《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快速入门

    1.8  PyTorch调参之道

    1.9  PyTorch调参套件

    1.10  手动创建虚拟环境

2 深度学习之数学基础
    2.1  希腊字母解读

    2.2  梯度的物理意义

    2.3  图解梯度下降法

    2.4  图解梯度上升法

    2.5  自然梯度

    2.6  泰勒公式的介绍

    2.7  信息与信息熵

    2.8  重要性采样

    2.10  欧几里得范数

    2.11  特征值和特征向量

    2.12  似然函数的理解

    2.13  矩阵秩的深刻理解

3 PyTorch入门疑难点
4 PyTorch全局设置
    4.1  全局设置当前设备

    4.2  全局设置浮点精度

5 PyTorch GPU分布式训练
    5.1  PyTorch GPU基础操作

    5.2  DataParallel用法详解

    5.3  GPU分布式训练模型

    5.4  CUDA_VISIBLE_DEVICES

    5.5  device详细说明

    5.6  to(device)和.cuda()

    5.7  CUDA设备索引

    5.8  GPU设备索引

6 向量的基础与核心
    6.1  Tensor的组成与存储

    6.2  Tensor的grad属性

    6.4  Tensor的叠加

    6.5  禁用梯度计算

    6.6  向量的保存和加载

    6.7  参数向量

    6.8  叶子节点

    6.9  detach原理

    6.10  requires_grad属性

    6.11  Tensor与Numpy互换

    6.12  张量cat操作

    6.13  零维张量

    6.15  squeeze/unsqu...函数

    6.16  argmax和max的区别

    6.17  torch.as_tensor的应用

7 神经网络基础
    7.2  PyTorch计算图

    7.3  查看网络权重参数

    7.4  保存模型

    7.5  Adam相关面试题

    7.6  Train模式和Eval模式

    7.7  线性网络

    7.8  双线性网络

    7.9  惰性线性层

    7.10  PyTorch中的自动微分

    7.12  Dropout机制

    7.13  半精度训练

    7.14  Xavier初始化

    7.15  注意力机制

    7.16  Dataset数据处理

    7.17  StepLR学习率调度器

    7.18  词嵌入的理解

    7.19  TensorDataset的使用

    7.20  模型的保存与加载

    7.21  ModuleList和Sequential

    7.22  Batch Normalization介绍

8 计算机视觉基础知识
    8.1  通道的深刻理解

    8.2  1x1卷积的作用

    8.3  特征提取和可视化

    8.4  反卷积的推导

    8.5  理解卷积

    8.7  空洞卷积

    8.8  池化层的作用

    8.9  感受野与特征图

    8.10  NMS算法

    8.11  特征图尺寸计算

9 循环神经网络基础
    9.2  RNN的介绍

10 注意力机制
    10.1  位置编码的作用

    10.2  位置编码的种类

    10.4  Embedding本质理解

    10.6  Transformer VS CNN/RNN

    10.7  ELMo介绍

11 PyTorch归一化
    11.2  层归一化技术详解

12 激活函数相关内容
    12.1  激活函数简介

    12.2  万能逼近定理

    12.3  指数函数的学习

    12.4  Sigmoid函数的介绍

    12.5  Tanh函数的介绍

    12.6  Softmax函数的实现

    12.7  ReLU函数的介绍

    12.8  Leaky Relu函数的介绍

    12.9  ReLu与非线性的理解

    12.10  Parametric ReLU函数

    12.11  ELU函数介绍

    12.12  神经元死亡的问题

13 思考题的答案
    13.1  思考题的答案解密

CUDA安装注意事项:CUDA的驱动版本和运行版本

创建时间:2024-09-23 更新时间:2025-05-29 阅读次数:2478 次

1、CUDA简介

CUDA是英伟达开发出的GPU计算框架。英伟达是制造GPU的公司,它为了让人们更好地使用自家生产出来的GPU,所以开发出CUDA用于操作GPU。如果没有CUDA,直接操作GPU则是一件非常困难的事情。

2、CUDA驱动版本(CUDA驱动即显卡驱动)

我们买回的带英伟达GPU的新电脑,会自带GPU显卡驱动,显卡驱动的版本号制约着你将来要安装的CUDA。运行nvidia-smi命令,我们可以查看自己显卡的驱动版本:

然后,根据显卡驱动版本,到英伟达官网,查找相应的CUDA开发工具包:CUDA Toolkit and Minimum Required Driver Version for CUDA Minor Version Compatibility,如下图所示:

3、CUDA运行版本

安装完CUDA开发工具包,运行nvcc -V命令,看到的CUDA运行版本号:

4、画蛇添足

运行nvidia-smi命令,出现的窗口中也出现了CUDA版本号,如下所示:

这是画蛇添足,反而给人们造成了很大的困惑。它指的是在当前显卡驱动的版本下,可以支持的CUDA的最大版本。很多时候,当我们第一次执行nvidia-smi的时候,电脑上还并没有安装CUDA呢,所以大家务必要知道,这个窗口出现的CUDA版本号不是你所安装的CUDA的版本号。

5、思考题

为什么会出现上面画蛇添足的情况呢?欢迎大家主动思考一下,然后再看本教程末尾的答案解密部分。

本教程共117节,当前为第3节!
本教程最新修订时间为:2026-05-08 11:10:53