AIGC时代算法工程师的面试秘籍（第二十一式2024.8.19-9.1） |【三年面试五年模拟】

写在前面

【三年面试五年模拟】旨在整理&挖掘AI算法工程师在实习/校招/社招时所需的干货知识点与面试经验，力求让读者在获得心仪offer的同时，增强技术基本面。也欢迎大家提出宝贵的优化建议，一起交流学习💪

欢迎大家关注Rocky的公众号：WeThinkIn
欢迎大家关注Rocky的知乎：Rocky Ding
AIGC算法工程师面试面经秘籍分享：WeThinkIn/Interview-for-Algorithm-Engineer欢迎大家Star～
获取更多AI行业的前沿资讯与干货资源

WeThinkIn最新福利放送：大家只需关注WeThinkIn公众号，后台回复“简历资源”，即可获取包含Rocky独家简历模版在内的60套精选的简历模板资源，希望能给大家在AIGC时代带来帮助。

Rocky最新发布Stable Diffusion 3和FLUX.1系列模型的深入浅出全维度解析文章：https://zhuanlan.zhihu.com/p/684068402

大家好，我是Rocky。

又到了定期阅读《三年面试五年模拟》文章的时候了！本周期共更新了60多个AIGC面试高频问答，依旧干货满满！诚意满满！

《三年面试五年模拟》系列文章帮助很多读者获得了心仪的算法岗offer，收到了大家的很多好评，Rocky觉得很开心也很有意义。

在AIGC时代到来后，Rocky对《三年面试五年模拟》整体战略方向进行了重大的优化重构，在秉持着Rocky创办《三年面试五年模拟》项目初心的同时，增加了AIGC时代核心的版块栏目，详细的版本更新内容如下所示：

Rocky已经将《三年面试五年模拟》项目的完整版构建在Github上：https://github.com/WeThinkIn/Interview-for-Algorithm-Engineer/tree/main，本周期更新的60+AIGC面试高频问答已经全部同步到项目中了，欢迎大家star！

本文是《三年面试五年模拟》项目的第二十一式，考虑到易读性与文章篇幅，Rocky本次只从Github完整版项目中摘选了2024年8月19号-2024年9月1号更新的部分经典&干货面试知识点和面试问题，并配以相应的参考答案（精简版），供大家学习探讨。

在《三年面试五年模拟》版本更新白皮书，迎接AIGC时代中我们阐述了《三年面试五年模拟》项目在AIGC时代的愿景与规划，也包含了项目共建计划，感兴趣的朋友可以一起参与本项目的共建！

《三年面试五年模拟》系列将陪伴大家度过整个AI行业的职业生涯，并且让大家能够持续获益。

So，enjoy（与本文的BGM一起食用更佳哦）：

正文开始

目录先行

AI绘画基础：

FLUX.1系列模型有哪些创新点？

什么是图像的位数？

AI视频基础：

Sora模型的整体架构是什么样的？

CogVideoX模型的整体架构是什么样的？

深度学习基础：

什么是GELU激活函数？

T5LayerNorm和LayerNorm的区别是什么？

机器学习基础：

机器学习中的Embeddings特征的本质是什么？

AI行业主要有哪些核心的数据模态？

Python编程基础：

介绍一下如何使用Python中的fastapi构建AI服务

介绍一下Python中常用的标准库以及功能

模型部署基础：

大模型推理框架介绍

Int8和FP8有哪些区别？

计算机基础：

在计算机中有哪些常用的读写操作，每个读写操作的性能是什么样的？

在AI行业中两个服务器之间的通信有哪些注意事项？

开放性问题：

我们如何降低下一个Transformer式技术价值的错判率？

未来会有新的技术替代Transformer吗？哪种技术的概率最大？

AI绘画基础

【一】FLUX.1系列模型有哪些创新点？

FLUX.1系列模型是基于Stable Diffuson 3进行了升级优化，是目前性能最强的开源AI绘画大模型，其主要的创新点如下所示：

【二】什么是图像的位数？

图像的位数（bit depth） 是一个非常重要的概念，它指的是图像中每个像素所使用的二进制位数（bit）来表示颜色或灰度值。位数越高，每个像素可以表达的颜色或灰度级别就越多，图像的色彩表现力也越丰富。

