当前位置：首页 > news >正文

万字长文，AIGC算法工程师的面试秘籍，推荐收藏！

news 2026/2/7 22:46:18

目录先行

AI绘画基础：

什么是DreamBooth技术？
正则化技术在AI绘画模型中的作用？

深度学习基础：

深度学习中有哪些常用的注意力机制？
如何寻找到最优超参数？

机器学习基础：

判别式模型和生成式模型的本质区别？
什么是机器学习？

Python编程基础：

Python中assert的作用?
python中如何无损打开图像，并无损保存图像?

模型部署基础：

什么是模型蒸馏？
在AI领域中模型一共有多少种主流部署形式？

计算机基础：

什么是主机ip和BMC信息？
Linux中的find命令使用大全

开放性问题：

谈谈对AIGC时代ToB、ToG、ToC方向落地的理解？
如何看待AIGC时代和传统深度学习时代的异同？

AI绘画基础

【一】什么是DreamBooth技术？

DreamBooth是由Google于2022年发布的一种通过将自定义主题注入扩散模型的微调训练技术，它通过少量数据集微调Stable Diffusion系列模型，让其学习到稀有或个性化的图像特征。DreamBooth技术使得SD系列模型能够在生成图像时，更加精确地反映特定的主题、对象或风格。

DreamBooth首先为特定的概念寻找一个特定的描述词[V]，这个特定的描述词一般需要是稀有的，DreamBooth需要对SD系列模型的U-Net部分进行微调训练，同时DreamBooth技术也可以和LoRA模型结合，用于训练DreamBooth_LoRA模型。

在微调训练完成后，Stable Diffusion系列模型或者LoRA模型能够在生成图片时更好地响应特定的描述词（prompts），这些描述词与自定义主题相关联。这种方法可以被视为在视觉大模型的知识库中添加或强化特定的“记忆”。

同时为了防止过拟合，DreamBooth技术在训练时增加了一个class-specific prior preservation loss（基于SD模型生成相同class的图像加入batch里面一起训练）来进行正则化。

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=data%3Aimage%2Fsvg%2Bxml%2C%253C%253Fxml%20version%3D’1.0’%20encoding%3D’UTF-8’%253F%253E%253Csvg%20width%3D’1px’%20height%3D’1px’%20viewBox%3D’0%200%201%201’%20version%3D’1.1’%20xmlns%3D’http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg’%20xmlns%3Axlink%3D’http%3A%2F%2Fwww.w3.org%2F1999%2Fxlink’%253E%253Ctitle%253E%253C%2Ftitle%253E%253Cg%20stroke%3D’none’%20stroke-width%3D’1’%20fill%3D’none’%20fill-rule%3D’evenodd’%20fill-opacity%3D’0’%253E%253Cg%20transform%3D’translate(-249.000000%2C%20-126.000000&pos_id=img-mqLTfAGw-1727490614072)’ fill=‘%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

微调训练过程

DreamBooth技术在微调训练过程中，主要涉及以下几个关键步骤：

选择目标实体：在开始训练之前，首先需要明确要生成的目标实体或主题。这通常是一组代表性强、特征明显的图像，可以是人物、宠物、艺术品等。例如，如果目标是生成特定人物的图像，那么这些参考图像应该从不同角度捕捉该人物。
训练数据准备：收集与目标实体相关的图像。这些图像不需要非常多，但应该从多个角度展示目标实体，以便模型能够学习到尽可能多的细节。此外，还需要收集一些通用图像作为负样本，帮助模型理解哪些特征是独特的，哪些是普遍存在的。
数据标注：为了帮助模型更好地识别和学习特定的目标实体，DreamBooth技术使用特定的描述词[V]来标注当前训练任务的数据。这些标注将与目标实体的图像一起输入模型，以此强调这些图像中包含的特定特征。
模型微调：使用这些特定的训练样本，对Stable Diffusion模型或者LoRA模型进行微调训练，并在微调训练过程中增加class-specific prior preservation loss来进行正则化。
验证测试：微调完成后，使用不同于训练时的文本提示词（但是包含特定的描述词[V]），验证模型是否能够根据新的文本提示词生成带有目标实体特征的图像。这一步骤是检验微调效果的重要环节。
调整和迭代：基于生成的图像进行评估，如果生成结果未达到预期，可能需要调整微调策略，如调整学习率、增加训练图像数量或进一步优化特殊标签的使用。

DreamBooth技术的关键在于通过微调Stable Diffusion模型，令其能够在不失去原有生成能力的同时，添加一定程度的个性化特征。

应用

DreamBooth技术的应用非常广泛，包括但不限于：

个性化内容创作：为特定个体或品牌创建独特的视觉内容。
艺术创作：艺术家可以使用这种技术来探索新的视觉风格或加深特定主题的表达。

总体来说，DreamBooth 是一项令人兴奋的技术，它扩展了生成模型的应用范围，使得个性化和定制化的图像生成成为可能。这种技术的发展有望在多个领域带来创新的应用。

