的组成与存储

    5.2  Tensor的grad属性

    5.3  Tensor内存布局的调整

    5.4  Tensor的叠加

    5.5  禁用梯度计算

    5.6  向量的保存和加载

    5.7  梯度消失与梯度爆炸

    5.8  参数向量

    5.9  叶子节点

    5.10  detach原理

    5.11  requires_grad属性

    5.12  tensor与numpy互换

    5.13  梯度的物理意义

    5.14  张量cat操作

    5.15  零维张量

    5.16  维度索引与维度变换

    5.17  自然梯度

6 神经网络基础

    6.1  线性网络的参数以及初始化

    6.2  PyTorch计算图

    6.3  查看网络权重参数

    6.4  保存模型

    6.5  Adam相关面试题

    6.6  Train模式和Eval模式

    6.7  线性网络

    6.8  双线性网络

    6.9  惰性线性层

    6.10  自动求导与链式求导

    6.11  Dropout机制

    6.12  半精度训练

    6.13  Xavier初始化

    6.14  注意力机制

    6.15  Dataset数据处理

    6.16  StepLR学习率调度器

    6.17  词嵌入的理解

    6.18  TensorDataset的使用

    6.19  模型的保存与加载

    6.20  ModuleList和Sequential

    6.21  Batch Normalization介绍

    6.22  map_location参数的作用

7 计算机视觉基础知识

    7.1  通道的深刻理解

    7.2  1x1卷积的作用

    7.3  特征提取和可视化

    7.4  反卷积的推导

    7.5  理解卷积

    7.6  计算机视觉的注意力机制

    7.7  空洞卷积

    7.8  池化层的作用

    7.9  感受野与特征图

    7.10  NMS算法

    7.11  特征图尺寸计算

8 注意力机制

    8.1  位置编码的作用

    8.2  位置编码的种类

    8.3  词嵌入的原理和用法

    8.4  Embedding本质理解

9 物体检测、分割以及追踪

10 激活函数相关内容

    10.1  激活函数简介

    10.2  万能逼近定理

    10.3  Sigmoid函数的介绍

    10.4  Tanh函数的介绍

    10.5  Softmax函数的实现

    10.6  ReLU函数的介绍

    10.7  Leaky Relu函数的介绍

    10.8  ReLu与非线性的理解

    10.9  Parametric ReLU函数

11 思考题的答案

    11.1  思考题的答案解密

《PyTorch面试精华》之简单介绍

创建时间:2024-07-15 | 更新时间:2024-11-09 | 阅读次数:3522 次

1、作者简介

本教程的作者是飞燕,资深的AI技术专家,某重点大学硕士毕业,精通PyTorch,熟悉计算机视觉,熟悉强化学习,曾在网易等大厂任职,也曾在某小公司当过CTO,后创业做AI外包、APP开发等。飞燕身上的角色有多个,例如:

(1)《PyTorch面试精华》的作者

(2) 面试天下网站的开发者和社群运营人

(3)某无人机仿真平台开发者

(4)某考研数学类APP开发者

(5)飞燕网的站长

(6)AI外包达人

2、吉祥物说明

此教程的吉祥物为一只快乐的燕子,自由翱翔于蓝天之上,希望大家学完这个教程之后能够身轻如燕,自由翱翔于AI世界。

3、版权说明

由于本教程为付费教程,所以版权完全归属于站长飞燕所有。任何人都可以学习或分享本教程,但不得用于任何盈利行为,否则后果自负。

本教程内容参考自PyTorch官方教程和互联网上相关博主的精彩分享,历经站长飞燕的亲身实践和深度思考最终沉淀而成,对此站长飞燕表示十分感谢!

4、特殊说明

编写教程是件十分耗时费脑之事,在此期间站长飞燕会大量参考众家之言,由于时间的原因,部分内容会直接采用,此目的是占位而已,最终的成稿不会与网上他人内容有重复之嫌。

5、学好PyTorch的经验之谈

此处内容众多,非一言两语可以说清,特新开一小节,推荐大家看看:《PyTorch学习之道》

6、目标与追求

(1)《PyTorch面试精华》希望成为最好的AI教程之一,同时希望成为国内最大的AI技术社群。

(2)《PyTorch面试精华》预计全书内容可到100~150节。

7、《PyTorch面试精华》与面试天下网站的会员的关系说明

(1)购买《PyTorch面试精华》自动会成为面试天下网站的会员。

(2)面试天下网站只有两本电子书,只需要购买《PyTorch面试精华》即可,《大模型面试精华》则是赠送品。

(3)成为面试天下网站会员的方式只有一种:购买《PyTorch面试精华》。

(4)成为面试天下网站会员之后,会自动成为知识星球【面试天下俱乐部】的成员,无需再次付费。

综之,购买购买《PyTorch面试精华》-> 自动成为网站会员,畅读两本电子读物 -> 自动成为知识星球会员,获得交流机会。目前知识星期还在试运行阶段,并未完全放开,新加入的成员要稍等一段时间。

8、价格说明

《PyTorch面试精华》的价格是:60元/年。之所以采用按年收费的形式,原因有两点:

(1)跟实体书那种售卖一次的方式不同,因为绝大多数实体书的质量很差,完全是技术堆砌,没有任何灵性,而本教材会长期维护,不断的更新,以高质量为使命。我相信,大家在这里所花费的钱远远大于买上10本实体书。

(2)购买《PyTorch面试精华》之后,会正式成为面试天下会员,享有会员权益。之所以命名为面试天下会员,因为《PyTorch面试精华》教程发布在面试天下网上。

9、联系方式

本教程共86节,当前为教程简介!
本教程最新修订时间为:2024-11-25 21:08:37