2024年前端最全ai大模型学习和实践_ai 大模型学习资料，2024年最新web前端面试问什么

本文链接：https://blog.csdn.net/erhtre/article/details/138751763

跳槽是每个人的职业生涯中都要经历的过程，不论你是搜索到的这篇文章还是无意中浏览到的这篇文章，希望你没有白白浪费停留在这里的时间，能给你接下来或者以后的笔试面试带来一些帮助。

也许是互联网未来10年中最好的一年。WINTER IS COMING。但是如果你不真正的自己去尝试尝试，你永远不知道市面上的行情如何。这次找工作下来，我自身感觉市场并没有那么可怕，也拿到了几个大厂的offer。在此进行一个总结，给自己，也希望能帮助到需要的同学。

面试准备

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

面试准备根据每个人掌握的知识不同，准备的时间也不一样。现在对于前端岗位，以前也许不是很重视算法这块，但是现在很多公司也都会考。建议大家平时有空的时候多刷刷leetcode。算法的准备时间比较长，是一个长期的过程。需要在掌握了大部分前端基础知识的情况下，再有针对性的去复习算法。面试的时候算法能做出来肯定加分，但做不出来也不会一票否决，面试官也会给你提供一些思路。

一、初探大模型：起源与发展

1、预热篇：解码注意力机制

1.1 注意力机制最早是在哪个领域得到应用的

注意力机制最早是在自然语言处理（C. 自然语言处理）领域得到应用的。注意力机制最早被应用于机器翻译任务，以帮助模型在源语言和目标语言之间建立正确的对应关系。后来，注意力机制在其他领域如计算机视觉、语音识别和推荐系统中也得到了广泛的应用和发展。

1.2 以下哪些方法被用于处理序列数据？

A. 递归神经网络（RNN） B. 卷积神经网络（CNN） C. 注意力机制（Attention） D. 支持向量机（SVM）

1.3 以下方法被用于处理序列数据的是

A. 递归神经网络（RNN）：RNN是一种专门用于处理序列数据的神经网络，它通过在每个时间步引入隐藏状态来捕捉序列中的时间相关性。

B. 卷积神经网络（CNN）：CNN主要用于图像处理，但也可以用于处理序列数据，特别是一维序列数据，例如文本数据，通过卷积层和池化层提取特征。

C. 注意力机制（Attention）：注意力机制是一种用于关注序列中不同部分的机制，它可以在序列中动态地分配不同的权重。注意力机制常用于序列到序列的任务，例如机器翻译。

D. 支持向量机（SVM）：SVM是一种经典的机器学习算法，主要用于二分类任务。虽然SVM可以用于处理序列数据，但它通常被认为更适用于特征向量而不是原始序列数据。

综上所述，A. 递归神经网络（RNN）、B. 卷积神经网络（CNN）和C. 注意力机制（Attention）是用于处理序列数据的常见方法。

1.4 注意力机制是什么

注意力机制（Attention Mechanism）是一种计算模型中不同部分之间关联性的方法。它模拟了人类在处理信息时的注意力分配过程。通过注意力机制，模型可以学习并集中关注输入中的重要部分，以便更有效地进行处理和决策。

在自然语言处理和机器翻译等任务中，注意力机制常被用于处理序列数据。它允许模型在生成目标序列的每个位置时，根据输入序列中不同位置的重要性来对其进行加权汇聚。

在典型的注意力机制中，有三个关键组件：查询（query）、键（key）和值（value）。查询用于表示当前要生成的位置，而键和值则用于表示输入序列中的不同位置。通过计算查询和键之间的相关性，可以获得一个注意力权重向量，该向量用于加权求和输入序列中的值。这样，模型可以根据不同位置的相关性将注意力集中在最相关的位置上。

注意力机制的一个重要变体是自注意力机制（Self-Attention），它允许模型在处理序列数据时对自身的不同位置进行注意力计算。自注意力机制使模型能够建立全局依赖关系，捕捉序列中不同位置的重要关系。