【二】正则化技术在AI绘画模型中的作用？

在生成式模型的训练中，正则化技术是一种常用的方法，用于增强模型的泛化能力，防止过拟合，以及在一些情况下，帮助模型更稳定和可靠地训练。正则化对生成式模型的主要作用包括：

1. 防止过拟合

生成式模型，特别是参数众多的模型（如Stable Diffusion、GAN和VAE），容易在训练数据上过度拟合，从而导致模型在未见过的数据上性能下降。通过使用正则化技术，如L1或L2正则化（权重衰减），可以惩罚模型权重的大值，从而限制模型复杂度，帮助模型在保留训练数据重要特性的同时，防止过分依赖特定训练样本的噪声或非代表性特征。

2. 提高模型的稳定性

在生成对抗网络（GAN）等生成式模型中，训练过程中的稳定性是一个重要问题。正则化技术，如梯度惩罚（gradient penalty）和梯度裁剪（gradient clipping），可以防止梯度爆炸或消失，从而帮助模型更稳定地训练。这些技术通过控制权重更新的幅度，确保训练过程中的数值稳定性。

3. 改善收敛性

正则化技术有助于改善生成式模型的收敛性，特别是在对抗性的训练环境中。例如，在GANs中，使用梯度惩罚或Batch Normalization可以帮助生成器和判别器更均衡地训练，避免一方过早地主导训练过程，从而促进整个模型的稳健收敛。

4. 增加输出的多样性

尤其在GAN中，模式坍塌（mode collapse）是一个常见的问题，其中生成器倾向于生成非常相似的输出样本，忽视输入的多样性。这意味着生成器无法覆盖到数据分布的多样性，仅在潜在空间中的某个点或几个点上“坍塌”。通过应用正则化技术，如Mini-batch discrimination或使用dropout，可以鼓励生成器探索更多的数据分布，从而提高生成样本的多样性。

5. 防止梯度消失或爆炸

在视觉大模型中，梯度消失或爆炸（Gradient Vanishing/Exploding）是常见问题，特别是在训练复杂的生成式模型时。正则化技术，如Batch Normalization和Layer Normalization，通过规范化中间层的输出，帮助控制梯度的规模，从而避免这两种问题，使训练过程更加稳定。

6. 减少训练过程中的噪声敏感性

生成式模型可能对训练数据中的噪声过于敏感，导致生成的图像或数据质量低下。通过应用正则化，如Dropout或添加一定量的噪声，模型可以对不重要的输入变化更鲁棒，从而提高生成数据的质量和稳健性。

总结

正则化技术在生成式模型中的运用有助于优化模型性能，提高模型的泛化能力和输出质量，同时确保训练过程的稳定性和效率。这些技术是设计和训练高效、可靠生成式模型的重要组成部分。

深度学习基础

【一】深度学习中有哪些常用的注意力机制？

在深度学习中，注意力机制是一种重要的技术，用于增强模型在处理复杂任务时的表现。以下是一些常用的注意力机制及其经典例子：

1. Soft Attention（软注意力）

软注意力机制对输入的所有部分分配权重，通常通过一个可训练的模型来计算。

Bahdanau Attention（Additive Attention）
- 经典例子：用于神经机器翻译（Neural Machine Translation, NMT）。序列到序列模型（seq2seq）中的注意力机制，通过学习输入序列中每个元素的相关性来生成目标序列。
Luong Attention（Multiplicative Attention）
- 经典例子：改进的神经机器翻译。在生成目标序列时，通过点积计算输入和隐藏状态之间的相似性。

2. Hard Attention（硬注意力）

硬注意力机制基于采样，只选择输入的一部分进行处理，而不是对所有输入进行加权求和。

经典例子：图像描述生成（Image Captioning）。在生成描述时，仅关注图像中的特定区域。

3. Self-Attention（自注意力）

自注意力机制用于计算序列内部各个元素之间的关联，适用于处理序列数据。

Scaled Dot-Product Attention
- 经典例子：Transformer模型。通过点积计算输入序列中各元素之间的相似性，并进行缩放处理，广泛用于自然语言处理任务。
Multi-Head Attention
- 经典例子：Transformer中的多头注意力。通过并行计算多个自注意力机制并将结果拼接，提高模型的表达能力。
- 经典例子：Stable Diffusion中的多头注意力。通过并行计算多个自注意力机制并将结果拼接，提高模型的表达能力。

