Pytorch的面试问题
参考：PyTorch 面试问题
（1）什么是 PyTorch？
PyTorch 是基于 Torch 库的计算机软件的一部分，它是 Python 的开源机器学习库。它是由 Facebook 人工智能研究小组开发的深度学习框架。它用于自然语言处理和计算机视觉等应用。
（2）PyTorch 的基本要素是什么？
PyTorch 中有以下元素是必不可少的：
- PyTorch 张量
- PyTorch NumPy
- 数学运算
- Autograd 模块
- 优化模块
- nn 模块
（3）什么是张量？
张量在 PyTorch 的深度学习中发挥着重要作用。简单来说，我们可以说，这个框架完全是基于张量的。张量被视为广义矩阵。它可以是 1D 张量（矢量）、2D 张量（矩阵）、3D 张量（立方体）或 4D 张量（立方体矢量）。
（4）什么是抽象级别？
抽象分为三个层次，如下所示：
- **张量：**张量是在 GPU 上运行的命令式 n 维数组。
- **变量：**它是计算图中的一个节点。这存储数据和梯度。
- **模块：**神经网络层将存储状态，否则可学习的权重。
（5）张量和矩阵是否相同？
我们不能说张量和矩阵是一样的。张量有一些性质，我们可以说两者有一些相似之处，例如我们可以在张量中执行矩阵的所有数学运算。
张量是存在于结构中并与其他数学实体相互作用的数学实体。如果我们以规则的方式变换结构中的其他实体，那么张量将遵循相关的变换规则。张量的这种动态特性使其与矩阵不同。
（6）MSELoss、CTCLoss、BCELoss函数有什么用？
MSE 代表 Mean Squared Error，它用于创建衡量输入 x 和目标 y 中每个元素之间的均方误差的标准。CTCLoss代表Connectionist Temporal Classification Loss，用于计算连续时间序列和目标序列之间的损失。BCELoss(Binary Cross Entropy) 用于创建衡量目标和输出之间的二元交叉熵的标准。
（7）Conv1d、Conv2d 和 Conv3d 有什么区别？
他们三个没有太大的区别。Conv1d 和 Conv2D 用于应用 1D 和 2D 卷积。Conv3D 用于在由多个输入平面组成的输入信号上应用 3D 卷积。
（8）反向传播是什么？
计算出输出与标签间的损失函数值，然后计算其相对于每个神经元的梯度，根据梯度方向更新权值。
将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程；
由于ANN的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。
