一、 核心概念与张量操作1. 什么是PyTorchPyTorch是一个开源的机器学习库主要用于开发和训练基于神经网络的深度学习模型。其核心特点是动态计算图又称即时执行模式支持GPU加速并集成了自动微分功能这使得它在研究、原型设计和生产部署中都非常高效和灵活。2. PyTorch中的张量Tensor是什么张量是PyTorch中最基本的数据结构类似于NumPy的多维数组ndarray但可以在GPU上运行以加速计算。它是所有模型输入、输出和参数的数据载体。3. PyTorch张量与NumPy数组如何相互转换这是数据预处理中的常见操作。转换时需注意内存共享问题。import torch import numpy as np # NumPy数组 - PyTorch张量 np_array np.ones([2, 3]) torch_tensor_from_np torch.from_numpy(np_array) # 共享内存 torch_tensor torch.tensor(np_array) # 不共享内存创建副本 # PyTorch张量 - NumPy数组 torch_tensor torch.ones([2, 3]) np_array_from_torch torch_tensor.numpy() # CPU张量共享内存 # 注意GPU上的张量需先.cpu()才能转为NumPy数组4. 如何创建张量PyTorch提供了多种创建张量的方式以下是一些高频用法import torch # 1. 直接从数据创建 x torch.tensor([1, 2, 3]) # 2. 创建特定形状的张量高频 zeros_tensor torch.zeros(2, 3) # 全0 ones_tensor torch.ones(2, 3) # 全1 rand_tensor torch.rand(2, 3) # [0,1)均匀分布 randn_tensor torch.randn(2, 3) # 标准正态分布 # 3. 创建与已有张量相同属性的新张量高频 new_tensor torch.zeros_like(rand_tensor) # 形状和设备一致 new_tensor torch.ones_like(rand_tensor) new_tensor torch.rand_like(rand_tensor, dtypetorch.float64) # 可指定新数据类型5. 张量的常见操作有哪些包括数学运算、形状变换、索引切片等。# 数学运算 a torch.tensor([1, 2]) b torch.tensor([3, 4]) c a b # 逐元素相加 c torch.add(a, b) # 等价操作 # 矩阵乘法高频 mat_a torch.randn(2, 3) mat_b torch.randn(3, 4) result torch.mm(mat_a, mat_b) # 2维矩阵乘法 result mat_a mat_b # Python3.5 支持的操作符 # 形状变换高频 x torch.randn(2, 3, 4) viewed x.view(-1, 12) # 调整为(2, 12)-1表示自动推断 reshaped x.reshape(-1, 12) # 功能类似但更通用 squeezed x.squeeze() # 移除所有维度为1的维度 unsqueezed x.unsqueeze(0) # 在指定维度增加一个维度6. PyTorch中有哪些常用组件张量操作Tensor Operationstorch.Tensor: 多维数组支持GPU加速和自动微分。数学运算: 如torch.add,torch.mm矩阵乘法,torch.sum等。索引与切片: 类似NumPy的索引操作。形状变换:view(),reshape(),permute()等。自动微分Autogradtorch.autograd: 提供自动求导机制。requires_grad: 标记张量是否需要梯度计算。backward(): 反向传播计算梯度。梯度清零:optimizer.zero_grad()防止梯度累积。神经网络层NN Modulestorch.nn.Module: 所有神经网络层的基类。线性层:nn.Linear,nn.Bilinear。卷积层:nn.Conv1d/2d/3d,nn.ConvTranspose2d反卷积。循环网络:nn.RNN,nn.LSTM,nn.GRU。归一化层:nn.BatchNorm2d,nn.LayerNorm。激活函数:nn.ReLU,nn.Sigmoid,nn.LeakyReLU等。损失函数:nn.CrossEntropyLoss,nn.MSELoss,nn.BCELoss等。优化器Optimizationtorch.optim: 包含常见优化算法。