PyTorch面试精华

---

1 PyTorch全局设置

    1.1  全局设置当前设备

---

    1.2  全局设置浮点精度

---

    1.3  设置控制台输出格式

---

2 向量与梯度之核心

    2.1  Tensor的组成与存储

---

    2.2  Tensor的grad属性

---

    2.3  Tensor内存布局的调整

---

    2.4  Tensor的叠加

---

    2.5  禁用梯度计算

---

    2.6  向量的保存和加载

---

    2.7  梯度消失与梯度爆炸

---

3 神经网络基础

    3.1  线性网络的参数以及初始化

---

    3.2  PyTorch计算图

---

    3.3  查看网络权重参数

---

    3.4  保存模型

---

    3.5  Adam相关面试题

---

    3.6  ReLu与非线性的理解

---

    3.7  Train模式和Eval模式

---

    3.8  线性网络

---

    3.9  双线性网络

---

    3.10  惰性线性层

---

    3.11  参数向量

---

    3.12  叶子节点

---

    3.13  自动求导与链式求导

---

    3.14  Dropout机制

---

    3.15  detach原理

---

    3.16  半精度训练

---

    3.17  Xavier初始化

---

    3.18  通道的深刻理解

---

    3.19  1x1卷积的作用

---

    3.20  注意力机制

---

x = torch.tensor([0, 1, 2, 3, 4])
torch.save(x, "tensor.pt")

torch.load("tensors.pt", weights_only=True)

torch.load("tensors.pt", map_location=torch.device("cpu"), weights_only=True)

torch.load("tensors.pt", map_location=torch.device("cuda:0"), weights_only=True)