Что хотят услышать интервьюеры:

Ожидают услышать не просто список библиотек, а понимание, для каких задач и почему они использовались. Важно показать практический опыт: обучение, инференс, работа с GPU, пайплайны, деплой. Хорошо, если видно, что есть опыт с одной-двумя основными библиотеками и понимание их сильных сторон.

Определение:

Библиотеки для нейросетей — это инструменты, которые упрощают построение, обучение и использование нейронных сетей. Они дают готовые слои, функции потерь, оптимизаторы, автодифференцирование, работу с GPU и средства для экспорта модели. На практике чаще всего используют PyTorch, TensorFlow/Keras, а для инференса и ускорения — ONNX Runtime, TensorRT и похожие решения.

Пример использования:

Например, для обучения классификатора изображений можно взять PyTorch: собрать модель из готовых слоёв, обучить её на GPU, а затем экспортировать в ONNX для более быстрого запуска в продакшене.

import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Linear(784, 128),
    nn.ReLU(),
    nn.Linear(128, 10)
)

x = torch.randn(32, 784)
logits = model(x)

Пояснение кода:

Этот пример показывает базовую нейросеть на PyTorch. nn.Sequential позволяет собрать модель из слоёв без написания отдельного класса. Первый слой переводит вход размерности 784 в 128 признаков, затем идёт нелинейность ReLU, после чего выходной слой даёт 10 значений — например, по одному на каждый класс. Переменная x — это батч из 32 объектов, а logits — сырые предсказания модели до применения softmax.

Ключевые моменты:

Для обучения чаще всего называют PyTorch и TensorFlow/Keras.
Для инференса и оптимизации полезно упомянуть ONNX Runtime или TensorRT.
Важно понимать не только библиотеку, но и весь цикл: обучение, валидация, экспорт, запуск в продакшене.
Хорошо подчеркнуть опыт работы с GPU, batch processing и автодифференцированием.
Если был опыт, можно отдельно упомянуть библиотеки для NLP или CV, но базу лучше строить вокруг универсальных фреймворков.

Какие библиотеки для нейросетей использовали?