SGD:optim.SGD带动量选项。自适应优化器:optim.Adam,optim.RMSprop。学习率调度:optim.lr_scheduler如StepLR,CosineAnnealingLR。数据加载与预处理Data UtilitiesDataset与DataLoader:torch.utils.data.Dataset自定义数据集基类DataLoader批加载与多线程支持。数据转换:torchvision.transforms图像预处理如裁剪、归一化。采样器:Sampler,WeightedRandomSampler等。分布式训练Distributed Training多GPU并行:nn.DataParallel,nn.parallel.DistributedDataParallel。通信后端:torch.distributed支持NCCL、GLOO。启动工具:torch.multiprocessing。部署与导出DeploymentTorchScript: 通过torch.jit.script或torch.jit.trace导出模型。ONNX导出:torch.onnx.export支持跨框架部署。量化:torch.quantization减少模型大小和推理延迟。7. PyTorch中有哪些方法可以重塑张量维度view()方法返回一个新张量其数据与原张量共享存储但具有不同的形状。要求新形状的元素总数与原张量一致。reshape()与view()功能类似但会自动处理不连续的张量。如果可能返回视图否则返回副本。unsqueeze()在指定维度插入一个大小为 1 的维度。常用于扩展维度以匹配广播规则。squeeze()移除所有大小为 1 的维度或指定维度中大小为 1 的维度。permute()重新排列张量的维度顺序。适用于高维张量的转置操作。transpose()交换两个指定维度的位置。常用于矩阵转置dim00, dim11。expand()将大小为 1 的维度扩展到指定大小。不复制数据通过广播实现。repeat()沿各维度重复张量。实际复制数据与expand()不同。flatten()将张量展平为一维。可通过start_dim和end_dim控制范围。二、 自动微分与计算图1. 什么是自动微分AutogradPyTorch 提供了自动微分功能Autograd它为张量上的所有操作提供了自动求导功能。当设置requires_gradTrue时PyTorch会跟踪在该张量上的所有操作形成一个动态计算图。通过调用.backward()方法来自动计算导数梯度并累积到对应张量的.grad属性中。2.torch.no_grad()的作用是什么这是一个上下文管理器用于禁用梯度计算。在模型推理预测阶段或更新模型参数时使用它可以减少内存消耗并加速计算。model.eval() # 将模型设为评估模式 with torch.no_grad(): # 在此上下文内不追踪梯度 for data, target in test_loader: output model(data) # ... 计算损失或指标3.detach()方法的作用是什么detach()方法会从当前计算图中分离出一个新的张量新张量共享数据但不参与梯度计算。常用于固定预训练网络的一部分参数或从计算图中提取中间值进行其他处理而不影响梯度传播。4. 如何在PyTorch中冻结模型的某些选定层在PyTorch中冻结模型的某些层通常用于迁移学习或微调场景避免特定层的权重在训练过程中被更新。以下是实现方法方法一通过设置requires_gradFalse直接对目标层的参数禁用梯度计算for param in model.layer_name.parameters(): param.requires_grad False方法二使用named_parameters()精准控制通过层名称匹配冻结特定层for name, param in model.named_parameters(): if fc in name or layer4 in name: # 冻结全连接层和第四层 param.requires_grad False5. 梯度消失和梯度爆炸的原因及解决方法梯度消失的原因激活函数如Sigmoid或Tanh的导数在大部分区间内小于1多次连乘导致梯度趋近于0。权重初始化过小使得连乘后梯度逐渐衰减。解决办法使用合适的激活函数ReLU及其变体Leaky ReLU、ELU等能缓解梯度消失因其在正区间的导数为1。改进权重初始化He初始化或Xavier初始化根据激活函数特性调整初始权重范围。残差连接ResNet通过跳跃连接skip connection将梯度直接传递到浅层避免连乘效应。批量归一化Batch Normalization对每层输入进行归一化使数据分布稳定梯度更易传播。