Tag: talentme
-
【AI 工业核题 D3】GQA / MQA 分组查询注意力（共享 KV 头）（Grouped-Query & Multi-Query Attention）深度实现与原理解析
大幅降低自回归解码阶段 KV Cache 显存占用的关键创新，MHA 到 MQA 的完美折中。
-
【AI 工业核题 D2】Multi-Head Attention 多头注意力（MHA 分头与拼接）（Multi-Head Attention (MHA)）深度实现与原理解析
输入线性映射切分多头、多子空间并行计算、拼接输出残差降维，Transformer 骨架核心。
-
【AI 工业核题 D1】Scaled Dot-Product Attention 与因果掩码（Scaled Dot-Product Attention with Causal Mask）深度实现与原理解析
除以根号 d 保持方差稳定，融入上三角无穷大掩码阻断未来信息泄漏。
-
【AI 工业核题 C4】RoPE 长度外推（NTK-Aware Scaled 动态基频缩放）（NTK-Aware Scaled RoPE Extrapolation）深度实现与原理解析
解决直接线性插值造成高频信息丢失的缺陷，基于神经正切核理论动态非线性缩放基频。
-
【AI 工业核题 C3】ALiBi 线性偏置注意力（斜率衰减与外推）（Attention with Linear Biases (ALiBi)）深度实现与原理解析
无需位置向量嵌入，直接在 Query-Key 点积上添加静态线性距离惩罚偏置，外推能力极强。
-
【AI 工业核题 C2】RoPE 旋转位置编码（复数旋转矩阵与张量分块）（Rotary Position Embedding (RoPE)）深度实现与原理解析
现代大模型（LLaMA/Mistral/DeepSeek/Qwen）通用标配，复数平面 2D 旋转保持点积内积的纯相对位置依赖。
-
【AI 工业核题 C1】Sinusoidal 绝对位置编码（正余弦几何交变）（Sinusoidal Positional Encoding）深度实现与原理解析
Attention Is All You Need 原文经典，偶数正弦奇数余弦，具备相对位置线性变换性质。
-
【AI 工业核题 B5】Inverted Dropout（倒置丢弃法与缩放因子）（Inverted Dropout with Train/Eval Scaling）深度实现与原理解析
训练期按 1/(1-p) 进行倒置缩放，保证输出数学期望在训练与推理期恒定一致，使推理期实现完全零计算开销。
-
【AI 工业核题 B4】GroupNorm 与 InstanceNorm（分组与实例归一化）（Group Normalization & Instance Normalization）深度实现与原理解析
何恺明团队经典架构，将通道划分为 G 个组独立归一化，彻底解除对 Batch Size 大小的依赖。
-
【AI 工业核题 B3】BatchNorm1d（批归一化与训练/推理行为差异）（BatchNorm1d with Train vs Eval Distinction）深度实现与原理解析
面试官深度必问考点：训练期用当前 Batch 统计并以动量更新全局均值方差，推理期冻结并采用全局统计量。