4. Hierarchical Attention（层次注意力）

层次注意力用于处理具有层次结构的数据，例如文档中的句子和句子中的词。

经典例子：文档分类（Document Classification）。在文档分类任务中，首先对句子中的词进行注意力计算，然后对文档中的句子进行注意力计算。

5. Local Attention（局部注意力）

局部注意力机制只对输入序列的一部分进行注意力计算，适用于处理长序列数据。

经典例子：语音识别（Speech Recognition）。在语音识别任务中，仅关注当前时间窗口内的特征。

6. Cross-Attention（交叉注意力）

交叉注意力用于两个不同序列之间的注意力计算，例如在多模态任务中对图像和文本进行关联。

经典例子：视觉问答（Visual Question Answering）。在视觉问答任务中，计算问题和图像之间的关联。
经典例子：文生图。Stable Diffusion中有交叉注意力机制。

7. Graph Attention（图注意力）

图注意力机制用于图数据的处理。

经典例子：图神经网络（Graph Neural Networks, GNNs）。在图结构数据中，对节点的邻居节点进行加权求和。

8. Convolutional Attention（卷积注意力）

卷积注意力结合卷积操作和注意力机制，增强卷积神经网络的表示能力。

SENet (Squeeze-and-Excitation Network)
- 经典例子：图像分类。通过注意力机制重新调整通道的权重。
CBAM (Convolutional Block Attention Module)
- 经典例子：图像分类和目标检测。结合通道注意力和空间注意力。

9. Temporal Attention（时序注意力）

时序注意力机制用于处理时间序列数据。

经典例子：时间序列预测（Time Series Forecasting）。在多变量时间序列预测任务中，关注时间序列中的模式。

10. Dual Attention（双重注意力）

双重注意力同时对两个不同维度的特征进行注意力计算。

经典例子：多模态学习（Multimodal Learning）。在场景分割任务中，同时关注空间特征和通道特征。

11. Residual Attention（残差注意力）

残差注意力结合残差网络和注意力机制，增强特征的传递和组合。

经典例子：图像分类。在残差网络中引入注意力机制，提升图像分类的性能。

12. Transformers

Vanilla Transformer
- 经典例子：神经机器翻译（Neural Machine Translation, NMT）。Transformer模型通过自注意力机制进行序列到序列任务。
BERT（Bidirectional Encoder Representations from Transformers）
- 经典例子：自然语言处理任务（NLP Tasks）。用于各种NLP任务，如问答、文本分类等。
GPT（Generative Pre-trained Transformer）
- 经典例子：文本生成（Text Generation）。用于文本生成任务，如对话生成、文章续写等。

13. Adaptive Attention（自适应注意力）

自适应注意力根据输入数据动态调整注意力机制。

经典例子：视觉问答（Visual Question Answering）。在图像描述生成任务中，自适应地调整注意力范围。

14. Multi-Scale Attention（多尺度注意力）

多尺度注意力在不同尺度上进行注意力计算。

经典例子：视频分析（Video Analysis）。在视频理解任务中，对不同时间尺度的信息进行关注。

15. Co-Attention（协同注意力）

协同注意力同时对两个序列进行注意力计算，通常用于多模态任务。

经典例子：视觉问答（Visual Question Answering）。在视觉问答任务中，计算问题和图像之间的关联。

16. Self-Supervised Attention（自监督注意力）

自监督注意力通过自监督学习机制进行训练。

经典例子：图像分类和对比学习（Image Classification and Contrastive Learning）。用于视觉任务的自监督学习框架，引入注意力机制进行特征对比学习。

以上是深度学习中一些常用的注意力机制及其经典例子。选择适合的注意力机制可以显著提升模型的性能，不同的注意力机制在不同的应用场景中有不同的表现和优势。

【二】如何寻找到最优超参数？

找到最优超参数的过程通常被称为超参数优化（Hyperparameter Optimization）。常用的方法包括以下几种：

1. 手动调整（Manual Tuning）：

手动调整超参数是最简单但最费时的方法，通常依赖于经验和试错。可以通过观察模型在验证集上的性能来逐步调整超参数。

2. 网格搜索（Grid Search）：

网格搜索是一种系统的尝试多个超参数组合的方法。

步骤：
1. 定义每个超参数的可能取值范围。
2. 穷举所有可能的超参数组合。
3. 对每个组合进行交叉验证，评估模型在验证集上的性能。
4. 选择性能最好的组合作为最优超参数。
缺点：计算成本高，特别是超参数数量多和取值范围大的情况下。

3. 随机搜索（Random Search）：

随机搜索是一种在超参数空间中随机采样进行尝试的方法。

步骤：
1. 定义每个超参数的可能取值范围。
2. 随机采样一定数量的超参数组合。
3. 对每个组合进行交叉验证，评估模型在验证集上的性能。
4. 选择性能最好的组合作为最优超参数。
优点：比网格搜索更有效率，通常在相同计算成本下能找到更好的超参数组合。

