quiz.json

{
  "questions": [
    {
      "stage": "pre",
      "question": "微积分中的链式法则陈述了什么？",
      "options": [
        "和的导数等于各导数之和",
        "复合函数的导数等于各自导数的乘积",
        "乘积的积分等于各积分的乘积",
        "只有线性函数才能求导"
      ],
      "correct": 1,
      "explanation": "对于 y = f(g(x))，链式法则给出 dy/dx = f'(g(x)) * g'(x)。你把链条上每个环节的导数相乘。这是反向传播的数学基础。"
    },
    {
      "stage": "pre",
      "question": "什么是计算图？",
      "options": [
        "损失随训练步数变化的曲线图",
        "一个有向图，其中节点是运算，边在前向传播时携带数值、在反向传播时携带梯度",
        "展示神经网络架构的示意图",
        "用于存储训练数据的图数据库"
      ],
      "correct": 1,
      "explanation": "计算图表示一次计算中的运算序列。数据在图中向前流动，反向传播时梯度则向后流动。"
    },
    {
      "stage": "post",
      "question": "为什么 PyTorch 使用反向模式自动微分（反向传播）而不是前向模式？",
      "options": [
        "反向模式在数值上更准确",
        "反向模式在一次反向传播中计算所有梯度，而前向模式每个输入变量都需要一次传播——神经网络有数百万个输入但只有一个损失输出",
        "反向模式占用更少的内存",
        "前向模式无法处理非线性函数"
      ],
      "correct": 1,
      "explanation": "神经网络有数百万个权重输入，但只产生一个标量损失。反向模式总共只需一次反向传播。前向模式每个权重都需要一次传播——数百万次传播——这使其不切实际。"
    },
    {
      "stage": "post",
      "question": "在 Value 类自动微分引擎中，为什么 backward 函数累积梯度时用 '+=' 而不是 '='？",
      "options": [
        "为了对多个样本的梯度求平均",
        "因为一个被用于多个运算的值会从每个运算获得梯度贡献，这些贡献必须相加",
        "为了防止梯度发生数值溢出",
        "因为 Python 在闭包中不支持 '=' 运算符"
      ],
      "correct": 1,
      "explanation": "当一个值参与多个运算时（例如 x 同时用于 x*y 和 x+z），它的总梯度是所有传入梯度贡献之和。使用 '=' 会覆盖先前的贡献。"
    },
    {
      "stage": "post",
      "question": "什么是梯度检查，什么时候应该使用它？",
      "options": [
        "检查梯度是否低于某个阈值以防止梯度爆炸",
        "将自动微分梯度与数值有限差分梯度进行比较，以验证反向传播的正确性",
        "检查训练时所有参数是否都收到了非零梯度",
        "在训练过程中监控梯度大小以检测梯度消失"
      ],
      "correct": 1,
      "explanation": "梯度检查通过 (f(x+h) - f(x-h)) / 2h 计算数值导数，并将其与自动微分梯度进行比较。在向你的自动微分引擎添加新运算或排查训练失败时使用它。"
    }
  ]
}