1. 不同位数图像的类型

根据图像的位数，图像可以分为以下几种常见类型：

a. 1位图像（1-bit image）

b. 8位图像（8-bit image）

c. 24位图像（24-bit image）

d. 32位图像（32-bit image）

e. 更高位数的图像（例如48位、64位图像）

2. 位数对图像质量的影响

AI视频基础

【一】Sora模型的整体架构是什么样的？

虽然Sora模型暂未开源，但是Rocky相信2024年之后的主流AI视频大模型的架构都将在Sora模型架构的基础上进行扩展创新，是AI视频领域从业者必须要熟悉的“核心基础架构” 。

Sora模型是AI视频领域第一个基于DiT架构（diffusion transformer）的大模型，具有灵活的采样维度，如上图所示。Sora主要包括三个部分：

【二】CogVideoX模型的整体架构是什么样的？

CogVideoX是基于DiT架构的AI视频大模型，可以说DiT架构已经经过考验，成为AI视频领域的核心基底模型。

CogVideoX主要包括三个部分：

目前CogVideoX-2B的输入Prompt提示词上限为226个tokens，可以生成的视频长度为6秒，帧率为8帧/秒，生成视频分辨率为720*480。

深度学习基础

【一】什么是GELU激活函数？

首先我们看一下GELU激活函数的公式：

G E L U ( x ) = 0.5 × x × ( 1 + tanh ⁡ ( 2 π × ( x + 0.044715 × x 3 ) ) ) GELU(x) = 0.5 \times x \times \left(1 + \tanh\left(\sqrt{\frac{2}{\pi}} \times \left(x + 0.044715 \times x^3\right)\right)\right) GELU(x)=0.5×x×(1+tanh(π2​ ​×(x+0.044715×x3)))

了解了GELU激活函数的计算机制后，我们再将其与经典的ReLU激活函数、Sigmoid激活函数进行比较，能够更好的理解GELU激活函数的优势，下面是三者的对比图：

其中 x 代表输入的网络权重参数。

假设我们设置输入值为 x=1.0，最终可以得到GELU激活函数的输出值为：

G E L U ( 1.0 ) = 0.5 × 1.0 × ( 1 + 0.683675 ) = 0.5 × 1.0 × 1.683675 ≈ 0.8418375 GELU(1.0) = 0.5 \times 1.0 \times (1 + 0.683675) = 0.5 \times 1.0 \times 1.683675 \approx 0.8418375 GELU(1.0)=0.5×1.0×(1+0.683675)=0.5×1.0×1.683675≈0.8418375

了解了GELU激活函数的计算机制后，我们再将其与经典的ReLU激活函数、Sigmoid激活函数进行比较，能够更好的理解GELU激活函数的优势，下面是三者的对比图：

从上图可以看出：

总的来说，GELU是一种更平滑的激活函数，能更好地保留输入的细微信息，尤其是在处理负值时。通过结合多种非线性运算（如 tanh 和多项式），GELU 提供了比 ReLU 更平滑和复杂的输出，有助于AI模型在训练过程中更好地捕捉数据中的复杂特征与模式。

【二】T5LayerNorm和LayerNorm的区别是什么？

比起标准的层归一化（Layer Normalization），T5LayerNorm主要特点是只对网络的权重参数进行缩放（scale），而不进行偏移（shift）。T5LayerNorm的主要公式如下：

T5LayerNorm ( x ) = x Var ( x ) + ϵ × weight \text{T5LayerNorm}(x) = \frac{x}{\sqrt{\text{Var}(x) + \epsilon}} \times \text{weight} T5LayerNorm(x)=Var(x)+ϵ ​x​×weight

总的来说，T5LayerNorm的关键在于：

正是上述的这些特点使得T5LayerNorm成为AI视频大模型中非常实用的归一化方法。

机器学习基础

【一】机器学习中的Embeddings特征的本质是什么？

在机器学习中，Embedding特征的本质是将高维、稀疏或类别特征映射到一个低维的、密集的向量空间中，同时保留并捕捉特征之间的语义关系。它通过优化输入表示，使得机器学习模型能够更加有效地学习数据中的模式和关系。

1. 特征向量化

Embedding 是一种特征向量化的过程。原始的输入数据（如单词、物品ID、用户ID等）通常是离散的、类别性的，并且维度可能非常高。例如，假设我们有一个包含数百万个单词的词汇表，每个单词可以看作是一个独立的类别。如果直接使用这些类别作为输入，模型将难以有效处理，因为这些类别通常用独热编码（one-hot encoding）表示，这会导致极高维度且非常稀疏的输入向量。