4. 贝叶斯优化（Bayesian Optimization）：

贝叶斯优化是一种利用贝叶斯统计理论的方法，通过构建超参数与模型性能之间的概率模型来选择最优超参数。

步骤：
1. 选择初始点，训练模型并评估性能。
2. 构建代理模型（通常是高斯过程）来模拟超参数空间。
3. 使用代理模型选择下一个最有可能提升性能的超参数组合。
4. 训练模型并更新代理模型。
5. 重复步骤3和4，直到达到预定的迭代次数或时间限制。
优点：比随机搜索和网格搜索更高效，适合高维和复杂的超参数空间。

5. 遗传算法（Genetic Algorithms）：

遗传算法是一种基于生物进化原理的优化算法。

步骤：
1. 初始化一个包含多个超参数组合的种群。
2. 通过交叉和变异生成新的超参数组合。
3. 根据模型性能评估每个组合的适应度，选择适应度高的组合进行下一代繁衍。
4. 重复步骤2和3，直到达到预定的迭代次数或性能。
优点：能探索复杂的超参数空间，适合解决多峰优化问题。

6. 超参数调优库：

一些开源的超参数调优库提供了自动化的超参数优化功能。

常见库：
- Hyperopt：支持贝叶斯优化，基于TPE（Tree of Parzen Estimators）。
- Optuna：灵活且高效的超参数优化库，支持贝叶斯优化、随机搜索和其他自定义优化算法。
- Ray Tune：支持多种搜索算法和分布式超参数优化。
- Scikit-Optimize：基于Scikit-Learn的优化库，支持贝叶斯优化。

示例：使用Optuna进行超参数优化

以下是使用Optuna进行超参数优化的简单示例：

import optuna
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score# 加载数据集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)# 定义目标函数
def objective(trial):# 定义超参数的搜索空间C = trial.suggest_loguniform('C', 1e-5, 1e2)gamma = trial.suggest_loguniform('gamma', 1e-5, 1e-1)# 创建模型model = SVC(C=C, gamma=gamma)# 训练模型model.fit(X_train, y_train)# 评估模型y_pred = model.predict(X_test)accuracy = accuracy_score(y_test, y_pred)return accuracy# 创建Optuna研究对象并进行优化
study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=100)# 输出最优超参数
print('Best trial:')
trial = study.best_trial
print(f'  Accuracy: {trial.value}')
print('  Params: ')
for key, value in trial.params.items():print(f'    {key}: {value}')

通过这种方法，可以高效地寻找最优超参数组合，从而提升模型性能。

机器学习基础

【一】判别式模型和生成式模型的本质区别？

判别式模型和生成式模型在机器学习中的本质区别主要在于它们的模型目标和学习方法。

模型目标

判别式模型（Discriminative Model）：

目标：直接学习输入数据和标签之间的决策边界，即条件概率。
任务：对未见数据，根据可以求得标签，即可以直接判别出来未见数据的标签，主要用于分类和回归任务，关注如何区分不同类别。
例子：逻辑回归、支持向量机（SVM）、神经网络、随机森林等。

生成式模型（Generative Model）：

目标：学习输入数据和标签的联合概率分布，并通过它推导出条件概率。
任务：不仅用于分类，还可以生成新的数据样本、建模数据的分布。
例子：扩散模型、高斯混合模型（GMM）、隐马尔可夫模型（HMM）、朴素贝叶斯、生成对抗网络（GAN）等。

学习方式

判别式模型：

只关心数据之间的决策边界，直接学习如何将输入数据映射到标签。
通过优化损失函数（如交叉熵损失、均方误差等）来调整模型参数。
只需要考虑如何将特征映射到标签，不考虑数据本身的生成机制。

生成式模型：

关心数据的生成过程，学习数据和标签的联合分布。
通过学习数据分布，可以生成新的数据样本。
可以通过贝叶斯定理来进行分类。

应用场景

判别式模型：

主要用于分类和回归任务，如图像分类、文本分类、情感分析等。
优点：在分类任务上通常表现更好，因为直接优化分类决策边界。

生成式模型：

用于生成数据、填补缺失数据、异常检测、隐变量模型等。
优点：能够生成新数据样本，可以更好地理解数据的内部结构和分布。

优缺点对比

判别式模型：

优点：通常在分类精度和性能上优于生成式模型，尤其在大数据集和高维特征空间下表现更好。
缺点：无法生成数据，无法建模数据的内部生成机制。

生成式模型：

优点：可以生成新的数据样本，能够更好地理解数据的生成过程；在小数据集或数据缺失的情况下表现较好。
缺点：在分类任务上可能不如判别式模型精确，计算复杂度通常较高。

具体示例

具体例子：判断一个图像是是二次元图像还是写实图像。

判别式模型：学习建模决策边界，通过优化损失函数来找到最佳决策边界。然后通过提取这张图像的特征来预测出这张图像是二次元图像的概率和是写实图像的概率，最后取概率较大者。
生成式模型：学习建模二次元图像的联合概率分布，再学习建模写实图像的联合概率分布，然后通过贝叶斯定理计算。然后从这张图像中提取特征，放到二次元图像模型中看概率是多少，再放到写实图像模型中看概率是多少，哪个概率大就是哪个。同时因为学习到的二次元图像模型可以去生成二次元图像特征的概率分布，由学习到的写实图像模型可以去生成写实图像特征的概率分布，所以生成式模型可以生成新的数据。

