KNOWLEDGE NOTE / AI · 面试

Python 与机器学习基础面试题库

覆盖 Python 语言机制、AI 工程基础、机器学习训练流程与评估指标的结构化问答。

创建
2026年9月24日
更新
2026年10月15日

Python 与机器学习基础面试题库

一、Python 语言与工程基础

1. Python 变量是什么?赋值会复制对象吗?

简答: 变量名是对象的名字/绑定关系,b = a 通常让两个名字指向同一个对象,并不自动复制对象。Python 是动态类型语言,类型属于对象而不是变量名。

原理展开: 若 a 指向列表,b = a 后通过 b.append(...) 修改列表,a 也能看到变化;函数参数也会绑定到传入对象。函数内修改可变对象可能影响调用方,重新给局部参数赋值则不会改变调用方变量绑定。

追问:== 和 is 有何区别? == 比较值相等性,is 比较是否为同一个对象。两个独立创建但内容相同的列表可满足 == 而不满足 is。检查空值用 x is None,普通数值或字符串比较内容用 ==。

易错点: 把“引用”理解成所有赋值都会深拷贝,或用 is 判断字符串内容。

场景: 排查函数意外改写调用方列表、测试用例之间共享状态。

2. 可变/不可变对象、浅拷贝/深拷贝是什么?

简答: 列表、字典、集合通常可变;整数、浮点数、字符串和元组通常不可变。浅拷贝只复制最外层容器,内层对象仍共享;深拷贝递归复制嵌套结构。

原理展开: [[1], [2]] 的浅拷贝会得到一个新外层列表,但原列表与副本仍引用相同的内层列表。因此修改 original[0] 会影响副本。copy.deepcopy 可隔离大多数普通嵌套数据,但资源对象(文件、连接、锁)未必有合理复制语义,深拷贝也有内存成本。

追问:元组一定“不可变”吗? 元组的元素槽位不能重新赋值,但若其中包含列表,该列表仍能变化。不可变的是元组的结构,不保证其引用的对象都不可变。

易错点: 认为元组里任何嵌套内容都被冻结。

场景: 复制嵌套配置、缓存数据,或判断 API 参数是否会污染下一次请求。

3. 列表、元组、字典、集合有什么区别?字典键为何要求可哈希?

简答: 列表有序可变且允许重复;元组有序但结构不可变;字典保存键值映射并按插入顺序迭代;集合保存唯一元素,适合去重和成员判断。

原理展开: 列表按索引读取常见为 O(1),尾部追加均摊为 O(1),中间插入和成员搜索常见为 O(n)。字典和集合基于哈希表,查找平均为 O(1),极端碰撞下可能退化。键必须可哈希,因为哈希表依靠稳定哈希定位;列表和字典可变,因此不能直接作键。

追问:字典是不是无序的? 现代 Python 字典保持插入顺序,但这不代表按键排序。若业务需要排序,要显式排序。

易错点: 将平均复杂度说成任何情况下都保证常数;忽略哈希值碰撞和数据分布。

场景: 判断用列表还是集合去重、用字典做频数统计、评估大规模查找效率。

4. 为什么可变默认参数会带来隐蔽问题?

简答: 函数默认参数表达式在定义函数时求值一次,不是每次调用重新求值。默认值若是列表/字典,多次调用可能共享同一个对象。

原理展开: def add(x, items=[]): ... 中的列表保存在函数对象上。一次调用追加的内容会留给之后省略 items 的调用。常规写法是默认 None,进入函数后新建列表。

python
def add(x, items=None):
    if items is None:
        items = []
    items.append(x)
    return items

追问:可变默认值永远不允许吗? 少数情况下可以故意用它保存缓存,但这是有状态设计,要明确记录生命周期、并发安全和清理方式;一般业务函数不应这样做。

易错点: 以为 [] 每次调用都会重新创建。

场景: 面试解释两次调用结果不同,或线上请求间数据串扰。

5. 迭代器与生成器是什么?

