Тематический маршрут

Deep Learning

Что посмотреть по PyTorch, обучению нейросетей и современным архитектурам?

Прикладной train loop, устройство Transformer, память обучения, distributed training и оптимизация inference.

3 реальных собеседования15 вопросов6 подтем

Маршрут из трёх собеседований

Проходите по порядку: база → глубина → применение.

Начать отсюдаоктябрь 2025 г.

Собирает основу темы и задаёт правильную структуру ответа.

Diagnocat: Техническое собеседование

Diagnocat

Компактный и прикладной вход в DL через code review настоящего PyTorch train loop.

Middle Аудио · 57 мин 3 ключевых этапа 3 шага практики

После прохождения

Разобрать обязанности Dataset, collate_fn и DataLoader
Увидеть типовые ошибки nn.Module и device placement

Train loopPyTorch на практике

Пройти собеседование Открыть историю

Углубитьсямарт 2026 г.

Добавляет сложные follow-up и проверяет глубину понимания.

Sber / GigaChat: LLM подробный разбор, inference и distributed training

Sber / GigaChat

Глубокий блок по Transformer, attention, памяти обучения, long context и DDP.

Senior Аудио · 67 мин 6 ключевых этапов 10 шагов практики

После прохождения

Объяснять вычисления и память Transformer
Разбирать distributed training и архитектурные оптимизации

АрхитектурыОптимизацияDistributed training

Пройти собеседование Открыть историю

Закрепить на практикемай 2026 г.

Переводит знания в coding или законченный прикладной кейс.

Huawei: Техническое собеседование

Huawei

Современная практика inference: prefill/decode, KV cache, GQA/MQA, MoE и speculative decoding.

Senior Аудио · 76 мин 7 ключевых этапов 13 шагов практики

После прохождения

Оценивать память и latency LLM inference
Решить прикладную задачу на размер KV cache

АрхитектурыInferencePyTorch на практике

Пройти собеседование Открыть историю

Что покрывает каждое интервью

Матрица построена по конкретным вопросам и этапам, а не по совпадению слов в заголовке.

Подтема	Начать отсюда	Углубиться	Закрепить на практике
Train loopDataset, DataLoader, forward/backward и устройство обучения.	Глубоко	—	—
АрхитектурыTransformer, attention и representation learning.	—	Глубоко	Рабочее понимание
ОптимизацияLoss, устойчивость обучения и работа с памятью.	—	Глубоко	—
Distributed trainingDDP, all-reduce и overlap коммуникаций.	—	Глубоко	—
InferenceKV cache, prefill/decode, MoE и ускорение.	—	—	Глубоко
PyTorch на практикеCode review модулей, данных и device placement.	Глубоко	—	Рабочее понимание

Отдельная практика по теме

Откройте ключевой вопрос или задачу отдельно, если не готовы проходить интервью целиком.

Ключевые вопросы маршрута

Разбор training loop на PyTorch для многоклассовой классификации Вопрос про production ML nn.Module super().__init__ and mutable default list trap BERT vs GPT: в чем архитектурная разница RoPE и positional embeddings в GPT Attention complexity, GQA/MQA и Sliding Window Attention Long-context training: почему не помещается attention На что уходит GPU memory при training LLM DDP и all-reduce overlap при distributed training Зачем нужны positional embeddings в Transformer

На страницах собеседований есть ещё 5 связанных вопросов.

Задачи из этих интервью

Оценка памяти KV cacheML-задачи · Средний

Повторить теорию перед практикой

Основы нейросетейБазовый ML Архитектуры: CNN, RNN, TransformerБазовый ML Оптимизация и регуляризацияБазовый ML PyTorch: train loop на практикеБазовый ML Distributed Training (Multi-GPU)NLP и LLM

Выбрать другую тему Все собеседования