总结

生成式模型和判别式模型的目的都是在使后验概率最大化，判别式是直接对后验概率建模，但是生成模型通过贝叶斯定理这一“桥梁”使问题转化为求联合概率。

总而言之，判别式模型和生成式模型在模型目标、学习方式、应用场景和优缺点等方面都有显著区别。选择哪种模型取决于具体的AI应用需求。

【二】什么是机器学习？

机器学习（Machine Learning）是人工智能的一个子领域，早在1950年阿兰·图灵（Alan Turing）提出了图灵测试，探讨了机器是否能够表现出智能行为。在1952年Arthur Samuel 在IBM工作期间开发了一个具有学习能力的西洋跳棋程序，这个程序可以在不断对弈中提高自己的水平，Arthur Samuel也因此正式提出了“机器学习”的概念。

机器学习技术专注于让计算机系统能够自动从数据中进行学习和进步，而不需要显式地持续编程。机器学习的核心在于数据、算法和模型，这些算法和模型可以通过分析数据和识别数据中的模式进行决策。

机器学习技术目前已经在AIGC、传统深度学习、自动驾驶三个领域全面落地，发展出Stable Diffusion、ChatGPT、Sora、Transformers、YOLO、GAN、U-Net、ResNet、随机森林、支持向量机、决策树、逻辑回归、感知机等实用算法，开始帮助人类完成各种各样的脑力任务。

Python编程基础

【一】Python中assert的作用?

在Python中，assert 语句用于断言某个条件是真的。如果条件为真，程序会继续运行；如果条件为假，则会触发一个 AssertionError 异常。这种方式主要用于调试阶段，确保代码在特定条件下正确运行，或用来作为程序内部的自检手段。

assert 语句的基本语法如下：

assert condition, error_message

condition：这是需要检查的表达式，结果应为布尔值。
error_message：这是可选的，如果提供，当条件不满足（即为False）时，将显示此错误消息。

使用示例

假设你正在开发一个函数，该函数必须接受正整数作为输入。你可以使用 assert 语句来确保输入是正整数：

def print_inverse(number):assert number > 0, "The number must be positive"print(1 / number)print_inverse(5)  # 正常运行
print_inverse(-1)  # 抛出 AssertionError: The number must be positive

注意事项

assert 语句可以被全局解释器选项 -O （优化模式）和其他方法禁用。当Python解释器以优化模式运行时，所有的assert语句都会被忽略。因此，通常不建议在生产代码中使用assert来做输入验证或处理程序的核心逻辑。
适合使用assert的场景包括：测试代码的健壮性、检查函数的输入参数是否符合预期。

总之，assert是一个有用的调试工具，可以帮助开发者在开发过程中快速定位问题。

【二】python中如何无损打开图像，并无损保存图像?

在Python中，如果我们想无损地打开和保存图像，关键是选择支持无损保存的图像格式，如PNG、TIFF或BMP。使用Python的Pillow库可以方便地处理这种任务。下面Rocky将详细说明如何使用Pillow无损地打开和保存图像。

使用Pillow无损打开和保存图像

打开图像：使用Image.open()函数打开图像文件。这个函数不会修改图像数据，因此打开图像本身是无损的。
保存图像：使用Image.save()函数，并确保选择无损格式，如PNG。

以下是一个具体的示例：

from PIL import Image# 打开图像文件
img = Image.open('example.jpg')  # 假设原始文件是JPEG格式# 执行一些图像处理操作（可选）
# 注意，确保这些操作是无损的，如大小调整、裁剪等# 保存图像为PNG格式，这是无损压缩
img.save('output.png', 'PNG')# 或者用这种方式进行无损保存
img.save('path_to_save_image.png', format='PNG', optimize=True)

注意事项

PNG使用的是无损压缩算法，这意味着图像的所有信息在压缩和解压过程中都被完整保留，不会有任何质量损失。
当从有损压缩格式（如JPEG）转换为无损格式（如PNG）时，虽然保存过程是无损的，但原始从JPEG格式读取的图像可能已经丢失了一些信息。因此，最佳实践是始终从无损格式源文件开始操作，以保持最高质量。
如果我们的图像已经在一个无损格式（如PNG），你只需重新保存它，同样选择无损格式，即可保持图像质量不变。
无损保存与 optimize=True 选项：optimize=True选项会尝试找到更为压缩的存储方式来保存文件，但不会影响图像的质量。具体来说，它在保存文件时会尝试优化图像数据的存储方式，比如重新排列文件中的色块和使用更有效的编码方法，但仍然保持图像数据的完整性和质量。因此，即使使用了 optimize=True 选项，保存的PNG文件也是无损的，不会有质量损失。这使得PNG格式非常适合需要无损压缩的应用，如需要频繁编辑和保存的图像处理任务。

