简介：《名企AI面试100题1》是一份面向求职者与在校生的AI笔试面试精选题库，聚焦计算机语言基础模块，适合准备名企技术岗面试、需要系统梳理高频考点的中初级开发者。内容源自七月在线近4000道题库的精选，涵盖C++的extern "C"、多线程与多任务、Java类初始化顺序、死锁编写、ArrayList遍历删除、Linux CPU与进程查看、iptables规则、Python去重等经典问题，每题均配有解析思路。资源包为1个PDF文件，大小约49.22MB，章节按官网题目顺序编排，便于对照查阅与集中复习。目前已有250人学习下载。读者可借此快速掌握语言基础类面试的常见问法与答题要点，查漏补缺，提升笔试面试通过率。

1. 名企AI面试100题到底在考什么：从一道“手写注意力”题说起

很多人第一次接触“名企AI面试100题”这类题库，会误以为它是一份可以背答案的八股清单。我一开始也这么想，直到帮一位同学做模拟面试，他背熟了Transformer的公式，却在我追问“如果序列长度翻倍，注意力的显存涨多少、你怎么改”时卡住了。那一刻我意识到，这类题库真正考的不是记忆，而是你能不能把知识点落到工程判断上。它适合两类人：准备跳槽、想系统查漏的算法工程师，以及刚入门、需要一张能力地图的在校同学。这一篇不讲虚的，我按自己带人和被面的经验，把这100题拆成可复现的复习路径，告诉你每类题在考什么、怎么答才算过关、哪些坑最容易翻车。

2. 把100题拆成四类：先搞清楚每道题在考哪一层能力

2.1 从“会不会”到“能不能落地”的四层划分

我一般把这类题库里的题按能力层次分成四类，这样复习时不会眉毛胡子一把抓。第一类是概念题，比如“什么是过拟合”“BN和LN的区别”，考的是你能否用一句话说清本质，而不是背定义。第二类是推导题，比如“推导softmax的梯度”“手写多头注意力的维度变换”，考的是数学功底和代码直觉。第三类是工程题，比如“模型推理延迟高怎么排查”“数据不平衡怎么处理”，考的是你有没有真正调过模型。第四类是开放题，比如“设计一个推荐系统的召回方案”，考的是系统思维和取舍能力。这四类的复习策略完全不同：概念题要能画图讲清，推导题要能手推一遍，工程题要有案例，开放题要有框架。

提示：不要平均用力。先做一套自测，把每道题归到这四类里，统计自己哪一类错得最多，再决定时间分配。

2.2 用一张表定位自己的薄弱环节

下面这张表是我自己用来做自测的模板，你可以直接抄。每道题打一个标签，记录“能否口述清楚”“能否手写代码”“是否有实际案例”三个维度。三个都打勾才算真正掌握。

填完这张表，你会发现自己以为会的题，其实只停留在“口述”层面。我见过太多人卡在“手写”和“案例”这两列，面试时一让写代码就露馅。所以复习的第一步不是刷题，而是诚实定位。

2.3 复习顺序：先补推导，再补工程，最后练开放

定位完之后，我建议的复习顺序是：先集中补推导题，因为推导题是概念题的深化，也是工程题的基础。比如你手推过一遍注意力，再去看“为什么用缩放点积”这种概念题，就是降维打击。推导题过关后，再补工程题，这时候你要刻意积累案例，哪怕是自己跑过的小项目，也要能讲出“我遇到什么问题、怎么定位、怎么解决”。最后练开放题，因为开放题没有标准答案，靠的是前两类的积累加上表达框架。这个顺序不要颠倒，否则你会陷入“背了很多概念但一写就废”的循环。

3. 推导题怎么练：以手写多头注意力为例

3.1 先手推一遍维度变换，再写代码

推导题里最典型的就是手写多头注意力。很多人直接背代码，结果面试官一改维度就懵。我的做法是先拿纸笔推一遍维度。假设输入X形状是(batch, seq_len, d_model)，头数是h，每个头的维度是d_k = d_model / h。第一步，用三个线性层分别得到Q、K、V，形状都是(batch, seq_len, d_model)。第二步，把d_model拆成h和d_k，再转置，得到(batch, h, seq_len, d_k)。第三步，Q乘K的转置，得到(batch, h, seq_len, seq_len)，除以根号d_k，做softmax。第四步，乘V，得到(batch, h, seq_len, d_k)，再转置合并回(batch, seq_len, d_model)。最后过一个输出线性层。这个过程推三遍，比背十遍代码都管用。