梯度爆炸的原因激活函数在某些区间内梯度大于1如ReLU的正区间连乘后梯度膨胀。权重初始化过大导致连乘后梯度急剧增大。解决办法梯度裁剪Gradient Clipping设定梯度阈值超过时按比例缩放防止梯度值过大。权重正则化L1或L2正则化惩罚过大权重限制权重增长。使用归一化技术层归一化Layer Normalization或权重归一化Weight Normalization可稳定训练。综合优化策略选择合适的网络结构如LSTM/GRU缓解RNN中的梯度问题Transformer的自注意力机制替代循环结构。调整学习率动态学习率如Adam优化器或学习率衰减策略可平衡梯度更新幅度。三、 神经网络模块torch.nn1. 如何定义一个简单的神经网络通过继承nn.Module类并实现__init__和forward方法。import torch.nn as nn import torch.nn.functional as F class SimpleNet(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(SimpleNet, self).__init__() self.fc1 nn.Linear(input_size, hidden_size) # 全连接层1 self.relu nn.ReLU() self.fc2 nn.Linear(hidden_size, num_classes) # 全连接层2 # 注意通常不在__init__中定义如dropout等有状态的层 def forward(self, x): out self.fc1(x) out self.relu(out) out self.fc2(out) return out2. Forward 方法与 Backward 方法的区别Forward 方法前向方法通常指按顺序或正向执行操作。在机器学习中前向传播forward propagation是指输入数据通过神经网络层层传递最终得到输出的过程。forward方法指定了模型的运行方式。Backward 方法反向方法通常指逆向或反馈式操作。在机器学习中反向传播backward propagation是指根据输出误差反向调整神经网络参数的过程。backward方法计算了用于优化模型参数的梯度。3.nn.ModuleList和nn.Sequential的区别特性nn.Sequentialnn.ModuleList用途顺序容器模块按顺序执行列表容器存储模块不定义执行顺序前向传播自动按添加顺序执行forward需手动定义模块间的执行逻辑访问子模块可通过索引或名称访问仅能通过索引访问适用场景简单的线性堆叠网络需要循环、条件判断或复杂结构的网络4. 常见的损失函数有哪些nn.CrossEntropyLoss多分类任务常用内部集成了LogSoftmax和NLLLoss。nn.MSELoss回归任务计算均方误差。nn.BCELoss/nn.BCEWithLogitsLoss二分类任务后者集成了Sigmoid数值更稳定。nn.L1Loss回归任务计算平均绝对误差。5. 如何在PyTorch中实现自定义损失函数创建自定义损失函数类自定义损失函数需要继承torch.nn.Module类并实现forward方法。该方法接收模型输出和目标值返回标量损失值。例如实现Huber损失import torch import torch.nn as nn class HuberLoss(nn.Module): def __init__(self, delta1.0): super().__init__() self.delta delta def forward(self, y_pred, y_true): diff torch.abs(y_pred - y_true) loss torch.where( diff self.delta, 0.5 * diff.pow(2), self.delta * (diff - 0.5 * self.delta) ) return loss.mean()将自定义损失函数集成到训练流程model SimpleNN() //定义模型 optimizer torch.optim.Adam(model.parameters()) //定义优化器 criterion HuberLoss() //创建损失函数对象 for epoch in range(10): for x, y in dataloader: optimizer.zero_grad() outputs model(x) loss criterion(outputs, y) loss.backward() optimizer.step()6. 