总结起来，注意力机制允许模型在处理序列或其他类型的数据时，动态地关注不同位置的相关性，以便更好地进行建模和决策。它已在多个领域和任务中取得了广泛的应用和成功。

2、变革里程碑：transformer的崛起

2.1 Transformer 模型和注意力机制的关系

Transformer模型是基于注意力机制的架构，注意力机制是Transformer模型的核心组成部分。

在传统的循环神经网络（如RNN）中，信息在序列中逐步传递，但难以捕捉全局上下文关系。而注意力机制允许模型在处理序列数据时对不同位置的信息进行加权关注，从而更好地捕捉全局依赖关系。

Transformer模型引入了自注意力机制（self-attention），它允许模型在序列中的每个位置同时计算其与其他位置的相关性。通过自注意力机制，Transformer模型能够在不同层次上捕捉输入序列中的重要关系。

Transformer模型的注意力机制由三个主要部分组成：

**查询（Query）：**用于计算当前位置与其他位置的相关性权重。
键（Key）：用于表示其他位置的信息，以便计算与当前位置的相关性。
值（Value）：用于计算当前位置的加权总和，作为注意力机制的输出。
通过使用多头注意力机制，Transformer模型能够学习多个不同的注意力表示，以更好地捕捉序列中的信息。

总而言之，注意力机制是Transformer模型的关键组件，使模型能够对输入序列的不同部分进行加权关注，从而提供更全局的上下文表示。

2.2 Transformer 模型和注意力机制在数据训练上有差异

在数据训练上，Transformer模型和注意力机制之间存在一些差异。

数据输入形式：Transformer模型通常接受固定长度的输入序列，这意味着输入数据需要进行填充或截断以适应模型的输入大小。注意力机制则可以处理可变长度的序列数据，因为它通过对输入序列中的每个位置进行注意力计算，可以动态地适应不同长度的序列。
数据预处理：在Transformer模型中，通常需要对输入数据进行一定的预处理，例如添加特殊的起始和结束标记，进行词嵌入的编码等。注意力机制本身并不需要特殊的预处理，它更关注如何对输入序列中的位置进行注意力计算。
训练过程：Transformer模型通常通过监督学习进行训练，其中需要有输入序列和对应的目标序列（例如，机器翻译任务中的源语言和目标语言）。训练时，模型的目标是最小化预测序列与真实序列之间的差距。注意力机制则是作为Transformer模型的一部分，在训练过程中与其他组件一起进行优化，以最小化整体模型的损失函数。
虽然Transformer模型和注意力机制有一些差异，但它们在训练过程中是相互关联的。注意力机制在Transformer模型中起到了关键作用，帮助模型捕捉输入序列中的相关性，并提供上下文信息。通过联合训练Transformer模型和注意力机制，可以获得更好的模型性能和表示能力。

2.3 Transformer 模型和注意力机制在数据训练时对资源的利用率

在数据训练时，Transformer模型和注意力机制的资源利用率有一些区别。

对于Transformer模型：

并行计算：Transformer模型可以通过并行计算来提高训练速度。由于Transformer模型中的多头注意力机制和前馈神经网络可以独立地处理不同位置的信息，因此可以并行计算多个位置的注意力和前馈操作，从而加速训练过程。
存储需求：Transformer模型需要存储大量的参数，特别是注意力机制中的查询、键和值矩阵。这些参数的存储需求可能较高，可能需要更多的内存空间。
对于注意力机制：

注意力权重计算：注意力机制在每个位置计算注意力权重时需要访问整个序列的信息。这可能导致在处理长序列时的计算开销较大，因为每个位置的注意力计算都涉及到整个序列的相关性计算。
内存需求：在注意力机制中，为了计算注意力权重，需要为每个位置存储和访问其他位置的信息。这可能导致内存需求较高，特别是当处理较长的序列时。
综上所述，Transformer模型在训练时可以通过并行计算来提高资源利用率，但需要更多的存储空间。注意力机制的计算开销较大，特别是在处理长序列时，需要更多的内存。在实际应用中，为了平衡资源利用率和模型性能，通常需要根据具体情况进行调优和权衡。