3.2 一份可复现的最小实现与参数说明

下面这份代码是我自己复习时写的，去掉了所有工程优化，只保留核心逻辑，方便你对照上面的推导。

import torch import torch.nn as nn import math class MultiHeadAttention(nn.Module): def __init__(self, d_model, num_heads): super().__init__() # d_model必须能被num_heads整除，否则维度对不上 assert d_model % num_heads == 0 self.d_model = d_model self.num_heads = num_heads self.d_k = d_model // num_heads # 三个线性层分别生成Q、K、V，这里合并成一个大的线性层也可以 self.w_q = nn.Linear(d_model, d_model) self.w_k = nn.Linear(d_model, d_model) self.w_v = nn.Linear(d_model, d_model) self.w_o = nn.Linear(d_model, d_model) def forward(self, x): batch, seq_len, _ = x.shape # 1. 线性变换，形状保持(batch, seq_len, d_model) q = self.w_q(x) k = self.w_k(x) v = self.w_v(x) # 2. 拆头并转置，得到(batch, num_heads, seq_len, d_k) q = q.view(batch, seq_len, self.num_heads, self.d_k).transpose(1, 2) k = k.view(batch, seq_len, self.num_heads, self.d_k).transpose(1, 2) v = v.view(batch, seq_len, self.num_heads, self.d_k).transpose(1, 2) # 3. 缩放点积注意力，scores形状(batch, num_heads, seq_len, seq_len) scores = torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(self.d_k) attn = torch.softmax(scores, dim=-1) # 4. 加权求和，形状(batch, num_heads, seq_len, d_k) out = torch.matmul(attn, v) # 5. 合并头，形状回到(batch, seq_len, d_model) out = out.transpose(1, 2).contiguous().view(batch, seq_len, self.d_model) return self.w_o(out)

这段代码里最关键的参数是d_model和num_heads。d_model是模型隐藏层维度，常见取值512、768；num_heads是头数，常见8、12。两者必须整除，否则view会报错。math.sqrt(self.d_k)是缩放因子，作用是防止点积结果过大导致softmax梯度消失。如果你把这一步去掉，训练时loss很容易变成nan，这就是面试官常问的“为什么要缩放”。另外contiguous()不能省，因为transpose后内存不连续，直接view会报错。这些细节就是推导题和工程题的结合点。

3.3 面试官追问的三个方向

写完代码，面试官通常会追问三个方向。第一，如果seq_len很大，显存不够怎么办？你要能说出注意力矩阵是seq_len的平方，显存瓶颈在这里，常见优化有分块计算、稀疏注意力、或者用FlashAttention这类IO感知的实现。第二，如果num_heads增加，参数量变不变？答案是不变，因为d_k相应减小，总参数量由d_model决定。第三，为什么用多头而不是单头？你要能说出多头让模型在不同子空间学习不同模式，类似卷积里的多通道。这三个追问答上来，这道题才算真正过关。

4. 工程题怎么答：用排查框架代替零散经验

4.1 推理延迟高的四步排查法

工程题里最高频的就是“模型推理延迟高怎么排查”。我一般用四步法：先定位是预处理、推理还是后处理慢，再定位是CPU还是GPU瓶颈，然后看是计算密集还是内存密集，最后针对性优化。具体来说，第一步用时间戳打点，把整个流程拆成数据加载、预处理、前向、后处理四段，看哪一段耗时最长。第二步用nvidia-smi看GPU利用率，如果利用率低，说明瓶颈在CPU或IO；如果利用率高但延迟还是大，说明计算量大。第三步用profiler看是哪些算子耗时，常见的是卷积、矩阵乘、softmax。第四步再决定是换更小的模型、量化、还是用TensorRT这类推理引擎。

4.2 一个可复用的打点脚本

下面这个打点脚本可以直接嵌到你的推理代码里，帮你快速定位瓶颈。

import time class Timer: def __init__(self): self.records = {} def start(self, name): self.records[name] = time.time() def stop(self, name): if name in self.records: cost = (time.time() - self.records[name]) * 1000 print(f"{name}: {cost:.2f} ms") del self.records[name] # 使用示例 timer = Timer() timer.start("preprocess") # ... 预处理代码 ... timer.stop("preprocess") timer.start("forward") # ... 模型前向代码 ... timer.stop("forward") timer.start("postprocess") # ... 后处理代码 ... timer.stop("postprocess")