如何初始化神经网络的权重为什么要做在torch中可以使用torch.nn.init.xavier_normal_()进行正态分布的权重初始化也可以使用何凯明初始化torch.nn.init.kaiming_normal_效果会比其他好点。目的是在训练初期防止梯度消失或爆炸加速模型收敛。7. Dropout层的作用Dropout是一种用于防止神经网络过拟合的正则化技术。通过在训练过程中随机丢弃部分神经元迫使网络不依赖于任何单个神经元从而提升模型的泛化能力。Dropout广泛应用于全连接层和卷积层。8. 常见激活函数的特点和适用场景‍核心特点对比特性ReLU (Rectified Linear Unit)Sigmoid (Logistic)Tanh (Hyperbolic Tangent)数学公式f(x) max(0, x)f(x) 1 / (1 e^{-x})f(x) (e^x - e^{-x}) / (e^x e^{-x})输出范围[0, ∞)(0, 1)(-1, 1)导函数f(x) 1 (if x0) else 0f(x) f(x)(1 - f(x))f(x) 1 - f(x)^2是否为零中心 (Zero-centered)否(输出均值为正)否(输出均为正)是(输出以0为中心)饱和性右侧无饱和(x0时线性)左侧硬饱和 (x0时梯度为0)两端饱和(x→±∞时梯度趋近0)两端饱和(x→±∞时梯度趋近0)梯度消失风险较低(正区间梯度恒为1)但存在“神经元死亡”问题很高(在饱和区梯度极小)较高(在饱和区梯度极小)计算复杂度极低(只需比较和赋值)较高(涉及指数运算)较高(涉及指数运算)适用场景选择考量维度推荐选择理由隐藏层默认ReLU 或其变体 (如 Leaky ReLU, PReLU)计算高效能有效缓解梯度消失促进稀疏激活是实践中的主流和默认选择。Leaky ReLU等变体可以缓解“神经元死亡”问题。隐藏层RNN/LSTMTanh 或 ReLU变体Tanh的零中心特性适合处理序列数据的正负波动。对于某些RNN结构使用ReLU需谨慎设置参数以防梯度爆炸。二分类输出层Sigmoid其输出范围(0,1)天然适合解释为概率与二元交叉熵损失完美匹配。多分类输出层Softmax将输出归一化为概率分布是多分类任务的标准配置。注意Sigmoid可用于多标签分类每个类别独立判断。回归输出层值域无界线性激活 (或无激活)直接输出连续值。若值域有界可使用Sigmoid(0,1)或Tanh(-1,1)进行缩放。追求更快的训练速度ReLU其线性和非饱和性使得梯度下降算法收敛通常更快。担心“神经元死亡”Leaky ReLU / PReLU / ELU这些是ReLU的改进版本为负输入引入一个小的非零斜率保持了ReLU优点的同时避免了神经元死亡。例如Leaky ReLU公式为f(x)max(αx, x)其中α是一个小的正数如0.01。9. 常见的优化器有哪些torch.optim.SGD随机梯度下降可带动量Momentum。torch.optim.Adam自适应学习率算法实践中最常用。torch.optim.RMSprop常用于RNN。torch.optim.Adagrad自适应学习率适用于稀疏数据。四、 数据加载与处理1. 简述Dataset和DataLoader的作用。Dataset抽象类用于表示数据集。必须实现__len__和__getitem__方法定义如何获取单个数据样本及其标签。DataLoader迭代器负责从Dataset中加载数据并提供批处理batching、打乱shuffling、多进程加载等功能是连接数据与模型的关键桥梁。from torch.utils.data import Dataset, DataLoader class CustomDataset(Dataset): def __init__(self, data, labels): self.data data self.labels labels def __len__(self): return len(self.data) def __getitem__(self, idx): return self.data[idx], self.labels[idx] dataset CustomDataset(data, labels) dataloader DataLoader(dataset, batch_size32, shuffleTrue)五、 模型训练、验证与测试1. 训练循环的基本步骤是什么将模型设置为训练模式model.train()遍历DataLoader获取一个批次的数据和标签。将优化器的梯度清零optimizer.zero_grad()前向传播outputs model(inputs)计算损失loss criterion(outputs, labels)反向传播loss.backward()更新参数optimizer.step()2. 