Python AI Cheatsheet：AI算法岗面试的系统性知识库

这是一个专为AI算法工程岗面试准备的Python速查仓库，覆盖深度学习、LLM、CV、CUDA、训练与推理工程等核心领域，旨在帮助有Python和机器学习基础的开发者将知识从"会用"提升到"会讲、会推、会改、会写简化实现"，强调原理理解、最小可手写实现和面试表达导向，以应对当前AI算法岗竞争激烈、面试官要求深入原理与工程能力的现状。

AI行业竞争日益激烈，算法岗面试不再是简单背诵概念即可应付，面试官期待候选人深入理解原理、现场手写核心模块、对训练和推理中的实际问题有清晰认知。Python AI Cheatsheet项目正是为应对这一挑战而诞生的系统性知识库。

项目目标明确——帮助具备Python和机器学习基础的开发者，将知识从"会用"提升到"会讲、会推、会改、会写简化实现"，聚焦面试高频核心方向。内容组织遵循四大原则：1.先讲清核心机制，再展开公式、复杂度和工程细节；2.高频模块（如注意力、RoPE等）需提供可手写的最小实现；3.原理与工程并重，回答原理、训练问题、部署注意点；4.内容组织接近面试表达逻辑，而非教材式展开。

仓库覆盖八大核心方向：1.深度学习基础与Transformer（含Self-Attention、Positional Encoding、LayerNorm等及最小Transformer实现）；2.LLM机制与工程（KV Cache、MoE、主流开源模型家族精读）；3.视觉语言模型（VLM总览、视觉token表示、多图/视频输入等）；4.强化学习与对齐技术（RL基础、PPO/DPO等）；5.计算机视觉（CNN基础、ResNet、YOLO、CLIP、ViT等）；6.CUDA与算子优化（内存模型、性能优化、Flash Attention等）；7.训练与推理工程（分布式训练、量化、KV Cache管理等）；8.数据工程与评测、C++与工程基础等。

学习路径建议：1.先看README理解专题目标与设计；2.掌握最小实现，能独立写出核心部分；3.训练口头表达，讲解模块的输入输出、公式、复杂度等；4.针对训练和推理维度准备追问答案（CUDA内容需额外关注内存访问等）。面试高频追问示例包括：AdamW为何解耦weight decay？Pre-LN比Post-LN更稳定的原因？PPO的clip机制作用？Flash Attention节省显存的原理？Continuous Batching提升吞吐的原因等。

项目特色：面试导向性强，内容结构清晰（问题定义→核心机制→最小实现→工程考量）；代码可运行（numpy/torch实现）；持续更新紧跟AI最新发展（已完成32篇专题）。适用人群：有Python/PyTorch基础、准备AI算法岗面试、想体系化提升知识表达能力的开发者；不适合无基础或需从零入门的学习者（建议先补Python官方教程、Dive into Deep Learning等基础材料）。结语：该仓库是面试准备的优质资源，帮助开发者从知识学习转向面试能力提升，应对算法岗竞争，值得深入学习参考。