小米AIGC大模型实习面试题4道|含解析

12本七月在线内部电子书在文末，自取~

公众号福利

👉回复【100题】领取《名企AI面试100题》PDF

👉回复【干货资料】领取NLP、CV、ML等AI方向干货资料

问题1、讲一下transformer的原理

transformer的主要组成部分包括自注意力机制和位置编码。

• 自注意力机制（Self-Attention）：它允许模型在输入序列中的不同位置之间建立关联。通过计算每个位置与其他所有位置的相关性得分，模型可以学习到输入序列中各个部分之间的依赖关系。

• 位置编码（Positional Encoding）：Transformer通过将位置信息编码到输入向量中，使得模型能够区分不同位置的词语或标记。这样，模型能够利用位置信息更好地理解输入序列。

• 多头注意力机制（Multi-Head Attention）：为了增强模型对不同表示空间的关注，Transformer引入了多个注意力头，允许模型并行地关注不同的表示子空间，从而提高了模型的表征能力。

• 前馈神经网络（Feed-Forward Neural Network）：每个注意力模块之后都连接着一个前馈神经网络，它通过应用全连接层和激活函数来对特征进行变换和组合。

通过这些组件的组合和堆叠，Transformer模型能够捕捉长距离依赖关系，同时避免了传统循环神经网络中的序列依赖问题，使其在处理长序列时表现更好。

问题2、讲一下微调方法p-tuning v2的原理

P-Tuning V2在P-Tuning V1的基础上进行了下述改进：

• 在每一层都加入了Prompts tokens作为输入，而不是仅仅加在输入层，这与Prefix Tuning的做法相同。这样得到了更多可学习的参数，且更深层结构中的Prompt能给模型预测带来更直接的影响。

• 去掉了重参数化的编码器。在 P-tuning v2 中，作者发现重参数化的改进很小，尤其是对于较小的模型，同时还会影响模型的表现。

• 针对不同任务采用不同的提示长度。提示长度在提示优化方法的超参数搜索中起着核心作用。在实验中，我们发现不同的理解任务通常用不同的提示长度来实现其最佳性能，这与Prefix-Tuning中的发现一致，不同的文本生成任务可能有不同的最佳提示长度。

• 可选的多任务学习。先在多任务的Prompt上进行预训练，然后再适配下游任务。一方面，连续提示的随机惯性给优化带来了困难，这可以通过更多的训练数据或与任务相关的无监督预训练来缓解；另一方面，连续提示是跨任务和数据集的特定任务知识的完美载体。

问题3、什么是bilstm-crf

BiLSTM-CRF是一种用于序列标注任务的神经网络模型，结合了双向长短期记忆网络（BiLSTM）和条件随机场（CRF）。

• 双向长短期记忆网络（BiLSTM）：BiLSTM是一种循环神经网络变种，能够有效地捕捉输入序列中的长期依赖关系。通过同时考虑输入序列的正向和反向信息，BiLSTM可以更好地理解整个序列的语境。

• 条件随机场（CRF）：CRF是一种概率图模型，常用于序列标注任务。它能够对序列中的标记进行全局建模，利用标记之间的依赖关系来提高标注的一致性和准确性。

BiLSTM-CRF模型首先利用BiLSTM对输入序列进行特征提取，然后将提取的特征作为CRF模型的输入，利用CRF模型对序列进行标注。通过结合BiLSTM和CRF，BiLSTM-CRF模型能够更好地处理序列标注任务，同时充分利用上下文信息和标记之间的依赖关系。

问题4、代码题：给整数数组和target，找数组当中和为目标值的两个整数返回下标。

使用一个字典来存储遍历过的数字及其下标，通过查找字典来判断是否存在与当前数字配对的数字，从而实现寻找和为目标值的两个数的功能。

          
            
              def two_sum(nums, target):
            
          
          
                num_dict = {}  # 用字典存储数字和对应的下标
          
          
                for i, num in enumerate(nums):
          
          
                    complement = target - num  # 计算目标值与当前值的差值
          
          
                    if complement in num_dict:  # 如果差值在字典中，则找到了符合条件的两个数
          
          
                        return [num_dict[complement], i]
          
          
                    num_dict[num] = i  # 否则将当前数字及其下标存入字典
          
          
                return None  # 如果未找到符合条件的两个数，则返回None
          
          
            
              

          
          
            
              # 示例
            
          
          
            nums = [2, 7, 11, 15]
          
          
            target = 9
          
          
            print(two_sum(nums, target))  # 输出 [0, 1]，因为 nums[0] + nums[1] = 2 + 7 = 9
          
        

免费送

扫码回复【999】免费领12本电子书

（或 找七月在线其他老师领取 ）

点击“ 阅读原文 ”抢新人 福利 ~