Embedding通过将这些高维的类别特征映射到低维的向量空间中，使得原本稀疏的、离散的表示变成了密集的、连续的向量。这些向量通常具有较低的维度，并且能够捕捉类别之间的语义相似性。

2. 语义信息的捕捉

Embedding 的一个关键特性是它可以捕捉到类别之间的语义关系。在文本处理中，类似的单词会在Embedding空间中靠得更近，例如“猫”和“狗”可能会具有相似的向量表示，因为它们在语义上是相近的。这种语义关系可以通过模型在训练数据上学习到，并在Embedding空间中反映出来。

3. 模型输入的优化

Embedding特征为模型提供了更加紧凑且有意义的输入表示，使得模型能够更好地学习和泛化。通过将高维的离散特征压缩到低维的连续空间，模型不仅减少了计算复杂度，还能够更好地捕捉特征之间的隐含关系。

4. 可学习性

Embedding 特征通常是通过模型训练得到的。在训练过程中，Embedding 矩阵的权重会不断更新，以便更好地满足特定任务的目标。这意味着 Embedding 不仅是一种数据预处理方式，更是一种可学习的表示方法，它随着模型的训练不断优化，进而提高模型在特定任务上的性能。

5. 广泛应用

Embedding 特征在多个领域得到了广泛应用，包括自然语言处理（词嵌入）、推荐系统（用户和物品的嵌入）、计算机视觉（图像特征的嵌入）等。在这些应用中，Embedding 帮助模型更好地理解和处理复杂的输入数据，提升了模型的预测能力。

【二】AI行业主要有哪些核心的数据模态？

在AI领域中，数据模态（Data Modalities）指的是不同类型的数据形式。每种模态数据都有其特定的结构和特点，AI模型必须以不同的方式处理它们。以下是一些主要的数据模态的详细解释：

1. 视觉模态（Visual Modality）

2. 听觉模态（Auditory Modality）

3. 语言模态（Textual Modality）

4. 触觉模态（Tactile Modality）

5. 运动模态（Kinematic Modality）

6. 多模态融合（Multimodal Fusion）

Python编程基础

【一】介绍一下如何使用Python中的fastapi构建AI服务

使用 FastAPI 构建一个 AI 服务是一个非常强大和灵活的解决方案。FastAPI 是一个快速的、基于 Python 的 Web 框架，特别适合构建 API 和处理异步请求。它具有类型提示、自动生成文档等特性，非常适合用于构建 AI 服务。下面是一个详细的步骤指南，我们可以从零开始构建一个简单的 AI 服务。

1. 构建基本的 FastAPI 应用

首先，我们创建一个 Python 文件（如 main.py），在其中定义基本的 FastAPI 应用。

from fastapi import FastAPI

app = FastAPI()

@app.get("/")
def read_root():
    return {"message": "Welcome to the AI service!"}

这段代码创建了一个基本的 FastAPI 应用，并定义了一个简单的根路径 /，返回一个欢迎消息。

2. 引入 AI 模型

接下来，我们将引入一个简单的 AI 模型，比如一个预训练的文本分类模型。假设我们使用 Hugging Face 的 Transformers 库来加载模型。

在我们的 main.py 中加载这个模型：

from fastapi import FastAPI
from transformers import pipeline

app = FastAPI()

# 加载预训练的模型（例如用于情感分析）
classifier = pipeline("sentiment-analysis")

@app.get("/")
def read_root():
    return {"message": "Welcome to the AI service!"}

@app.post("/predict/")
def predict(text: str):
    result = classifier(text)
    return {"prediction": result}

在这个例子中，我们加载了一个用于情感分析的预训练模型，并定义了一个 POST 请求的端点 /predict/。用户可以向该端点发送文本数据，服务会返回模型的预测结果。

3. 测试我们的 API

使用 Uvicorn 运行我们的 FastAPI 应用：

uvicorn main:app --reload

启动服务器后，我们可以在浏览器中访问 http://127.0.0.1:8000/ 查看欢迎消息，还可以向 http://127.0.0.1:8000/docs 访问自动生成的 API 文档。

4. 通过 curl 或 Postman 测试我们的 AI 服务

我们可以使用 curl 或 Postman 发送请求来测试 AI 服务。

使用 curl 示例：

curl -X POST "http://127.0.0.1:8000/predict/" -H "Content-Type: application/json" -d "{\"text\":\"I love WeThinkIn!\"}"

我们会收到类似于以下的响应：

{
  "prediction": [
    {
      "label": "POSITIVE",
      "score": 0.9998788237571716
    }
  ]
}