这个脚本的逻辑很简单，就是记录每个阶段的起止时间，输出毫秒数。参数上你只需要给每个阶段起一个名字，名字要能区分开。注意不要在循环里频繁调用，否则打印本身会拖慢速度。我一般会在正式测之前先跑几次预热，因为第一次推理往往包含初始化开销，数据不准。这个习惯帮我避免过很多次误判，有一次我以为是模型慢，打点后发现是预处理里的图像resize用了CPU单线程，换成GPU批量处理后延迟降了一半。

4.3 数据不平衡的三种处理与选择依据

工程题里另一个高频问题是数据不平衡。常见做法有三种：重采样、改损失函数、改评估指标。重采样包括过采样少数类和欠采样多数类，优点是简单，缺点是过采样容易过拟合，欠采样容易丢信息。改损失函数包括给少数类加权、用Focal Loss，优点是直接作用于优化目标，缺点是需要调权重。改评估指标是用F1、AUC代替准确率，优点是能反映真实性能，缺点是不改变模型本身。我一般会先看数据量，如果少数类绝对数量够（比如上万），优先用加权损失；如果少数类太少，先用重采样把量补上来，再配合加权。这个选择依据比单纯背方法更有说服力。

5. 避坑与常见问题：这五条血泪经验别踩

5.1 背了公式却讲不出直觉

现象：面试时能写出公式，但面试官问“这个公式的直觉是什么”就卡住。原因是你只记了符号，没理解它在解决什么问题。解决：每学一个公式，强迫自己用一句话说清“它为什么长这样”。比如BN的公式，直觉是让每层输入分布稳定，从而允许更大学习率。

5.2 代码能跑但说不清参数

现象：手写代码通过了，但面试官问“这个参数为什么设0.1”答不上来。原因是你抄了代码但没调过参。解决：自己跑一遍，把关键参数改大改小各试一次，记录loss和指标变化。比如学习率从0.1改成0.001，看收敛速度差多少。

5.3 案例讲成流水账

现象：讲项目时从数据收集讲到部署，面试官听不出重点。原因是你没按“问题-定位-解决-结果”的结构讲。解决：每个案例准备三句话，第一句说问题，第二句说你怎么定位，第三句说结果和反思。细节等面试官追问再展开。

5.4 开放题答得太空

现象：被问“设计一个召回方案”，你只说“用协同过滤”。原因是你没有分层展开。解决：按“数据层-召回层-排序层-评估层”四层讲，每层说清输入输出和选型理由。哪怕方案不完美，结构清晰就能加分。

5.5 忽略边界条件

现象：代码在标准输入下没问题，一改batch size或seq_len就报错。原因是你没考虑边界。解决：写完代码后，手动测三种边界：batch=1、seq_len=1、num_heads=1。这三个能过，基本就稳了。

6. 进阶技巧：用“反向出题”把100题变成自己的题库

复习到后期，我建议你换一个角色：不要当答题者，当出题者。具体做法是，拿一道题，比如“手写注意力”，你自己给自己出三个追问，然后尝试回答。如果你能出出面试官都没想到的角度，说明你真的懂了。我常用的反向出题框架是“如果……会怎样”：如果序列长度是1会怎样？如果头数等于维度会怎样？如果去掉缩放会怎样？这三个问题能逼你把每个设计选择的边界都摸一遍。

另一个技巧是建一个“错题本”，但不要只记错题，要记“当时怎么想的”和“正确思路是什么”。比如我当时把“BN和LN的区别”答成了“一个在batch维度一个在feature维度”，这是对的但太浅。正确思路要补上“BN依赖batch大小，LN不依赖，所以LN更适合变长序列和batch小的场景”。这个补充才是面试官想听的。

最后说一个我自己的习惯：每次复习完一个模块，我会假装给一个完全不懂的人讲一遍，讲不通的地方就是我没懂的地方。这个方法帮我省了很多后悔药，因为面试时卡壳的，往往就是那些我自以为懂但讲不出来的点。希望帮到你。

本文还有配套的精品资源，点击获取