quiz.json

[
  {
    "question": "PyTorch 中的 autograd 是什么？",
    "options": [
      "一个数据加载库",
      "一个自动微分引擎，它记录运算并计算梯度，无需手动实现反向传播",
      "一个模型压缩工具",
      "一个超参数调优框架"
    ],
    "correct": 1,
    "explanation": "PyTorch 的 autograd 在前向计算过程中构建计算图，并在你调用 .backward() 时自动计算梯度。这免去了在每个模块中手动实现 backward() 的需要。",
    "stage": "pre"
  },
  {
    "question": "torch.no_grad() 做什么，你应该在什么时候使用它？",
    "options": [
      "它防止过拟合",
      "它在推理时禁用梯度追踪，在你不需要训练时节省内存和计算",
      "它冻结所有模型权重",
      "它启用 GPU 加速"
    ],
    "correct": 1,
    "explanation": "在推理时你不需要梯度。torch.no_grad() 禁用梯度追踪，从而节省本会用于存储计算图的内存并加快计算。",
    "stage": "pre"
  },
  {
    "question": "在 PyTorch 中 nn.Linear(784, 256) 创建了什么？",
    "options": [
      "一个 ReLU 激活层",
      "一个全连接层，带有一个 (256, 784) 的权重矩阵和一个 (256,) 的偏置向量",
      "一个 p=784/256 的 dropout 层",
      "一个批归一化层"
    ],
    "correct": 1,
    "explanation": "nn.Linear(in_features, out_features) 创建一个计算 y = x @ W^T + b 的层，其中 W 的形状为 (256, 784)，b 的形状为 (256,)。这是你从零构建的 Layer 类在 PyTorch 中的等价物。",
    "stage": "post"
  },
  {
    "question": "哪个 PyTorch 方法为计算图中的所有参数计算梯度？",
    "options": [
      "optimizer.step()",
      "model.forward()",
      "loss.backward()",
      "optimizer.zero_grad()"
    ],
    "correct": 2,
    "explanation": "loss.backward() 反向遍历计算图，为每个需要梯度的参数 p 计算 dL/dp。随后 optimizer.step() 使用这些梯度来更新参数。",
    "stage": "post"
  },
  {
    "question": "为什么 PyTorch 的训练循环比纯 Python 的迷你框架快得多？",
    "options": [
      "PyTorch 使用了不同的算法",
      "PyTorch 把运算作为优化过的 C++/CUDA 内核在 GPU 上运行，而纯 Python 循环是逐个运算被解释执行的",
      "PyTorch 使用更小的数据类型",
      "PyTorch 跳过了反向传播"
    ],
    "correct": 1,
    "explanation": "PyTorch 把矩阵运算交给高度优化的 C++ 和 CUDA 内核，它们在 GPU 上以大规模并行运行。纯 Python 则顺序执行循环，每个运算都带有解释器开销。",
    "stage": "post"
  }
]