简答: 可迭代对象能交给 for 遍历;迭代器逐个提供元素;生成器是创建迭代器的简洁方式,通常按需生成结果,不需要一次保存全部值。

原理展开: 调用含 yield 的生成器函数会得到生成器对象,函数体并不立即跑完。每次 next() 执行到 yield 后暂停并保留局部状态,下一次再从暂停处继续。迭代结束会引发 StopIteration;已耗尽的生成器通常不能从头重复遍历。

追问:列表推导式与生成器表达式怎么选? 列表推导式立即构造完整列表,便于多次遍历和随机索引;生成器表达式逐个产出,适合较大、单次顺序处理的数据。

易错点: 把生成器当作能随机访问的“压缩列表”。

场景: 大文件逐行处理、流式响应、把多个数据转换步骤串接起来。

6. 装饰器和上下文管理器分别解决什么问题?

简答: 装饰器在不改函数主体的情况下包装调用行为;上下文管理器把资源的进入和清理配对,常用于文件、锁和连接。

原理展开: @decorator 大致等价于 func = decorator(func)。包装器通常用 *args, **kwargs 接收参数,调用原函数并返回其结果;functools.wraps 保留原函数名和文档信息。with 进入时调用 __enter__,离开时调用 __exit__;即使块内抛异常也会执行清理逻辑。

追问:__exit__ 返回真值会怎样? 通常表示该异常已被处理并抑制;返回假值或不显式返回则让异常继续传播。除非确实能恢复,不要随意压掉异常。

易错点: 装饰器包装函数漏掉 return;在 finally 中 return 覆盖原异常/返回值;忘记装饰异步函数时要正确 await。

场景: API 鉴权/计时/日志;文件读写时确保关闭句柄。

7. Python 的线程、进程、异步分别适合什么任务?GIL 是什么?

简答: 线程共享一个进程地址空间;进程有独立地址空间;异步协程通过事件循环在等待时切换任务。I/O 密集工作常用异步或线程,纯 CPU 密集工作常考虑多进程或释放 GIL 的原生库。

原理展开: 传统 CPython 的 GIL(全局解释器锁)限制多个线程同时执行 Python 字节码,因此纯 Python 计算常不能靠线程线性提速;线程在等待网络或磁盘期间仍有用。async def 返回协程对象,await 在可等待点交还执行机会。异步带来并发推进,不等于 CPU 并行。

追问:AI 服务调用适合异步吗? 当服务同时等待多个网络 API,异步可减少线程数量并提高 I/O 利用率;仍应设并发上限、超时和取消逻辑。若主要耗时是本地矩阵计算,异步不会自动加快计算。

易错点: 认为 GIL 让线程完全无用;把同步网络函数前加 async 就称为异步。

场景: 多模型 API 批量调用、数据预处理、图像/矩阵计算。

8. try/except/else/finally 与 __main__ 有什么作用?

简答: try 包围可能失败的代码,except 处理具体异常,无异常时执行 else,finally 无论是否异常都执行;if __name__ == "__main__" 防止模块被导入时意外执行主流程。

原理展开: 捕获范围越小,越不容易把编程错误误当作可恢复输入错误。优先捕获具体异常,不要空 except 吞掉错误。模块导入会运行顶层语句,所以启动服务器、读大文件等副作用应放在主入口函数中。

追问:finally 中放 return 为什么危险? 它可能覆盖 try/except 的返回值,甚至压掉正在传播的异常。finally 更适合资源清理;文件通常直接用 with。

易错点: 误以为 __init__.py 是所有包目录强制要求;现代 Python 也支持命名空间包。

场景: 可复用脚本、多进程程序、模型服务启动与错误排查。

二、机器学习与深度学习基础

9. 特征、标签、参数、超参数有什么区别?

简答: 特征是模型输入;标签是监督目标;参数是训练过程中学到的数值;超参数是训练前设定或搜索的配置。

原理展开: 预测房价时,面积、地段可作特征,成交价是标签;模型权重与偏置是参数;学习率、批大小、训练轮数是超参数。若输入里放入现实预测时尚未发生的字段,会造成数据泄漏。

追问:标准化的均值和方差要保存吗? 要。它们由训练集拟合,线上必须复用同一组统计量,否则训练和推理看到的特征尺度不一致。

易错点: 把任意数据库字段都叫“有效特征”,不问预测时是否可用。

场景: 梳理训练数据字段、解释离线高分线上失效。

10. 为什么需要训练集、验证集、测试集?什么是数据泄漏?

