Какие библиотеки для нейросетей использовали

Что проверяют

Насколько глубоко вы работали с обучением моделей и понимаете ли, как устроен современный стек, а не список из учебника пятилетней давности. Следом спрашивают, почему выбрали именно этот фреймворк и как модель доехала до продакшена.

Как отвечать

Отвечайте от своих задач: что обучали, на каких данных, чем мерили качество, как запускали в работу. Цифры метрик только свои. Технический каркас:

• PyTorch: основной фреймворк и в исследованиях, и в индустрии. Eager-режим, отладка обычным Python, с версии 2.0 torch.compile для ускорения. Для распределённого обучения DDP и FSDP;
• Lightning: обёртка над PyTorch, убирает шаблонный цикл обучения, логирование и чекпоинты;
• Transformers и экосистема вокруг неё: предобученные модели для текста, картинок и звука, дообучение, PEFT и LoRA для экономии памяти;
• TensorFlow и Keras: встречаются в зрелых продакшен-системах. Keras 3 стал мультибэкендным и работает поверх JAX, TensorFlow или PyTorch, поэтому фраза «Keras это надстройка над TensorFlow» устарела;
• JAX с Flax: функциональный подход и компиляция через XLA, популярен на TPU и в исследованиях;
• инференс: экспорт в ONNX и запуск через ONNX Runtime, TensorRT на GPU, для больших языковых моделей серверы вроде vLLM.

Scikit-learn упомянуть можно, но честно: это не библиотека для нейросетей, а инструмент для предобработки, классических моделей и метрик.

Если опыт в основном учебный, не выдавайте его за продакшен. Скажите, что делали на курсах или соревнованиях, и покажите, что понимаете следующий шаг.

Где спотыкаются

Называют Keras отдельной библиотекой поверх TensorFlow и не знают о Keras 3.

Приводят метрику без контекста: «точность 95%» ничего не значит без баланса классов, базовой модели и способа валидации.

Рассказывают только про обучение. Интервьюер спросит, как модель обслуживалась: латентность, батчинг, квантизация, мониторинг дрейфа, и на этом ответ часто заканчивается.