5. 添加请求数据验证

为了确保输入的数据是有效的，我们可以使用 FastAPI 的 Pydantic 模型来进行数据验证。Pydantic 允许我们定义请求体的结构，并自动进行验证。

from fastapi import FastAPI
from pydantic import BaseModel
from transformers import pipeline

app = FastAPI()

classifier = pipeline("sentiment-analysis")

class TextInput(BaseModel):
    text: str

@app.get("/")
def read_root():
    return {"message": "Welcome to the AI service!"}

@app.post("/predict/")
def predict(input: TextInput):
    result = classifier(input.text)
    return {"prediction": result}

现在，POST 请求 /predict/ 需要接收一个 JSON 对象，格式为：

{
  "text": "I love WeThinkIn"
}

如果输入数据不符合要求，FastAPI 会自动返回错误信息。

6. 异步处理（可选）

FastAPI 支持异步处理，这在处理 I/O 密集型任务时非常有用。假如我们的 AI 模型需要异步调用，我们可以使用 async 和 await 关键字：

from fastapi import FastAPI
from pydantic import BaseModel
from transformers import pipeline

app = FastAPI()

classifier = pipeline("sentiment-analysis")

class TextInput(BaseModel):
    text: str

@app.get("/")
async def read_root():
    return {"message": "Welcome to the AI service!"}

@app.post("/predict/")
async def predict(input: TextInput):
    result = await classifier(input.text)
    return {"prediction": result}

在这个例子中，我们假设 classifier 可以使用 await 异步调用。

7. 部署我们的 FastAPI 应用

开发完成后，我们可以将应用部署到生产环境。常见的部署方法包括：

使用 Uvicorn + Gunicorn 进行生产级部署：

gunicorn -k uvicorn.workers.UvicornWorker main:app

部署到云平台，如 AWS、GCP、Azure 等。

使用 Docker 构建容器化应用，便于跨平台部署。

【二】介绍一下Python中常用的标准库以及功能

Python 提供了丰富的标准库，这些库为我们提供了常用的工具和功能，涵盖了从操作系统交互、文件处理、数据序列化、网络通信到多线程编程等方方面面。这些标准库大大简化了我们的工作，使得开发高效、稳定、易于维护的应用程序变得更加容易。在实际项目中，熟练掌握和合理运用这些标准库，可以显著提高我们的开发效率和代码质量。

1. os

2. sys

3. math

4. datetime

5. time

6. random

7. re

8. json

9. subprocess

10. collections

11. itertools

12. functools

13. threading

14. multiprocessing

15. shutil

16. glob

17. csv

18. hashlib

19. http

20. socket

模型部署基础

【一】大模型推理框架介绍

vLLM

vLLM全称Virtual Large Language Model，由Nvidia开源，旨在降低大模型推理的显存占用。其核心思想是将模型的一部分保存在CPU内存或硬盘上，只将当前计算所需的部分加载到GPU显存中，从而打破GPU显存限制。

vLLM支持PyTorch和FasterTransformer后端，可无缝适配现有模型。使用vLLM，在配备96GB内存+440GB A100的服务器上可运行1750亿参数模型，在配备1.5TB内存+880GB A100的服务器上可运行6万亿参数模型。

TensorRT-LLM

Tensorrt-LLM是Nvidia在TensorRT推理引擎基础上，针对Transformer类大模型推理优化的框架。主要特性包括：

DeepSpeed

DeepSpeed是微软开源的大模型训练加速库，最新的DeepSpeed-Inference也提供了推理加速能力，主要特点包括：

在GPT-NeoX测试中，基于DeepSpeed的推理相比原生PyTorch可实现7.7倍加速。

Text Generation Inference

Text Generation Inference(简称TextGen)是Hugging Face主导的开源推理框架，旨在为自然语言生成模型如GPT、OPT等提供高性能推理。主要特点包括：

在OPT-175B基准测试中，TextGen可实现最高17倍推理加速。

Torch Dynamo

Torch Dynamo是PyTorch官方开发的一种动态图优化工具，旨在提高PyTorch模型的执行效率。它通过在运行时捕获和跟踪Python代码的执行，动态地将PyTorch的eager模式（即时模式）代码转换为更高效的图模式代码。这一转换使得 PyTorch模型在执行时能够更加接近静态图框架的性能，同时仍然保持PyTorch动态计算图的灵活性。

