2025年人工智能工程師招聘筆試試題及答案一、基礎理論（共30分）（一）單項選擇題（每題2分，共10分）1.以下關于監(jiān)督學習和無監(jiān)督學習的描述，錯誤的是（）A.監(jiān)督學習需要標注數(shù)據(jù)，無監(jiān)督學習不需要B.K-means屬于無監(jiān)督學習，SVM屬于監(jiān)督學習C.無監(jiān)督學習的目標是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結構，監(jiān)督學習是預測標簽D.生成對抗網(wǎng)絡（GAN）同時涉及監(jiān)督學習和無監(jiān)督學習2.在Transformer模型中，多頭注意力（Multi-HeadAttention）的主要作用是（）A.增加模型參數(shù)數(shù)量B.并行計算不同子空間的注意力C.解決梯度消失問題D.替代位置編碼3.訓練深度神經(jīng)網(wǎng)絡時，若前向傳播中激活值趨近于0，反向傳播時梯度趨近于0，最可能的原因是（）A.使用ReLU激活函數(shù)B.權重初始化過大C.權重初始化過小D.學習率設置過高4.以下哪種方法不能緩解類別不平衡問題？（）A.過采樣少數(shù)類B.欠采樣多數(shù)類C.調整交叉熵損失函數(shù)的類別權重D.增加模型隱藏層數(shù)量5.在強化學習中，Q-learning和SARSA的主要區(qū)別是（）A.Q-learning是離線策略（Off-Policy），SARSA是在線策略（On-Policy）B.Q-learning使用值函數(shù)，SARSA使用策略函數(shù)C.Q-learning適用于離散動作空間，SARSA適用于連續(xù)動作空間D.Q-learning基于蒙特卡洛方法，SARSA基于時間差分方法（二）簡答題（每題5分，共20分）1.簡述BatchNormalization（BN）的原理及其在深度學習中的作用。2.對比卷積神經(jīng)網(wǎng)絡（CNN）和圖神經(jīng)網(wǎng)絡（GNN）在數(shù)據(jù)結構上的適配性：CNN適合處理什么類型的數(shù)據(jù)？GNN適合處理什么類型的數(shù)據(jù)？各自的核心操作是什么？3.解釋為什么Transformer模型需要顯式的位置編碼（PositionEncoding），并列舉兩種常見的位置編碼方法。4.假設你需要訓練一個圖像分類模型，訓練集和測試集的分布存在差異（如訓練集是自然場景圖像，測試集是醫(yī)學影像），請?zhí)岢鲋辽偃N緩解分布偏移（DomainShift）的方法。二、算法與編程（共40分）（一）編程題1（10分）請用Python實現(xiàn)K近鄰（K-NearestNeighbors,KNN）算法的分類功能，要求：-輸入：訓練數(shù)據(jù)X_train（形狀為[n_samples,n_features]）、訓練標簽y_train（形狀為[n_samples]）、測試數(shù)據(jù)X_test（形狀為[n_samples_test,n_features]）、超參數(shù)k；-輸出：測試數(shù)據(jù)的預測標簽y_pred（形狀為[n_samples_test]）；-距離度量使用歐氏距離；-當k為偶數(shù)且出現(xiàn)投票平局時，選擇類別編號較小的類別。（二）編程題2（15分）使用PyTorch構建一個用于圖像分類的卷積神經(jīng)網(wǎng)絡（CNN），要求：-輸入為3通道224×224的彩色圖像；-包含至少3個卷積層（每個卷積層后接ReLU激活函數(shù)和最大池化層）；-最后接2個全連接層（FC層），輸出10類的分類結果；-寫出模型類的代碼，并在注釋中說明每個層的輸出尺寸（例如：輸入[batch_size,3,224,224]，經(jīng)過第一個卷積層后輸出[batch_size,16,112,112]）。（三）編程題3（15分）給定一個不平衡的二分類數(shù)據(jù)集（正類占比5%），請設計一個實驗方案評估模型性能，并給出具體的評估指標組合及理由。要求：-寫出關鍵步驟（如數(shù)據(jù)劃分、模型訓練、評估指標計算）；-至少使用3個評估指標，并說明選擇它們的原因；-用Python代碼示例（可調用sklearn庫）實現(xiàn)指標計算。三、系統(tǒng)設計（20分）假設某公司需要構建一個實時智能客服系統(tǒng)，要求能在用戶輸入問題后0.5秒內(nèi)返回答案，且支持每天10萬次以上的請求。請設計該系統(tǒng)的技術架構，并回答以下問題：1.核心模塊包括哪些？請畫出簡要架構圖（文字描述即可）；2.如何處理大模型推理的高延遲問題？請?zhí)岢鲋辽賰煞N優(yōu)化方法；3.如何保證系統(tǒng)在高并發(fā)下的穩(wěn)定性？