英伟达算法岗面试，问的贼专业。。。
节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。
针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。
合集：
《大模型面试宝典》(2024版) 正式发布！
持续火爆！《AIGC 面试宝典》已圈粉无数！
这两天求职群分享了很多大厂的算法岗面试真题（暑期实习基本结束了，校招即将开启）。
这里特别整理了部分英伟达的最新面试题，希望对你有所帮助。
1. 介绍MoE和变体
2. 介绍LoRA和变体
3. LoRA 参数更新机制
4. MLM和MIM的关系和区别?
5. Stable Diffusion的技术原理
6. 解決LLM Hallucination的方法
7. Occupancy预测的出发点是什么?
8. 2D图像预训练怎么迁移到3D点云任务
9. 把Transformer模型训深的问题有哪些?怎么解决
10. 现在车道线检测的主流的loss是什么?你有哪些想法?
11. 为什么GAN中经常遇到mode collapse，而Diffusion比较少?
我还特别整理15道Transformer高频面试题（求职群里有数百道Transformer题目，还有答案）
-
介绍Transformer和ViT
-
介绍Transformer的QKV
-
介绍Layer Normalization
-
Transformer训练和部署技巧
-
介绍Transformer的位置编码
-
介绍自注意力机制和数学公式
-
介绍Transformer的Encoder模块
-
介绍Transformer的Decoder模块
-
Transformer和Mamba（SSM）的区别
-
Transformer中的残差结构以及意义
-
为什么Transformer适合多模态任务？
-
Transformer的并行化体现在哪个地方？
-
为什么Transformer一般使用LayerNorm？
-
Transformer为什么使用多头注意力机制？
-
Transformer训练的Dropout是如何设定的？
精选
- 轻松构建聊天机器人，大模型 RAG 有了更强大的AI检索器
- 一文搞懂大模型训练加速框架 DeepSpeed 的使用方法！
- 保姆级学习指南：《Pytorch 实战宝典》来了
- MoE 大模型的前世今生
- 从零解读 SAM(Segment Anything Model)
- AI 绘画爆火背后：扩散模型原理及实现
- 从零开始构建和训练生成对抗网络（GAN）模型
- CLIP/LLaVA/LLaVA1.5/VILA 模型全面梳理！
- 从零开始创建一个小规模的稳定扩散模型！
- Stable Diffusion 模型：LDM、SD 1.0, 1.5, 2.0、SDXL、SDXL-Turbo 等
- 文生图模型：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型
- 一文搞懂 BERT（基于Transformer的双向编码器）
- 一文搞懂 GPT（Generative Pre-trained Transformer）
- 一文搞懂 ViT（Vision Transformer）
- 一文搞懂 Transformer
- 一文搞懂 Attention（注意力）机制
- 一文搞懂 Self-Attention 和 Multi-Head Attention
- 一文搞懂 Embedding（嵌入）
- 一文搞懂 Encoder-Decoder（编码器-解码器）