简答: 训练集更新权重,验证集选模型/超参数,测试集做最后评估。数据泄漏是模型间接获得预测时不该知道的信息,导致离线成绩虚高。

原理展开: 用全量数据先算标准化统计量、同一用户同时出现在训练和测试、把未来字段放进过去预测任务,都是常见泄漏。切分要贴近部署:时间数据按时间切,用户/患者分组,类别不平衡可分层。

追问:只要测试集没参与梯度更新就不会泄漏吗? 不一定。若反复依据测试分数改特征、Prompt 或架构,测试反馈已经参与开发决策,测试集逐渐变成验证集。

易错点: 只检查训练代码有没有调用测试集,不检查预处理、实体重复和开发者反复窥视测试分数。

场景: 推荐、风控、医疗数据和时间序列预测。

11. 损失函数、评价指标、梯度下降和反向传播如何联系?

简答: 损失把预测差异量化成可优化目标;梯度下降利用损失梯度更新参数;反向传播用链式法则高效计算神经网络中各参数的梯度。评价指标衡量任务表现,不一定就是训练损失。

原理展开: 训练按“前向预测→算损失→反向求梯度→优化器更新”重复进行。参数 w 的基础更新为 w ← w − η∂L/∂w,η 是学习率。反向传播负责求导,SGD/Adam 等负责据梯度更新,这三者不是同义词。

追问:学习率过大或过小会怎样? 过大会震荡、发散或产生非有限损失;过小会收敛缓慢。结合训练/验证曲线、梯度范数和对照实验判断。

易错点: 把反向传播说成模型“反向生成输入”;把 loss 下降直接等同于业务效果提升。

场景: 排查训练不收敛、对比优化器和训练目标。

12. 什么是欠拟合、过拟合和正则化?

简答: 欠拟合表示训练规律都没学好,通常训练和验证表现都差;过拟合表现为训练好、验证/测试明显差。正则化通过限制模型或训练过程,降低对训练样本细节的过度适配。

原理展开: 可尝试增加数据、简化模型、Weight Decay、Dropout、数据增强或早停。训练差可能是学习率、标签、实现错误;验证差也可能是分布不一致。诊断前要先查看数据和切分。

追问:正则化越强越好吗? 不是。过强会压制有效信号,让训练也变差,形成欠拟合。用验证集按同一评估方案比较正则强度。

易错点: 只看训练准确率;把验证集差全部归因于模型太复杂。

场景: 小数据训练、模型容量增加后离线指标恶化。

13. 准确率、精确率、召回率、F1 和 AUC 如何选?

简答: 准确率衡量总体预测正确比例;精确率衡量预测为正的结果有多少真为正;召回率衡量真实正例找回了多少;F1 是精确率和召回率的调和平均。AUC 总结排序区分能力,但不代表某个具体阈值下的业务表现。

原理展开: 误报成本高时重视精确率,漏报成本高时重视召回率。类别只占 1% 时全部预测为负仍有 99% 准确率,但召回为 0。正类极少时 PR-AUC 往往更直接呈现精确率/召回率权衡;ROC-AUC 关注不同阈值下真阳性率与假阳性率。

追问:AUC 高表示概率可靠、阈值 0.5 合适吗? 不表示。AUC 主要看排序;概率校准和决策阈值需单独评估,并按业务误报/漏报成本设定。

易错点: 不报告正类比例、阈值、混淆矩阵和成本;把 F1 说成所有场景的最佳目标。

场景: 医疗初筛、垃圾邮件、欺诈检测、内容审核。

14. Logit、Sigmoid、Softmax 和交叉熵是什么关系?

简答: Logit 是未归一化分数;Sigmoid 将单个分数映射到 0–1,常用于二分类或独立多标签;Softmax 将互斥多分类分数转成总和为 1 的概率;交叉熵惩罚真实类别概率过低。