請列舉關鍵技術點。四、應用實踐（10分）某電商平臺希望通過AI技術提升商品推薦的精準度，現(xiàn)需分析用戶的“點擊-加購-下單”行為序列，預測用戶最終是否會下單。已知可用數(shù)據(jù)包括：-用戶基本屬性（年齡、性別、歷史購買金額）；-行為序列（每個行為的時間戳、商品類別、頁面停留時長）；-商品屬性（價格、銷量、類目）。請設計一個解決方案，要求：1.說明數(shù)據(jù)預處理的關鍵步驟（如特征工程、序列編碼方法）；2.選擇合適的模型架構（需說明理由）；3.提出至少兩個模型優(yōu)化方向（如損失函數(shù)設計、正則化方法）。答案與解析一、基礎理論（一）單項選擇題1.D（GAN屬于無監(jiān)督學習，不依賴標簽）2.B（多頭注意力通過不同子空間的注意力計算，捕捉多維度關聯(lián)信息）3.C（權重初始化過小會導致前向傳播時激活值趨近于0，反向傳播梯度消失）4.D（增加隱藏層數(shù)量與類別平衡無關）5.A（Q-learning使用貪心策略更新，屬于離線策略；SARSA使用當前策略采樣，屬于在線策略）（二）簡答題1.BN原理：在神經(jīng)網(wǎng)絡的每一層輸入前，對mini-batch數(shù)據(jù)的每個特征進行歸一化，使其均值為0、方差為1，再通過可學習的縮放因子γ和偏移因子β調整分布。作用：加速訓練（緩解內(nèi)部協(xié)變量偏移）、允許使用更大學習率、具有正則化效果（mini-batch的統(tǒng)計波動引入噪聲）。2.CNN適配數(shù)據(jù)：網(wǎng)格結構數(shù)據(jù)（如圖像、音頻），核心操作是局部感受野的卷積操作（共享權重提取空間特征）。GNN適配數(shù)據(jù)：圖結構數(shù)據(jù)（如社交網(wǎng)絡、分子結構），核心操作是節(jié)點間的消息傳遞（聚合鄰居節(jié)點信息更新當前節(jié)點特征）。3.原因：Transformer的自注意力機制不保留序列順序信息，需通過位置編碼顯式告知模型token的位置。常見方法：-正弦余弦位置編碼（固定、可解釋，通過不同頻率的正弦/余弦函數(shù)生成位置向量）；-可學習位置編碼（隨機初始化，通過訓練學習位置信息）。4.緩解方法：-領域自適應（DomainAdaptation）：通過對抗訓練最小化源域（訓練集）和目標域（測試集）的特征分布差異（如DANN模型）；-數(shù)據(jù)增強：對訓練集進行風格遷移（如使用CycleGAN將自然場景圖像轉換為醫(yī)學影像風格）；-元學習（Meta-Learning）：訓練模型在不同領域的快速適應能力（如MAML算法）；-特征選擇：選擇對領域變化不敏感的魯棒特征（如使用不變特征表示）。二、算法與編程（一）編程題1：KNN實現(xiàn)```pythonimportnumpyasnpfromcollectionsimportCounterdefknn_predict(X_train,y_train,X_test,k):y_pred=[]forxinX_test:計算歐氏距離distances=np.sqrt(np.sum((X_train-x)2,axis=1))獲取前k個最近樣本的索引k_indices=np.argsort(distances)[:k]k_labels=y_train[k_indices]統(tǒng)計投票結果count=Counter(k_labels)max_count=max(count.values())處理平局（選擇類別編號最小的）candidates=[labelforlabel,cntincount.items()ifcnt==max_count]y_pred.append(min(candidates))returnnp.array(y_pred)```（二）編程題2：PyTorchCNN模型```pythonimporttorchimporttorch.nnasnnclassImageClassifier(nn.Module):def__init__(self):super(ImageClassifier,self).__init__()卷積層1：3→16，kernel=3，stride=2，padding=1→輸出尺寸(224+21-3)/2+1=112self.conv1=nn.Sequential(nn.Conv2d(3,16,kernel_size=3,stride=2,padding=1),[B,3,224,224]→[B,16,112,112]nn.ReLU(),nn.MaxPool2d(kernel_size=2,stride=2)[B,16,112,112]→[B,16,56,56]（池化后尺寸減半）)卷積層2：16→32，kernel=3，stride=1，padding=1→輸出尺寸(56+21-3)/1+1=56self.conv2=nn.Sequential(nn.Conv2d(16,32,kernel_size=3,stride=1,padding=1),[B,16,56,56]→[B,32,56,56]nn.ReLU(),nn.MaxPool2d(kernel_size=2,stride=2)[B,32,56,56]→[B,32,28,28])卷積層3：32→64，kernel=3，stride=1，padding=1→輸出尺寸(28+21-3)/1+1=28self.conv3=nn.Sequential(nn.Conv2d(32,64,kernel_size=3,stride=1,padding=1),[B,32,28,28]→[B,64,28,28]nn.ReLU(),nn.MaxPool2d(kernel_size=2,stride=2)[B,64,28,28]→[B,64,14,14])全連接層：641414→512→10self.fc=nn.Sequential(nn.Linear(641414,512),nn.ReLU(),nn.Linear(512,10))defforward(self,x):x=self.conv1(x)x=self.conv2(x)x=self.conv3(x)x=x.view(x.size(0),-1)展平為[B,641414]x=self.fc(x)returnx```（三）編程題3：不平衡數(shù)據(jù)評估方案實驗步驟：1.數(shù)據(jù)劃分：按分層采樣（StratifiedSampling）將數(shù)據(jù)分為訓練集（70%）、驗證集（15%）、測試集（15%），保持各類別比例。2.模型訓練：使用類別權重平衡的交叉熵損失（如`class_weight='balanced'`），結合過采樣（SMOTE）或欠采樣（RandomUnderSampler）預處理。3.評估指標：-F1-score：綜合精確率和召回率，避免僅關注準確率（正類占比低時準確率無意義）；-AUC-ROC：衡量模型對正類和負類的區(qū)分能力，不受類別比例影響；-PR曲線下面積（AUC-PR）：在嚴重不平衡場景中，PR曲線比ROC更敏感（負類占比高時ROC易高估性能）。代碼示例：```pythonfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportf1_score,roc_auc_score,average_precision_scorefromimblearn.over_samplingimportSMOTE假設X為特征，y為標簽（0負類，1正類）X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.15,stratify=y,random_state=42)過采樣處理訓練集sm=SMOTE(random_state=42)X_res,y_res=sm.fit_resample(X_train,y_train)訓練模型clf=RandomForestClassifier(class_weight='balanced')clf.fit(X_res,y_res)預測概率y_proba=clf.predict_proba(X_test)[:,1]y_pred=clf.predict(X_test)計算指標f1=f1_score(y_test,y_pred)roc_auc=roc_auc_score(y_test,y_proba)pr_auc=average_precision_score(y_test,y_proba)print(f"F1-score:{f1:.4f},AUC-ROC:{roc_auc:.4f},AUC-PR:{pr_auc:.4f}")```三、系統(tǒng)設計1.核心模塊：-用戶輸入模塊（處理文本/語音輸入，調用NLP模型解析意圖）；-對話管理模塊（維護對話狀態(tài)，決定回復策略）；-大模型推理模塊（如LLM生成答案）；-緩存模塊（存儲高頻問題的答案，減少重復推理）；-監(jiān)控與日志模塊（實時監(jiān)控QPS、延遲、錯誤率）。2.延遲優(yōu)化方法：-模型壓縮：使用知識蒸餾（將大模型知識遷移到小模型）或量化（FP32轉INT8）降低計算量；-異步推理與批處理：將請求緩存至一定批量后統(tǒng)一推理（需結合業(yè)務允許的最大延遲）；-邊緣計算：在用戶側部署輕量級模型處理簡單問題，復雜問題回傳云端大模型。3.高并發(fā)穩(wěn)定性：-負載均衡：使用Nginx或K8s進行請求分流，避免單節(jié)點過載；-限流與熔斷：設置QPS閾值（如單節(jié)點1000次/秒），超出時拒絕請求并返回友好提示；-分布式部署：大模型推理服務采用多副本集群，通過服務發(fā)現(xiàn)（如Consul）動態(tài)調整實例數(shù)量；-異