2024最新LLMs面试宝典

📂 主文件夹：2024最新LLMs面试宝典

• 📁 包含文件：1.AiGC面试宝典-大模型面试题
• 📁 2.大模型算法岗面试题(含答案)FAQ_Of_LLM_Interview-main
• 📁 3.HR面谈求职面试+通用简历模板
• 📕 1-大模型（LLMs）基础面.pdf
• 📕 2-Layer normalization 篇.pdf
• 📕 3-LLMs 激活函数篇.pdf
• 📕 4-Attention 升级面.pdf
• 📕 5-transformers 操作篇.pdf
• 📕 6-LLMs 损失函数篇.pdf
• 📕 7-相似度函数篇.pdf
• 📕 8-大模型（LLMs）进阶面.pdf
• 📕 9-大模型（LLMs）微调面.pdf
• 📕 10-LLMs 训练经验帖.pdf
• 📕 11-大模型（LLMs）langchain 面.pdf
• 📕 12-多轮对话中让AI保持长期记忆的8种优化方式篇.pdf
• 📕 13-基于langchain RAG问答应用实战.pdf
• 📕 14-基于LLM+向量库的文档对话 经验面.pdf
• 📕 15-大模型 RAG 经验面.pdf
• 📕 16-LLM文档对话 —— pdf解析关键问题.pdf
• 📕 17-大模型（LLMs）RAG 版面分析——表格识别方法篇.pdf
• 📕 18-大模型（LLMs）RAG 版面分析——文本分块面.pdf
• 📕 19-大模型外挂知识库优化——如何利用大模型辅助召回？.pdf
• 📕 20-大模型外挂知识库优化——负样本样本挖掘篇.pdf
• 📕 21-RAG（Retrieval-Augmented Generation）评测面.pdf
• 📕 22-检索增强生成(RAG) 优化策略篇.pdf
• 📕 23-大模型（LLMs）RAG —— 关键痛点及对应解决方案.pdf
• 📕 24-大模型（LLMs）RAG 优化策略 —— RAG-Fusion篇.pdf
• 📕 25-Graph RAG 面 — 一种 基于知识图谱的大模型检索增强实现策略.pdf
• 📕 26-大模型（LLMs）参数高效微调(PEFT) 面.pdf
• 📕 27-适配器微调（Adapter-tuning）篇.pdf
• 📕 28-提示学习（Prompting）篇.pdf
• 📕 29-LoRA 系列篇.pdf
• 📕 30-如何使用 PEFT库 中 LoRA？.pdf
• 📕 31-大模型（LLMs）推理面.pdf
• 📕 32-大模型（LLMs）增量预训练篇.pdf
• 📕 33-增量预训练（Pretrain）样本拼接篇.pdf
• 📕 34-基于lora的llama2二次预训练.pdf
• 📕 35-大模型（LLMs）评测面.pdf
• 📕 36-大模型（LLMs）强化学习面.pdf
• 📕 37-大模型（LLMs）强化学习——RLHF及其变种面.pdf
• 📕 38-大模型（LLMs）强化学习—— PPO 面.pdf
• 📕 39-强化学习在自然语言处理下的应用篇.pdf
• 📕 40-大模型（LLMs）训练集面.pdf
• 📕 41-大模型（LLMs）LLM生成SFT数据方法面.pdf
• 📕 42-大模型（LLMs）显存问题面.pdf
• 📕 43-显存优化策略篇.pdf
• 📕 44-大模型（LLMs）分布式训练面.pdf
• 📕 45-图解分布式训练（一） —— 流水线并行（Pipeline Parallelism）.pdf
• 📕 46-图解分布式训练（二） —— nn.DataParallel篇.pdf
• 📕 47-图解分布式训练（三） —— nn.parallel.DistributedDataParallel.pdf
• 📕 48-图解分布式训练（四） —— torch.multiprocessing 详细解析.pdf
• 📕 49-图解分布式训练（五） —— AMP混合精度训练 详细解析.pdf
• 📕 50-图解分布式训练（六）—— Pytorch的 DeepSpeed 详细解析.pdf
• 📁 1-大模型应用基础
• 📁 2-大模型优化技术
• 📁 3-interview_qa
• 📁 4-分布式训练篇
• 📁 5-高效微调篇
• 📁 langchain
• 📁 pytorch
• 📁 thoughts_on_llm
• 📁 using_files
• 📁 .gitignore
• 📁 LICENSE
• 📁 面试必问问题.md
• 📄 requirements.txt