处理其他图像格式

对于其他格式如TIFF或BMP，Pillow同样支持无损操作，保存方法类似，只需改变保存格式即可：

# 保存为TIFF格式
img.save('output.tiff', 'TIFF')# 保存为BMP格式
img.save('output.bmp', 'BMP')

使用Pillow库，我们可以轻松地在Python中进行无损图像处理。它提供了广泛的功能，能够处理几乎所有常见的图像格式，并支持复杂的图像处理任务。

模型部署基础

【一】什么是前端压缩技术和后端压缩技术？

在AI领域，模型压缩技术用于减少模型的大小和计算量，从而使模型更易于部署在资源受限的环境，如移动设备和嵌入式系统中。模型压缩可以在训练的不同阶段实施，通常分为前端压缩（前期压缩）和后端压缩（后期压缩）两种技术。下面Rocky详细介绍这两种技术的特点和应用。

模型前端压缩技术（前期压缩）

前端压缩主要指在模型训练过程中或训练开始前使用的模型压缩技术。这些技术的目标是减少训练过程中模型的计算和存储需求，或优化模型结构以便更有效地训练。常见的模型前端压缩技术包括：

网络剪枝（Network Pruning）：在训练初期或训练过程中移除模型中的冗余参数（如权重接近零的神经元）。这可以是结构化剪枝（如移除整个卷积核或神经网络层）或非结构化剪枝（如随机移除单个权重）。
知识蒸馏（Knowledge Distillation）：在训练过程中，使用一个大的、已训练好的教师模型来指导一个结构更简单的学生模型。通过这种方式，学生模型学习到教师模型的输出行为，而具有更少的参数和计算需求。
低秩分解（Low-Rank Factorization）：在模型训练之前，将大的权重矩阵分解为几个小的矩阵的乘积，这样可以减少模型参数的数量并降低存储和计算成本。低秩分解技术在AIGC时代持续繁荣，成为LoRA系列模型的核心思想。
设计轻量化网络：从头开始设计轻量级的网络架构，如MobileNet、ShuffleNet等，这些网络结构特别适用于移动和嵌入式系统。

模型后端压缩技术（后期压缩）

后端压缩主要发生在模型训练完成后，目的是减少模型部署时的资源需求。这些技术使得模型更适合部署在资源受限的设备上。常见的后端压缩技术包括：

量化（Quantization）：将模型中的浮点数权重转换为低精度的格式（如从32位浮点数转换为8位整数）。这可以显著减少模型的内存占用，并可能加速模型的推理速度。
进一步的网络剪枝：在模型训练完成后，进行额外的剪枝操作，进一步移除不重要的权重或神经元，以优化模型大小和推理速度。
二值化或三值化（Binarization/Ternarization）：将权重量化为最极端的低比特形式，即所有权重只有1位（二值）或2位（三值），这极大地减少了模型的大小并提升了运算效率。
编码和压缩：应用编码技术，如霍夫曼编码，减少模型文件的实际大小，便于存储和传输。

结论

前端压缩和后端压缩技术各有优势和应用场景。前端压缩有助于在模型设计和训练阶段建立高效的网络结构，而后端压缩则更专注于模型部署前的优化。结合使用这两种技术可以有效地缩减模型大小，提升运算效率，并使深度学习模型更易于在各种计算场景。

【二】在AI领域中模型一共有多少种主流部署形式？

AI领域发展至今，Rocky认为目前主要有三大核心方向，包括AIGC、传统深度学习以及自动驾驶。以下是这些领域中主流的模型部署形式：

1. AIGC领域的模型部署

a. 云端部署

特点：模型部署在云服务器上，用户通过API调用服务进行内容生成。
优势：可扩展，易于更新和维护，适合处理大量并发请求。
应用示例：OpenAI的GPT-4模型作为API服务提供，用户可以通过互联网调用模型生成文本。

b. 客户端部署

特点：模型部署在用户的设备上，如PC或移动设备。
优势：保护用户数据隐私，减少网络延迟。
应用示例：Adobe Photoshop的内容感知工具，可在用户设备上直接运行，不需数据上传到云端。

2. 深度学习领域的模型部署

a. 云端部署

特点：模型部署在云服务器上，利用云计算的强大计算能力进行数据处理和模型推理。
优势：提供强大的计算资源，易于扩展，便于管理。
应用示例：在图像识别、语音识别等需要大规模数据处理的应用中，云端部署可以快速处理来自全球的请求。

b. 边缘部署

特点：模型直接部署在本地设备上，如智能手机、IoT设备或本地服务器。
优势：减少数据传输时间，提高响应速度，增强隐私保护。
应用示例：在移动应用中，如实时语言翻译和增强现实（AR），模型在本地设备上运行，以实现低延迟和离线功能。