原理展开: 多标签任务多个类别可同时为真,通常每个标签独立判断;互斥多分类通常用 Softmax。框架的交叉熵接口常直接接收 Logit 并内部做数值稳定变换,不应重复 Softmax 后再传给期待 Logit 的接口。

追问:Softmax 概率和为 1,是否说明模型校准良好? 不说明。归一化只保证总和,模型仍可能自信但错;概率可靠性需要单独校准评测。

易错点: 把 Logit 当概率;混淆多标签与互斥多分类。

场景: 设计分类头、定位交叉熵接口的数值或形状错误。

15. Batch、Step、Epoch 是什么?批量越大训练越快吗?

简答: Batch 是一次送入的一批样本,Step 通常是一次参数更新,Epoch 是遍历一遍训练集。N 条样本、批大小 B 时,每轮约 ceil(N/B) 个 Step。

原理展开: 大批量可能提高硬件利用率,但显存占用更高,也会改变梯度噪声、收敛行为和泛化。要比较真实耗时、验证效果和吞吐,不能只看每轮步数。

追问:训练轮数越多越好吗? 不一定。训练损失可能继续下降而验证损失上升,说明可能过拟合;可依据验证集早停,但最终仍要用独立测试方案。

易错点: 把 Step 理解成处理一条样本;忽略梯度累积时框架统计口径可能不同。

场景: 阅读训练日志、估算训练步数和显存需求。

16. SGD 和 Adam 有何区别?Adam 是否不需要调学习率?

简答: SGD 直接按梯度更新,可加 Momentum 累积方向;Adam 使用梯度一阶、二阶移动统计调整每个参数的有效步长。Adam 仍需要设置基础学习率和训练策略。

原理展开: Adam 常作为深度学习的方便起点,SGD 在不少任务中也有竞争力。二者没有放之四海皆准的胜负,需控制数据、初始化、学习率和训练预算做实验。权重衰减与 L2 惩罚的实现对某些优化器并不完全等价。

追问:如何公平比较优化器? 固定数据切分、模型、训练预算和评测口径,记录学习率调度与随机种子,比较多个重复运行的验证结果及耗时。

易错点: 认为 Adam 自适应就不用调参;只比一次随机运行的单个分数。

场景: 选择实验基线或解释优化器更换后收敛变化。

17. 大模型下一个 Token 预测是监督学习吗?困惑度能说明什么?

简答: 下一个 Token 预测常称为自监督学习:目标标签由原始文本移位构造,不需要人工为每段文本标注外部类别。困惑度与平均 Token 负对数似然相关,描述模型对特定语料的预测难度。

原理展开: 给定前文,模型提高真实下一个 Token 的概率,训练时用交叉熵和反向传播更新权重。困惑度低通常表示模型更容易预测该数据,但不能单独说明事实可靠、安全、指令遵循或产品效果好。

追问:不同模型困惑度可以直接比较吗? 需使用一致语料、分词器/计分口径和上下文设置。不同 Tokenizer 会改变 Token 单位,直接比较可能不公平;还需看下游任务和实际评估。

易错点: 把自监督说成“没有标签”;下一个 Token 本身就是从文本构造出的目标。

场景: 解释预训练目标及训练损失与真实应用质量的差别。

相关笔记

  • Python基础与AI应用
  • Python AI项目实战精选
  • 机器学习与深度学习基础
  • 大模型基础原理
  • 大模型训练微调与对齐

原始来源文件

以下列出本篇整理所依据的代表性原件;同主题重复版本与完整状态请查阅 source-manifest.csv。

  • Raw sources/大模型官方课程-视频资料/2026最新大模型全套资料(持续更新)/②、大模型入门资料/6个机器学习的核心算法.pdf
  • Raw sources/大模型官方课程-视频资料/2026最新大模型全套资料(持续更新)/②、大模型入门资料/MD文档/6个机器学习的核心算法.md

放弃未保存的修改?

有未保存的修改,离开会丢失这些内容。