你在 PyTorch 里实现 dropout：训练时以 p=0.5 随机置零，推理时不做任何缩放，结果推理输出的 logit 期望只有训练时的一半，精度明显下降。请说明正确的做法是什么、为什么主流框架采用 inverted dropout（训练时除以 1−p），以及训练/推理行为不一致会带来哪些工程风险。

面试官在考什么

是否理解 dropout 的期望校正，以及是否具备"训练与推理必须一致"这种上线视角的工程敏感度。

Dropout

回答框架 · 前两步

1. 原论文做法是训练时不缩放、推理时把权重乘 (1−p) 做期望校正；PyTorch 的 inverted dropout 是训练时对被保留的激活除以 (1−p)，推理时什么都不做。
2. 两种做法在数学上等价（训练时期望不变），但 inverted dropout 让推理路径成为恒等变换，推理代码不需要知道 p，模型导出、算子融合、量化都更简单。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「深度学习基础」方向页

同一能力域的其他题

• 请说明 BatchNorm 和 LayerNorm 的计算方式有什么不同？在同一个 batch 里，BN 的统计量是怎么算出来的、推理时又用的是什么？
• 为什么深层网络需要残差连接？它解决了什么问题？换个角度问：残差结构为什么能让梯度更好地传回去？
• Dropout 在训练和推理阶段的行为分别是什么？为什么推理时要乘一个系数？它和 BatchNorm 一起用时有什么坑？
• 你手写了一个两层全连接网络（输入 784 → 隐层 256 + ReLU → 10 类 softmax 交叉熵）和完整的前向/反向传播，但训练完全不收敛。你打算用数值梯度检验（有限差分）来确认反向传播写对了。请具体说明：你用什么误差度量判断"通过"、epsilon 取多大、用 float32 还是 float64、用多少参数和多少条样本做检验、要不要关掉随机性；以及如果解析梯度和数值梯度在 1e-2 量级对不上，你如何定位到是哪一层、哪个公式写错了。
• 你在训练一个40层Transformer，PyTorch DDP多机多卡，混合精度。固定数据子集和随机种子后，loss前100步正常下降，之后部分卡突然出现NaN，其他卡继续下降。团队有人建议全局学习率减半，有人建议加梯度裁剪，有人建议用gradient checkpointing。作为训练负责人，你会怎样切分定位问题、决定短期止血和长期改动？请给出具体排查顺序、验证实验和取舍标准。
• 一个两层网络：z = W1·x，a = ReLU(z)，y = W2·a，损失 L = ½‖y − t‖²。请写出 ∂L/∂W2 和 ∂L/∂W1 的表达式（写清每个因子的形状，以及要不要转置），并回答：如果某个样本的 z 的每个分量都小于 0，这个样本对 W1 的梯度是多少？为什么？