3. 自动驾驶领域的模型部署

a. 车载部署

特点：模型直接部署在车辆的计算平台上，处理来自车载传感器的数据。
优势：实时处理传感器数据，快速做出驾驶决策。
应用示例：自动驾驶汽车中的决策系统，如特斯拉Autopilot，需要在车辆内部快速处理来自摄像头、雷达和其他传感器的数据。

b. 云端部署

特点：某些控制功能和监控系统部署在云端控制中心。
优势：可以进行更复杂的数据分析，实时监控和调整车辆行为。
应用示例：远程监控和调度系统，可用于管理自动驾驶车队，例如在无人配送服务中进行调度和监控。

总之，AI模型的部署形式应根据具体的应用需求、数据敏感性、可用资源和所需的响应时间来决定。不同的部署策略具有各自的优势和限制，理解这些可以帮助我们选择最适合特定需求的部署方法。

计算机基础

Rocky从工业界、应用界、竞赛界以及学术界角度出发，总结沉淀AI行业中需要用到的实用计算机基础知识，不仅能在面试中帮助到我们，还能让我们在日常工作中提高效率。

【一】什么是主机ip和BMC信息？

主机IP

主机IP（Internet Protocol）地址是分配给每台连接到网络的设备的唯一标识符。IP地址用于在网络中标识和通信设备。IP地址有两种类型：

IPv4：如192.168.1.1
IPv6：如2001:0db8:85a3:0000:0000:8a2e:0370:7334

BMC（Baseboard Management Controller）

BMC是一个基板管理控制器，用于在不依赖操作系统的情况下管理和监控计算机系统。BMC常见于服务器中，提供远程管理功能，包括电源控制、系统监控、日志记录等。BMC通常有自己的IP地址，用于远程管理接口（如IPMI, Intelligent Platform Management Interface）。

在不同操作系统中获取主机IP

Windows

获取主机IP：

示例：

C:\>ipconfigWindows IP ConfigurationEthernet adapter Ethernet:Connection-specific DNS Suffix  . :Link-local IPv6 Address . . . . . : fe80::1c4b:aaaa:bbbb:cccc%12IPv4 Address. . . . . . . . . . . : 192.168.1.100Subnet Mask . . . . . . . . . . . : 255.255.255.0Default Gateway . . . . . . . . . : 192.168.1.1

1. 打开命令提示符（Win+R，输入cmd，按Enter）。
2. 输入命令ipconfig并按Enter。
3. 在输出中找到当前连接的网络适配器的IP地址，通常在IPv4 Address或IPv6 Address项下。
Linux
- 获取主机IP：
- 示例：
```
$ hostname -I
192.168.1.100
```
1. 打开终端。
2. 输入命令hostname -I。
3. 在输出中找到网络接口（如eth0、wlan0）的IP地址。
macOS
- 获取主机IP：
- 示例：
```
$ ipconfig getifaddr en0
192.168.1.100
```
1. 打开终端。
2. 输入命令ipconfig getifaddr en0。
3. 在输出中找到网络接口（如en0、en1）的IP地址。

获取BMC信息

BMC通常通过独立的管理接口（如IPMI）提供访问。要获取BMC的IP地址和其他信息，可以使用BMC管理工具或命令行工具。

通过操作系统获取BMC IP

示例输出：

Set in Progress         : Set Complete
Auth Type Support       : MD2 MD5 PASSWORD
Auth Type Enable        : Callback : MD2 MD5 PASSWORD: User     : MD2 MD5 PASSWORD: Operator : MD2 MD5 PASSWORD: Admin    : MD2 MD5 PASSWORD: OEM      : MD2 MD5 PASSWORD
IP Address Source       : DHCP Address
IP Address              : 192.168.1.50
Subnet Mask             : 255.255.255.0
MAC Address             : 00:25:90:ff:ff:ff

Windows/Linux：
使用BMC Web接口：

1. 登录BMC的Web管理界面（通常需要知道BMC IP地址）。
2. 在网络设置或系统信息页面查找BMC的IP地址和其他信息。
3. 使用IPMI工具（如ipmitool）查询BMC信息。
4. 安装ipmitool（Windows下需要额外下载并安装）。
5. 执行命令获取BMC IP信息：
```
ipmitool lan print 1
```
通过服务器BIOS获取BMC IP
- 重新启动服务器并进入BIOS设置。
- 在BIOS中找到BMC或IPMI设置页面。
- 查找和配置BMC的IP地址和网络设置。

总结

获取主机IP和BMC信息是系统管理和维护中的常见任务。不同操作系统提供了多种工具和命令来方便地获取这些信息。通过熟练掌握这些工具和命令，管理员可以有效地管理和监控服务器及其远程管理功能。

