315386775/DeepLearing-Interview-Awesome-2024 · 上手攻略

• 仓库：315386775/DeepLearing-Interview-Awesome-2024
• 链接：https://github.com/315386775/DeepLearing-Interview-Awesome-2024
• 分类：面经题库 · AI/深度学习
• 作者：Tom
• 更新：2026-08-28

这是什么

一个中文开源的 AI/深度学习算法面试题库，按六大专题组织：大模型 (LLMs)、计算机视觉与感知算法、深度学习基础与框架、自动驾驶 & 智慧医疗垂域、手撕代码、优质开源资源推荐。题库以 Markdown 格式维护，每道题目附有详细解答或指向对应解析文件的链接，内容涵盖从经典 CNN/BERT 到最新 LLM（Qwen-VL、LLaMA、Janus-Pro）的架构细节、训练策略、推理优化等。

收录原则：高新深（高频 / 前沿 / 有深度），题目来源于互联网大厂面试、学术论文创新点、和工业实践场景。

解决什么问题

AI 算法面试准备资料散落在牛客网、CSDN、知乎、公众号各处，质量参差不齐，且少有系统覆盖大模型全栈（从架构到训练到推理优化）面试题的资源。该仓库以"题库 + 参考解析"的形式，把常见面试题按主题整理，并持续更新大模型最新面试方向（Qwen2.5-VL、Janus-Pro、RLHF/SFT 对比等），节省备考者搜集和筛选的时间。

快速安装

无需安装（纯 Markdown 文档库），两种使用方式：

# 方式一：git clone 到本地，用 VS Code / Obsidian 阅读
git clone https://github.com/315386775/DeepLearing-Interview-Awesome-2024.git
cd DeepLearing-Interview-Awesome-2024
# 直接打开 README.md 进入总目录

# 方式二：直接在 GitHub 在线浏览
# https://github.com/315386775/DeepLearing-Interview-Awesome-2024

依赖：无需任何编程语言环境，任意 Markdown 阅读器均可。

核心用法

仓库结构

DeepLearing-Interview-Awesome-2024/
├── README.md              # 总目录（六大专题索引）
├── LLMs/
│   ├── Reference.md       # 大模型核心参考（含 70+ 题）
│   └── Agent.md           # Agent 工作流（Function Call 等）
├── CV/                    # 计算机视觉专题
│   └── ...
├── DeepLearning/          # 深度学习基础与框架
│   └── ...
├── 行业垂域/
│   └── 自动驾驶 + 智慧医疗
├── HandCoding/            # 手撕代码题
└── AwesomeResource/       # 优质开源资源推荐

使用路径示例

① 想准备大模型方向面试：

README.md → 找到"🏆大模型(LLMs)专题" → 打开 LLMs/Reference.md

LLMs/Reference.md 包含所有大模型面试题，按类别分组： - 模型微调：LoRA / Ptuning / Instruction Tuning / SFT / 灾难性遗忘 - 模型结构：Decoder-only / Layer Norm / RoPE / ALiBi / GQA - 模型优化：复读机问题 / 幻觉缓解 / Flash Attention - 训练 & 推理：DeepSpeed / vLLM / 显存估算 / Prefill/Decode 加速 - 多模态：Qwen-VL / BLIP2 / LLaVA / Janus-Pro

② 想了解 Function Call 微调：

README.md → 找到"Agent工作流" → 打开 LLMs/Agent.md

③ 想准备计算机视觉方向：

README.md → 找到"计算机视觉与感知算法专题" → 进入 CV/

典型题目示例

Q: 为何现在的大模型大部分是 Decoder-only 结构？

参考 LLMs/Reference.md 第 3 题：

Decoder-only（如 GPT、LLaMA）相比 Encoder-only（BERT）和 Encoder-Decoder（T5）的核心差异在于：单向注意力（Causual Attention）使得训练和推理一致性更高，生成任务天然适配；参数量利用效率更高（所有参数都参与当前 token 预测）；工程上推理成本更低（无需编码输入的完整双向表示）。

Q: LORA 的矩阵为什么初始化为全 0？

参考 LLMs/Reference.md 第 19 题：

初始为 0 确保 LORA 在训练初始阶段等价于原模型（identity 映射），让训练稳定收敛；训练过程中两个低秩矩阵逐步学习到最优更新方向，而非从随机扰动开始。

Q: SFT 和 RLHF 各自对基座大模型的作用是什么？

参考 LLMs/Reference.md 第 57 题：

SFT 教会模型"怎么答"（特定任务格式 / 指令遵循），RLHF 教会模型"答得好"（人类偏好 / 安全性 / 帮助性）。两者作用互补，缺一不可。

典型适用场景

1. 算法工程师校招/社招备战：按 LLMs/CV/深度学习三大方向系统刷题
2. 面试前突击：快速浏览自己不熟悉的专题，找薄弱点
3. 面试官出题参考：从题库中选取高频题作为面试题目
4. 学术科研辅助：部分题目来源于论文创新点，适合了解学界关注方向
5. 教学辅助：AI/ML 课程讲师可引用作为课后练习素材

坑与注意

⚠️ 答案质量参差：仓库说明中已承认"存在部分没有答案解析的题目，或者解析内容不全"，使用时请自行核实关键答案的正确性。

⚠️ 无难度/频次标注：题目列表目前没有标注面试频次、难度等级或出现公司，使用时需自行判断优先级。建议优先看标注了"高频"或"大厂"的相关题目。

⚠️ 部分答案需要网络抓取：参考链接指向其他平台的解析，可能存在失效情况；仓库本身不含 PDF 或离线备份。

⚠️ 时效性风险：大模型领域发展快，部分答案可能已过时（如具体模型的版本细节）；建议以题库为起点，结合官方文档和最新论文交叉验证。

⚠️ 英文缩写全大写阅读习惯：LLM 领域习惯用缩写（LORA、RoPE、GQA、SFT、RLHF），初学者需先熟悉这些术语。

⚠️ 微信引流：仓库包含微信公众号和微信群二维码，不影响使用，但与开源协议无关。

⚠️ Typo 警告：仓库名 DeepLearing 有拼写错误（少一个 a），DeepLearning 是正确拼写；这是原仓库的问题，非复制错误。

与同类对比

本仓库专注于 AI 算法面试，大模型专题（70+ 题）是最大亮点，覆盖最新多模态模型（Qwen-VL、Janus-Pro）和推理优化等前沿方向。

一句话推荐结论

中文 AI/大模型算法面试题库，覆盖 LLMs/CV/深度学习三大方向，题目持续更新，适合算法岗备考者系统复习和查漏补缺；答案需交叉验证，部分题目解析尚不完整。

来源：GitHub README · fetch 2026-08-27；GitHub raw LLMs/Reference.md · fetch 2026-08-27

⚠️ 部分答案引用第三方博客/CSDN/知乎链接，链接时效性未逐一核验，建议结合官方文档（Meta LLaMA 论文、Qwen 技术报告等）交叉验证关键答案。