视源集团大模型算法校招面经

1. 聊一聊CLIP的检索这块，这个任务的输入这块，这个任务的输入输出是什么？以及改进是什么？
2. 我们为什么还要要求CLIP的相似度矩阵还要关于正对角线对称？
3. CLIP预训练是怎么做的？
4. CLIP预训练的双塔编码器是如何初始化的？
5. ViT的主要架构是什么样子的？encoder还是decoder？
6. 一张图片如何被送入ViT该如何处理？
7. 输入19201080图片，patch size是1414，ViT的token数量应该是多少？
8. 输入224224图片，1414 patch，ViT的token数量该怎么计算？
9. CLIP的文本编码器架构是什么？
10. 询问实习

编程题：使用Python的列表，实现一个栈（不使用deque）