Torch Dynamo的核心思想是：

这个过程是透明的，对于用户来说，不需要修改现有的 PyTorch 代码。

FullyShardedDataParallel (FSDP)

FullyShardedDataParallel (FSDP) 是 PyTorch 提供的一种分布式数据并行训练技术，专门设计用于大规模模型的高效训练。它通过将模型的参数、梯度和优化器状态全面分片（sharding），并分布在多个 GPU 上，以优化内存使用，提升训练效率。FSDP 尤其适用于处理超大模型，这些模型通常无法在单个 GPU 内存中完全容纳。

FSDP 的工作原理：

全分片：

高效的内存管理：

与 ZeRO 的关系：

Megatron-LM

Megatron-LM 是由 NVIDIA 开发的一种用于训练超大规模语言模型的深度学习框架。随着语言模型规模的不断扩大，训练这些模型变得越来越具有挑战性，特别是在处理数十亿到数万亿参数的模型时。Megatron-LM 专门设计来解决这些挑战，它通过多种并行化技术（如模型并行、数据并行和流水线并行）实现了高效的大规模模型训练。

Megatron-LM 的工作原理：

模型并行（Model Parallelism）：

数据并行（Data Parallelism）：

流水线并行（Pipeline Parallelism）：

张量并行（Tensor Parallelism）：

【二】Int8和FP8有哪些区别？

1. Int8和FP8的基础概念

INT8（8-bit Integer）：

FP8（8-bit Floating Point）：

2. 表示范围和精度

INT8：

FP8：

3. 使用场景和性能

INT8：

FP8：

4. 优势和限制

INT8：

FP8：

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】在计算机中有哪些常用的读写操作，每个读写操作的性能是什么样的？

在计算机中，读写操作是处理数据的基本操作之一，涉及将数据从一个存储介质（如内存、硬盘、缓存等）读取到另一个存储介质，或将数据从一个存储介质写入到另一个存储介质。在AI行业中，稳健的读写操作往往是AI算法解决方案的关键一环，如果其中的读写操作不恰当，往往会造成AI算法解决方案的性能瓶颈。下面Rocky带大家详细了解一下计算机中的主要读写操作以及它们的性能。

1. 内存读写（Memory Access）

2. 磁盘读写（Disk I/O）

3. 缓存读写（Cache Access）

4. 网络读写（Network I/O）

5. 文件读写（File I/O）

6. 数据库读写（Database I/O）

7. GPU读写（GPU Memory Access）

【二】在AI行业中两个服务器之间的通信有哪些注意事项？

在AI行业中，两个服务器之间的通信涉及到大量的数据传输和计算，这对通信的效率、可靠性和安全性提出了更高的要求。我们需要确保AI系统中服务器间通信的高效、安全和可靠，从而支持复杂的AI应用场景，如分布式训练、模型部署和大数据处理等。以下是两个服务器之间通信时需要特别注意的事项，结合AI应用的具体场景进行了详细解释：

1. 数据传输效率

大数据传输：AI应用通常需要处理大量的数据集，如训练数据、模型权重等。为了提高传输效率，可以采用以下措施：

带宽利用：在两个服务器之间的数据传输中，带宽是一个关键因素。为了最大化带宽利用率，可以：

2. 数据安全性

3. 容错性和可靠性

4. 同步与一致性

5. 通信协议与API设计

协议选择：选择合适的通信协议对于保证数据传输的性能和可靠性至关重要，如TCP、UDP、HTTP/HTTPS、WebSocket等。

API设计：良好的API设计可以提升服务器间通信的效率和易用性。

6. 性能监控与优化

7. 跨地域通信

8. 边缘计算与云端通信

9. 数据格式与序列化

10. 合法性与合规性

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】我们如何降低下一个Transformer式技术价值的错判率？

Rocky认为这是一个非常值得我们持续思考的问题，AI行业的技术迭代是永无止尽的，终身学习贯穿AI行业从业者的整个职业生涯，所以需要领悟沉淀一套挖掘预判下一个Transformer式技术的能力与方法论。

【二】未来会有新的技术替代Transformer吗？哪种技术的概率最大？

Rocky认为这是一个非常有价值的问题，就像从CNN走向Transformer一样，我们需要有一定的前置预判能力。

推荐阅读

1、加入AIGCmagic社区知识星球

AIGCmagic社区知识星球不同于市面上其他的AI知识星球，AIGCmagic社区知识星球是国内首个以AIGC全栈技术与商业变现为主线的学习交流平台，涉及AI绘画、AI视频、ChatGPT等大模型、AI多模态、数字人、全行业AIGC赋能等50+应用方向，内部包含海量学习资源、专业问答、前沿资讯、内推招聘、AIGC模型、AIGC数据集和源码等。