3、走向不同：GPT与BERT的选择

3.1 Bert 是基于编码器，GPT 是基于解码器，不是编码和解码一块用吗？

实际上，BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-trained Transformer）都是基于编码器的模型，而不是一个基于编码器，另一个基于解码器。

BERT是一个双向的预训练模型，用于语言理解任务。它的主要结构是由多个编码器层组成的。每个编码器层都采用了Transformer架构，用于学习上下文相关的词向量表示。BERT在预训练阶段通过自监督学习来学习语言模型，然后可以在下游任务上进行微调。

GPT则是一个单向的预训练模型，用于语言生成任务。GPT的架构也由多个编码器层组成。在训练阶段，GPT通过自回归生成模型的方式进行预训练，即通过上文生成下一个词。GPT模型在训练后可以用于生成文本，如生成文章、回答问题等。

虽然BERT和GPT都使用了Transformer架构，并在自然语言处理任务中取得了显著的成果，但它们的设计目标和应用场景略有不同。BERT主要用于语言理解和表示学习，而GPT主要用于语言生成。

3.2 bert和gpt的区别

BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-trained Transformer）是两种基于Transformer架构的预训练语言模型，它们在设计和应用上有一些区别：

预训练任务：
BERT：BERT采用了两个预训练任务，即遮蔽语言建模（Masked Language Modeling，MLM）和下一句预测（Next Sentence Prediction，NSP）。在MLM任务中，BERT在输入句子中随机遮蔽一些单词，并预测被遮蔽的单词。在NSP任务中，BERT预测两个句子是否是原始文本中的连续句子。
GPT：GPT采用了单向的预训练任务，即语言建模（Language Modeling）。在语言建模任务中，GPT通过上文预测下一个单词。
应用任务：
BERT：BERT在预训练后通常需要进行下游任务的微调，例如文本分类、命名实体识别、句子相似度等。BERT在处理文本时能够理解上下文信息和句子关系，适用于多种自然语言处理任务。
GPT：GPT主要用于生成文本，例如自动写作、对话生成等。它在预训练阶段通过语言建模学习了句子的连贯性和上下文关系。
输入表示：
BERT：BERT采用句子级别的输入表示，将输入文本分为不同的句子和段落，并为每个单词添加特殊的标记。
GPT：GPT采用标记级别的输入表示，将输入文本分为单个标记或单词。
解码器结构：
BERT：BERT主要采用了编码器结构，由多个Transformer编码器层组成。每个编码器层都采用自注意力机制和前馈神经网络。
GPT：GPT主要采用了解码器结构，由多个Transformer解码器层组成。每个解码器层都采用自注意力机制、前馈神经网络和解码自注意力机制。
总体而言，BERT和GPT都是基于Transformer架构的预训练语言模型，但它们在预训练任务、应用任务、输入表示和解码器结构上存在一些差异。BERT主要用于下游任务的微调，而GPT主要用于生成文本。具体应用时，需要根据任务的需求和数据特点选择适合的模型。

3.3 bert和gpt的应用场景

BERT和GPT都是基于Transformer架构的预训练语言模型，它们在自然语言处理领域有各自的应用场景。

BERT的应用场景包括但不限于以下几个方面：

文本分类：BERT在文本分类任务中表现出色，可以用于情感分析、垃圾邮件过滤、新闻分类等。
命名实体识别：BERT可以用于识别文本中的人名、地名、组织名等实体。
句子相似度计算：BERT可以通过计算句子之间的相似度，用于问答系统、推荐系统和文本匹配任务。
问答系统：BERT可以用于构建问答系统，包括常见问题回答和阅读理解任务。
机器翻译：BERT可以在机器翻译任务中用于编码输入句子，并生成目标语言的翻译结果。
GPT的应用场景主要集中在文本生成和语言模型的任务上：