模型验证/测试时与训练时有何不同模式切换使用model.eval()将模型设为评估模式这会影响如Dropout、BatchNorm等层的行为。关闭梯度计算使用with torch.no_grad():上下文管理器节省内存和计算资源。不执行反向传播只进行前向传播计算损失或指标不调用loss.backward()和optimizer.step()。六、 模型保存与加载1. 如何保存和加载模型保存/加载整个模型包括结构和参数# 保存 torch.save(model, model.pth) # 加载 model torch.load(model.pth)仅保存/加载模型状态字典推荐方式更灵活# 保存 torch.save(model.state_dict(), model_state.pth) # 加载 model TheModelClass(*args, **kwargs) model.load_state_dict(torch.load(model_state.pth)) model.eval()七、 设备管理与GPU加速1. 如何让模型和数据在GPU上运行首先利用torch.cuda.is_available()检查GPU可用性然后将模型和张量显式移动到GPU。device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) # 移动模型到设备 for data, target in dataloader: data, target data.to(device), target.to(device) # 移动数据到设备 # ... 训练或推理2. 多GPU训练有哪些方式DataParallel(DP)单进程多线程将批次数据拆分到多个GPU在主GPU上汇总梯度。使用简单但存在负载不均衡和通信瓶颈。model nn.DataParallel(model)DistributedDataParallel(DDP)多进程每个进程对应一个GPU模型副本独立使用集合通信同步梯度。效率更高是当前主流的多GPU训练方法但配置稍复杂。八、 高级特性与性能优化1. 什么是混合精度训练混合精度训练使用torch.cuda.amp自动混合精度模块让模型的部分操作使用float16半精度部分使用float32单精度。这可以减少显存占用加快计算速度并可能增大batch size。通常配合GradScaler使用以防止float16下的梯度下溢。2. 如何查看模型的参数量和计算量参数量sum(p.numel() for p in model.parameters())使用torchsummary库可以输出每层的输出形状和参数量。使用thop或ptflops库可以估算模型的浮点运算次数FLOPs。3. PyTorch中的jit即时编译是什么TorchScript是一种将PyTorch模型转换为可序列化和可优化的中间表示的方法。通过torch.jit.trace或torch.jit.script可以将模型转换成静态图从而获得更快的推理速度、模型部署独立性脱离Python环境以及编译器优化的机会。九、 动态图 vs 静态图1. PyTorch的动态计算图与TensorFlow的静态计算图有何区别特性PyTorch (动态图/Eager Mode)TensorFlow 1.x (静态图)定义与执行定义即执行图在运行时动态构建先定义完整的计算图再执行灵活性高易于调试支持动态控制流如循环、条件低图结构固定调试困难性能优化运行时优化可能有一定开销图编译时可进行大量优化推理性能高部署传统上需借助TorchScript或ONNX静态图本身易于部署注TensorFlow 2.x 也引入了Eager Execution作为默认模式同时通过tf.function提供图模式。十、 其他高频问题torch.nn.functional和torch.nn的区别nn.Module中的层是类会维护可学习参数F中的函数是纯函数不保存状态。例如nn.ReLU()是一个层F.relu()是一个函数。Batch Normalization的作用和原理对每一批数据进行标准化使其均值为0、方差为1。可以加速训练、允许使用更大的学习率、有一定的正则化效果。学习率调度器Scheduler的作用在训练过程中动态调整学习率如StepLR、ReduceLROnPlateau等有助于模型在后期更精细地收敛。PyTorch如何扩展自定义操作可以通过编写torch.autograd.Function子类来定义自定义的前向和反向传播逻辑或者使用PyTorch C/CUDA扩展编写更高效的低级算子。参考来源面试 | 30个热门PyTorch面试题助你轻松通过机器学习/深度学习面试CUDA编程面试高频30题2025年前端高频面试题含答案2025年前端高频面试题含答案Pytorch 高频使用代码集锦【剑指offer】高频ML/DL面试题