DLInterview
DLInterview 是一个专为深度学习及相关技术领域求职者打造的面试备考资源库。它系统性地整理了从数学基础、机器学习原理到深度学习核心、计算机视觉应用等五大类专业面试题,并涵盖了基础算法与编程语言考点。除了垂直领域的专业知识,DLInterview 还整合了计算机网络、操作系统、数据库、分布式系统等通用计算机基础知识,内容源自经典教材与权威技术书籍,确保了知识的准确性与深度。
对于正在准备人工智能、算法工程师或后端开发岗位面试的开发者与研究人员而言,DLInterview 有效解决了复习范围广、知识点分散以及难以把握考察重点的痛点。它将庞杂的理论体系转化为结构清晰的问答清单,帮助用户高效查漏补缺。其独特亮点在于不仅聚焦于前沿的 AI 技术,还扎实地覆盖了软件工程基础与设计模式,强调理论与实践的结合。无论是希望巩固基础的学生,还是寻求职业进阶的资深工程师,都能从中获得针对性的指导,从容应对技术面试中的各类挑战。
使用场景
计算机专业应届生小李正在备战某大厂的深度学习算法岗面试,面对庞杂的知识体系感到无从下手。
没有 DLInterview 时
- 复习范围模糊:在数学推导、机器学习基础与深度学习架构之间盲目切换,无法精准定位高频考点,导致时间大量浪费在非核心内容上。
- 知识碎片化严重:计算机视觉(CV)理论与基础算法题(Algorithms)分散在不同书籍和博客中,缺乏系统化的分类整理,难以构建完整的知识图谱。
- 实战模拟缺失:手头只有零散的笔记,缺乏针对“剑指 Offer"或 LeetCode 高频题的系统性题解参考,无法进行高效的模拟自测。
- 底层原理薄弱:过度关注模型调参,忽视了操作系统、网络协议及数据库等后端基础知识的串联,容易在综合面中被问住。
使用 DLInterview 后
- 考点精准锁定:直接依据其整理的数学、ML、DL 及 CV 五大核心模块制定复习计划,迅速掌握各章节的重点题目,复习效率提升显著。
- 体系化知识构建:利用其清晰的目录结构,将分散的算法语言、设计模式与分布式理论串联起来,形成了从理论基础到代码实现的完整闭环。
- 高效刷题演练:参照其中对《剑指 Offer》和 Leetcode 的分类题解与思路总结,快速攻克编码实践难关,实现了从“看懂”到“手撕代码”的跨越。
- 全栈能力补强:通过补充学习其收录的网络、操作系统及 Java 并发等通用技术栈笔记,弥补了纯算法背景的短板,从容应对跨领域提问。
DLInterview 通过将散乱的面试知识点系统化、结构化,帮助求职者从盲目海投转向精准备战,极大缩短了从理论学习到通过面试的路径。
运行环境要求
未说明
未说明

快速开始
DL面试题 深度学习面试题收集
技术面试基础知识整理(From CyC2018)
| Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ | Ⅵ | Ⅶ | Ⅷ | Ⅸ | Ⅹ |
|---|---|---|---|---|---|---|---|---|---|
| 网络:cloud: | 操作系统:computer: | 算法:pencil2: | 面向对象:couple: | 数据库:floppy_disk: | Java :coffee: | 分布式:sweat_drops: | 工具:hammer: | 编码实践:speak_no_evil: | 后记:memo: |
网络 :cloud:
整理自《计算机网络 第七版》,重点内容会在标题后面加 *。
整理自《图解 HTTP》
操作系统 :computer:
整理自《现代操作系统》和《计算机操作系统》
整理自《鸟哥的 Linux 私房菜》
数据结构与算法 :pencil2:
整理自《算法 第四版》
《剑指 Offer 第二版》的最优解,在牛客网在线编程中出现的题目都已 AC。
对题目做了一个分类,并对每种题型的解题思路做了总结。
面向对象 :couple:
整理自《Head First 设计模式》
一些面向对象思想和设计原则。
数据库 :floppy_disk:
整理自《数据库系统概论 第四版》
整理自《SQL 必知必会》
整理自《高性能 MySQL》
整理自《Redis 设计与实现》和《Redis 实战》
Java :coffee:
整理自《深入理解 Java 虚拟机》
只整理了一些比较基础的概念,之后会继续添加更多内容。
容器的一些总结,包含容器源码的分析。
File, InputStream OutputStream, Reader Writer, Serializable, Socket, NIO
整理了一些常见考点。
对每种设计模式做了一个总结,并给出在 JDK 中的使用实例。
分布式 :sweat_drops:
整理自《大规模分布式存储系统》
两阶段提交、Paxos、Raft、拜占庭将军问题。
分布式事务、负载均衡算法与实现、分布式锁、分布式 Session、分库分表的分布式困境与应对之策。
工具 :hammer:
整理一些 Git 的使用和概念。
整理自《正则表达式必知必会》
编码实践 :speak_no_evil:
重构是对软件内部结构的一种调整,目的是在不改变软件可观察行为的前提下,提高其可理解性,降低其修改成本。
编程有很大一部分时间是在阅读代码,可读性良好的代码能够大大提高编程效率。
Google 开源项目的代码风格规范。
后记 :memo:
关于仓库
本仓库是笔者在准备 2018 年春招实习过程中的学习总结,内容以计算机书籍的学习笔记为主,在整理重点知识的同时会尽量保证知识的系统性。
关于贡献
因为大部分内容是笔者一个字一个字打上去的,所有难免会有一些笔误。如果发现,可以直接在相应的文档上编辑修改。
笔者能力有限,很多内容还不够完善。如果您希望和笔者一起完善这个仓库,可以在发表一个 Issue,表明您想要添加的内容,笔者会及时查看。
因为不打算将这个仓库做成一个大而全的面试宝典,只希望添加一些比较通用的基础知识,或者是与 Java 和分布式相关的内容,但是不添加 Java Web 相关的内容。
您也可以在 Issues 中发表关于改进本仓库的建议。
关于上传
笔者在本地使用为知笔记软件进行书写,为了方便将本地笔记内容上传到 Github 上,实现了一整套自动化上传方案,包括文本文件的导出、提取图片、Markdown 文档转换、Git 同步。
进行 Markdown 文档转换是因为 Github 使用的 GFM 不支持 MathJax 公式和 TOC 标记,所以需要替换 MathJax 公式为 CodeCogs 的云服务和重新生成 TOC 目录。这里提供了笔者实现的 GFM 文档转换工具的下载:GFM-Converter。
关于排版
笔记内容按照 中文文案排版指北 进行排版,以保证内容的可读性。这里提供了笔者实现的中英混排文档在线排版工具:Text-Typesetting,目前实现了加空格的功能,之后打算实现对英文专有名词提示首字母大写的功能。
不使用 ![]() 这种方式来引用图片是为了能够控制图片以合适的大小显示。而且 GFM 不支持 <center> ![]() </center> 让图片居中显示,只能使用 <div align="center"> <img src=""/> </div> ,所以只能使用 img 标签来引用图片。
关于转载
本仓库内容使用到的资料都会在最后面的参考资料中给出引用链接,希望您在使用本仓库的内容时也能给出相应的引用链接。
鸣谢
本项目正在收集题目中,欢迎PR.
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器