【二】Linux中的find命令使用大全

find 命令是 Linux 中非常强大的文件查找工具，适用于搜索目录树中的文件和目录。它支持多种搜索条件、动作和选项。以下是 find 命令的使用大全，包括常见的使用示例和解释。

基本用法

find [起始目录] [搜索条件] [操作]

起始目录：指定搜索的起点目录。如果不指定，默认是当前目录。
搜索条件：用于指定搜索的条件，如文件名、类型、大小等。
操作：对找到的文件执行的操作，如打印、删除等。

常见搜索条件

按文件名搜索

# 按名称精确匹配
find /path/to/start -name "filename"
# 按名称模糊匹配（大小写敏感）
find /path/to/start -name "*.txt"
# 按名称模糊匹配（大小写不敏感）
find /path/to/start -iname "*.txt"

按文件类型搜索

# 查找目录
find /path/to/start -type d
# 查找普通文件
find /path/to/start -type f
# 查找符号链接
find /path/to/start -type l

按文件大小搜索

# 查找大于 100MB 的文件
find /path/to/start -size +100M
# 查找小于 10KB 的文件
find /path/to/start -size -10k
# 查找正好 1GB 的文件
find /path/to/start -size 1G

按文件时间搜索

# 查找在最近 7 天内修改的文件
find /path/to/start -mtime -7
# 查找在最近 30 分钟内修改的文件
find /path/to/start -mmin -30
# 查找在最近 7 天内访问的文件
find /path/to/start -atime -7
# 查找在最近 30 分钟内访问的文件
find /path/to/start -amin -30

按文件权限搜索

# 查找权限为 755 的文件
find /path/to/start -perm 755
# 查找权限中包含执行权限的文件
find /path/to/start -perm /111

按用户和组搜索

# 查找属于用户 "username" 的文件
find /path/to/start -user username
# 查找属于组 "groupname" 的文件
find /path/to/start -group groupname

常见操作

打印文件路径

# 默认操作是打印文件路径
find /path/to/start -name "*.txt"

删除文件

# 删除查找到的文件
find /path/to/start -name "*.tmp" -delete

执行命令

# 对查找到的每个文件执行 ls -l 命令
find /path/to/start -name "*.txt" -exec ls -l {} \;
# 对查找到的每个文件执行 rm 命令
find /path/to/start -name "*.tmp" -exec rm -f {} \;

组合条件

# 查找 .txt 和 .log 文件
find /path/to/start \( -name "*.txt" -o -name "*.log" \)
# 查找大于 100MB 且在最近 7 天内修改的文件
find /path/to/start -size +100M -and -mtime -7

排除目录

# 查找过程中排除某个目录
find /path/to/start -path /path/to/exclude -prune -o -name "*.txt" -print

高级用法

查找空文件和空目录

# 查找空文件
find /path/to/start -type f -empty
# 查找空目录
find /path/to/start -type d -empty

查找符号链接

# 查找所有符号链接
find /path/to/start -type l

查找最近修改的文件

# 查找最近修改的文件，并按时间排序
find /path/to/start -type f -printf '%T+ %p\n' | sort -r

开放性问题

Rocky从工业界、应用界、竞赛界以及学术界角度出发，思考总结AI行业的一些开放性问题，这些问题不仅能够用于面试官的提问，也可以用作面试者的提问，在面试的最后阶段让面试双方进入更深入的探讨与交流。

与此同时，这些开放性问题也是贯穿我们职业生涯的本质问题，需要我们持续的思考感悟。这些问题没有标准答案，Rocky相信大家心中都有自己对于AI行业的认知与判断，欢迎大家在留言区分享与评论。

【一】谈谈对AIGC时代ToB、ToG、ToC方向落地的理解？

这是一个很有价值的问题。AIGC时代存在ToB、ToG、ToC方向落地的全部可能性。

关于ToB和ToG方向的落地，可以参考传统深度学习时代的产品逻辑，核心关键是渠道和信任。

关于ToC方向的落地，可以借鉴移动互联网时代的产品逻辑，核心关键是用户体验与产品速度。

【二】如何看待AIGC时代和传统深度学习时代的异同？

这是一个非常值得思考的问题。可以说AIGC时代是传统深度学习时代的继承与发展。

传统深度学习时代，AI产品只能在ToB和ToG两个方向上落地。

在AIGC时代，AI产品可以在ToB、ToG、ToC三个完整方向上持续落地。

AI视觉编推一体机已上市，支持自上传算法模型，并通过逻辑组件的方式，根据业务场景需求，快速优化算法功能。

适用于现场项目需求快速POC，算法功能调优验证。目前已支持多款边缘设备，GPU服务器版本。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

在这里插入图片描述

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
在这里插入图片描述