【算法面试题】2024-05-20

TF-IDF 和 机器学习

从零开始编写 TF-IDF。
什么是 TF-IDF 中的归一化？
为什么在现代需要了解 TF-IDF？如何在复杂模型中使用它？
解释朴素贝叶斯的工作原理。它可以用于什么？
支持向量机（SVM）为什么容易过拟合？
解释文本预处理的可能方法（词形还原和词干提取）。你知道哪些算法，在什么情况下使用它们？
你知道哪些文本相似性度量？
解释余弦相似度和余弦距离的区别。哪一个值可以为负？你会如何使用它们？

度量指标

用简单的词解释准确率和召回率，如果没有F1分数你会关注什么？
在什么情况下会观察到特异性变化？
什么时候看宏观，什么时候看微观指标？为什么会有加权指标？
什么是困惑度？我们可以用它来考虑什么？
什么是 BLEU 指标？
解释不同类型 ROUGE 指标的区别？
BLUE 和 ROUGE 有什么区别？

Word2Vec

解释 Word2Vec 的学习方式？损失函数是什么？什么被最大化？
你知道哪些获取嵌入的方法？什么时候各自更好？
静态嵌入和上下文嵌入有什么区别？
你知道哪两种主要的架构，哪种学习更快？
Glove、ELMO、FastText和Word2Vec有什么区别？
什么是负采样，为什么需要它？你还知道哪些Word2Vec的技巧，如何应用它们？
什么是稠密和稀疏嵌入？提供例子。
为什么嵌入的维度重要？
在短文本数据上训练 Word2Vec 时会出现什么问题，如何解决？

RNN & CNN

在一个简单的单层 RNN 中有多少训练参数？
RNN 训练是如何进行的？
RNN 中存在什么问题？
你知道哪些类型的RNN网络？解释 GRU 和 LSTM 的区别？
我们可以在这些网络中调整什么参数？（堆叠，层数）
RNN 中的梯度消失是什么？如何解决这个问题？
为什么在 NLP 中使用卷积神经网络（CNN），如何使用？如何在注意力范式中比较CNN？

注意力和 Transformer 架构

如何计算注意力？
注意力的复杂性？与RNN的复杂性比较。
比较RNN和注意力。在什么情况下使用注意力，什么时候使用RNN？
从零开始编写注意力。
解释注意力中的掩码。
自注意力矩阵的维度是多少？
BERT和GPT在注意力计算上有什么区别？
Transformer中的嵌入层维度是多少？
为什么嵌入被称为上下文的？它是如何工作的？
Transformer 中使用的是层归一化还是批归一化，为什么？
为什么 Transformer 有PreNorm和PostNorm？
解释软和硬（局部/全局）注意力的区别？
解释多头注意力。
你还知道哪些类型的注意力机制？这些修改的目的是什么？
随着头数的增加，自注意力如何变得更加复杂？

Transformer 模型类型

为什么BERT在很大程度上落后于RoBERTa，你可以从RoBERTa中学到什么？
T5和BART模型是什么？它们有何不同？
什么是任务无关模型？举例说明。
通过比较BERT、GPT和T5解释Transformer模型。
BERT、GPT等模型在知识获取方面存在什么主要问题？如何解决？
在训练和推理过程中，类似GPT的解码器是如何工作的？有何区别？
解释Transformer模型中的头和层的区别。

位置编码

为什么 Transformer 模型的嵌入中位置信息会丢失？
解释位置嵌入的方法及其优缺点。
为什么不能简单地用标记索引来添加嵌入？
为什么不训练位置嵌入？
什么是相对和绝对位置编码？
详细解释旋转位置嵌入的工作原理。

预训练

因果语言建模是如何工作的？
什么时候使用预训练模型？
如何从头开始训练一个Transformer？解释你的流程，在什么情况下会这么做？
除了BERT和GPT，你还知道哪些用于各种预训练任务的模型？

分词器

你知道哪些类型的分词器？比较它们。
你可以扩展一个分词器吗？如果可以，在什么情况下会这样做？什么时候重新训练分词器？添加新标记时需要做什么？
常规标记和特殊标记有什么区别？
为什么 Transformer 中不使用词形还原？为什么需要标记？
分词器是如何训练的？用 WordPiece 和 BPE 的例子解释。
CLS 向量的位置是什么？为什么？
BERT和GPT中分别使用了什么分词器？
现代分词器如何处理超出词汇量的单词？
分词器的词汇量大小会影响什么？在新训练的情况下如何选择？

训练

什么是类别不平衡？如何识别？列举所有解决这个问题的方法。
在推理过程中可以使用dropout吗，为什么？
Adam优化器和AdamW有什么区别？
随着梯度累积的变化，资源消耗如何变化？
如何优化训练期间的资源消耗？
你知道哪些分布式训练的方法？
什么是文本增强？列举你知道的所有方法。
为什么填充（padding）越来越少使用？用什么代替？
解释 warm-up 的工作原理。
解释梯度裁剪的概念？
teacher forcing 是如何工作的，举例说明？
为什么以及如何使用跳跃连接（skip connections）？
什么是适配器（adapters）？在哪些情况下可以使用？
解释度量学习的概念。你知道哪些方法？

推理

softmax 中的温度控制什么？你会设置什么值？
解释生成中的采样类型？top-k、top-p、核采样？
光束搜索的复杂性是什么？它是如何工作的？
什么是句子嵌入？有哪些获取方法？

大模型

LoRA 如何工作？你会如何选择参数？假设我们要微调一个大型语言模型，应用一个小R的LoRA，但模型仍然不适合内存。还能做什么？
前缀调整（prefix tuning）、p-tuning和提示调整（prompt tuning）有什么区别？
解释缩放定律（scaling law）。
解释 LLM 训练的所有阶段。哪些阶段可以省略，在什么情况下？
RAG 是如何工作的？与少样本 KNN 有什么区别？
你知道哪些量化方法？可以微调量化模型吗？
如何防止大型语言模型中的灾难性遗忘？
解释KV缓存、分组查询注意力（Grouped-Query Attention）和多查询注意力（MultiQuery Attention）的工作原理。
解释 MixTral 技术，其优缺点是什么？
Deepspeed 分布式训练是否了解，zero 0-3