人工智能常见面试题及答案汇总 | 极客日志

人工智能常见面试题及答案汇总 | 极客日志

学习类型	数据标签情况	核心目标	典型算法	应用场景
监督学习	全部数据有标签（输入→输出映射明确）	学习输入到输出的映射规律，用于预测/分类	线性回归、逻辑回归、决策树、SVM、CNN/Transformer（有监督场景）	图像分类、文本情感分析、房价预测
无监督学习	数据无标签	发现数据本身的内在结构（聚类、降维）	K-Means、DBSCAN、PCA、自编码器（AE）	用户分群、异常检测、特征压缩
半监督学习	部分数据有标签，大部分无标签	利用少量标签数据引导模型学习，降低标签成本	半监督 SVM、标签传播算法、半监督 Transformer	医疗影像标注（少量医生标注 + 大量未标注数据）
强化学习	无显式标签，仅通过'奖励/惩罚'反馈	学习最优决策策略，最大化累积奖励	Q-Learning、DQN、PPO、AlphaGo 系列	游戏 AI、机器人控制、自动驾驶决策

维度	线性回归（Linear Regression）	逻辑回归（Logistic Regression）
任务类型	回归任务（预测连续值）	分类任务（预测离散类别，二分类为主）
模型输出	连续值（如房价、得分，y∈(-∞,+∞)）	概率值（y∈[0,1]，表示属于正类的概率）
核心函数	线性函数：y = w·x + b	线性函数+Sigmoid 激活：y = σ(w·x + b)，其中σ(z) = 1/(1+e^{-z})
损失函数	均方误差（MSE）：Loss = Σ(y_true - y_pred)²	交叉熵损失（Cross-Entropy）：Loss = -Σ(y_true·log(y_pred) + (1-y_true)·log(1-y_pred))
优化目标	最小化预测值与真实值的平方误差	最大化分类概率的对数似然（等价于最小化交叉熵）
适用场景	房价预测、销量预测、温度预测	二分类（如垃圾邮件检测、疾病诊断、用户流失预测）

算法	核心优化点	优势	适用场景
GBDT	基于梯度下降最小化残差，基模型为 CART 树	基础 Boosting 算法，适合中小规模数据	传统结构化数据分类/回归
XGBoost	加入正则化（L1/L2）、支持缺失值处理、并行特征选择	精度高、泛化能力强，工业界常用	Kaggle 竞赛、风控建模
LightGBM	基于直方图分箱、梯度单边采样、Leaf-wise 生长	训练速度快、内存占用低，支持大规模数据	大数据场景、实时预测

组件	核心作用	关键参数/原理
卷积层（Conv Layer）	提取局部特征（如边缘、纹理、物体部件）	卷积核大小（3×3/5×5）、步长（Stride，默认 1）、填充（Padding，Same/Valid）、输出通道数（Filters）
激活函数层	引入非线性，使模型拟合复杂规律	ReLU（最常用，f(x)=max(0,x)，缓解梯度消失）、Leaky ReLU、GELU（Transformer 中常用）
池化层（Pooling Layer）	降维（减少参数和计算量）、保留关键特征	最大池化（Max Pooling，保留局部最大值，增强鲁棒性）、平均池化（Average Pooling，保留全局信息），核大小通常 2×2、步长 2
全连接层（FC Layer）	将卷积提取的特征映射为类别概率	将高维特征 flatten 为一维向量，通过矩阵乘法输出类别得分
BatchNorm（批归一化）	加速训练收敛、缓解梯度消失、防止过拟合	对每批数据标准化（均值=0，方差=1），引入可学习参数（γ、β）调整分布
Dropout 层	防止过拟合（神经网络专属正则化）	训练时随机关闭部分神经元，测试时恢复

模型	参数复杂度	长期依赖捕捉	训练速度	适用场景
RNN	低	弱（短序列）	快	短序列数据（如短语情感分析）
LSTM	高	强（长序列）	慢	极长序列（如长文本翻译、语音识别）
GRU	中	中 - 强	中 - 快	平衡速度与效果（如文本摘要、时序预测）

维度	TensorFlow（Google）	PyTorch（Meta）
设计理念	静态计算图（Graph Execution），先定义图再执行	动态计算图（Eager Execution），即时执行即时反馈
易用性	入门门槛高，语法较繁琐（早期），2.0+ 支持动态图	入门门槛低，Pythonic 语法，调试方便（如 print 变量）
生态系统	生态完善，支持部署场景丰富（TensorFlow Lite、TensorRT、TF Serving）	生态快速发展，学术研究中更流行，支持 TorchServe、ONNX 部署
并行计算	内置分布式训练支持（tf.distribute）	支持分布式训练（torch.distributed），API 更简洁
适用场景	工业界部署（如移动端、云端推理）、大规模生产环境	学术研究（如论文复现）、快速原型开发、中小规模生产
社区支持	企业支持强（Google），文档全面	社区活跃，开源贡献者多，论文复现代码丰富

工具	支持框架	适配硬件	核心优势
ONNX	PyTorch、TensorFlow、MXNet	通用	跨框架统一格式，部署中间件
TensorRT	ONNX、TensorFlow	NVIDIA GPU	GPU 推理优化（量化、层融合），低延迟
OpenVINO	ONNX、TensorFlow	Intel CPU/GPU	Intel 硬件专用优化，适合边缘计算
TensorFlow Lite	TensorFlow、ONNX	移动端、嵌入式设备	轻量级，低内存占用
PyTorch Mobile	PyTorch、ONNX	移动端、嵌入式设备	与 PyTorch 无缝衔接，支持动态图模型
TF Serving	TensorFlow	云端服务器	高吞吐量，支持模型版本管理、负载均衡

方法	微调参数占比	训练成本	适用模型类型	核心优势
LoRA	0.1%~1%	低	编码器/解码器模型	参数效率最高，训练速度快
QLoRA	0.1%~1%	极低	大参数量模型（≥70B）	支持消费级 GPU 微调，成本最低
Prefix Tuning	1%~5%	中	解码器模型（如 GPT）	生成式任务效果好
Adapter Tuning	5%~10%	中 - 高	通用	结构灵活，适配性强