那该如何加入星球呢？很简单，我们只需要扫下方的二维码即可。知识星球原价：299元/年，前200名限量活动价，终身优惠只需199元/年。大家只需要扫描下面的星球优惠卷即可享受初始居民的最大优惠：

2、Sora等AI视频大模型的核心原理，核心基础知识，网络结构，经典应用场景，从0到1搭建使用AI视频大模型，AI视频大模型性能测评，AI视频领域未来发展等全维度解析文章正式发布！

码字不易，欢迎大家多多点赞：

Sora等AI视频大模型文章地址：https://zhuanlan.zhihu.com/p/706722494

3、Stable Diffusion3和FLUX.1核心原理，核心基础知识，网络结构，从0到1搭建使用Stable Diffusion 3和FLUX.1进行AI绘画，从0到1上手使用Stable Diffusion 3和FLUX.1训练自己的AI绘画模型，Stable Diffusion 3和FLUX.1性能优化等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

Stable Diffusion 3和FLUX.1文章地址：https://zhuanlan.zhihu.com/p/684068402

4、Stable Diffusion XL核心基础知识，网络结构，从0到1搭建使用Stable Diffusion XL进行AI绘画，从0到1上手使用Stable Diffusion XL训练自己的AI绘画模型，AI绘画领域的未来发展等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

Stable Diffusion XL文章地址：https://zhuanlan.zhihu.com/p/643420260

5、Stable DiffusionV1-V2核心原理，核心基础知识，网络结构，经典应用场景，从0到1搭建使用Stable Diffusion进行AI绘画，从0到1上手使用Stable Diffusion训练自己的AI绘画模型，Stable Diffusion性能优化等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

Stable Diffusion文章地址：https://zhuanlan.zhihu.com/p/632809634

6、ControlNet核心基础知识，核心网络结构，从0到1使用ControlNet进行AI绘画，从0到1上手构建ControlNet高级应用等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

ControlNet文章地址：https://zhuanlan.zhihu.com/p/660924126

7、LoRA系列模型核心基础知识，从0到1使用LoRA模型进行AI绘画，从0到1上手训练自己的LoRA模型，LoRA变体模型介绍，优质LoRA推荐等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

LoRA文章地址：https://zhuanlan.zhihu.com/p/639229126

8、最全面的AIGC面经《手把手教你成为AIGC算法工程师，斩获AIGC算法offer！（2024年版）》文章正式发布

码字不易，欢迎大家多多点赞：

AIGC面经文章地址：https://zhuanlan.zhihu.com/p/651076114

9、10万字大汇总《“三年面试五年模拟”之算法工程师的求职面试“独孤九剑”秘籍》文章正式发布

码字不易，欢迎大家多多点赞：

算法工程师三年面试五年模拟文章地址：https://zhuanlan.zhihu.com/p/545374303

《三年面试五年模拟》github项目地址（希望大家能给个star）：https://github.com/WeThinkIn/Interview-for-Algorithm-Engineer

10、Stable Diffusion WebUI、ComfyUI、Fooocus三大主流AI绘画框架核心知识，从0到1搭建AI绘画框架，从0到1使用AI绘画框架的保姆级教程，深入浅出介绍AI绘画框架的各模块功能，深入浅出介绍AI绘画框架的高阶用法等全维度解析文章正式发布

码字不易，欢迎大家多多点赞：

AI绘画框架文章地址：https://zhuanlan.zhihu.com/p/673439761

11、GAN网络核心基础知识、深入浅出解析GAN在AIGC时代的应用等全维度解析文章正式发布！

码字不易，欢迎大家多多点赞：

GAN网络文章地址：https://zhuanlan.zhihu.com/p/663157306

12、其他

Rocky将YOLOv1-v7全系列大解析文章也制作成相应的pdf版本，大家可以关注公众号WeThinkIn，并在后台 【精华干货】菜单或者回复关键词“YOLO” 进行取用。

Rocky一直在运营技术交流群（WeThinkIn-技术交流群），这个群的初心主要聚焦于技术话题的讨论与学习，包括但不限于算法，开发，竞赛，科研以及工作求职等。群里有很多人工智能行业的大牛，欢迎大家入群一起学习交流～（请添加小助手微信Jarvis8866，拉你进群～）

总结