2025中學生人工智能知識應(yīng)用競賽試卷及參考答案一、單項選擇（每題2分，共20分）1.在卷積神經(jīng)網(wǎng)絡(luò)中，若輸入圖像尺寸為224×224×3，使用32個5×5的卷積核，步長為1，零填充為2，則輸出特征圖的寬為A.220?B.222?C.224?D.226答案：C解析：輸出寬=(輸入寬+2×填充?核寬)/步長+1=(224+4?5)/1+1=224。2.下列Python代碼片段中，哪一行會導致模型在GPU上訓練時顯存持續(xù)增長？A.`loss.backward()`B.`optimizer.zero_grad()`C.`withtorch.no_grad():y=model(x)`D.`loss=loss+0.x.sum()`答案：D解析：D項在計算圖中引入恒等附加節(jié)點，導致反向傳播時緩存不釋放，顯存泄漏。3.在StableDiffusion中，文本引導生成圖像的關(guān)鍵組件是A.VAE解碼器?B.UNet噪聲預(yù)測網(wǎng)絡(luò)?C.CLIP文本編碼器?D.DDIM調(diào)度器答案：C解析：CLIP將提示詞映射到共享語義空間，為UNet提供條件向量。4.聯(lián)邦學習場景下，客戶端上傳的梯度被惡意替換為全零向量，這種攻擊稱為A.模型投毒?B.梯度泄露?C.拜占庭攻擊?D.成員推理答案：C解析：拜占庭攻擊指任意錯誤/惡意參數(shù)破壞聚合，全零梯度即典型實例。5.在Transformer自注意力中，Q與K^T相乘后除以√d_k的主要目的是A.加速計算?B.防止梯度消失?C.抑制softmax飽和?D.增強稀疏性答案：C解析：防止點積過大使softmax進入飽和區(qū)，梯度趨零。6.使用LoRA微調(diào)LLM時，若原矩陣W∈R^(1024×4096)，秩r=16，則新增參數(shù)量為A.65536?B.131072?C.262144?D.524288答案：B解析：LoRA新增A∈R^(1024×16)、B∈R^(16×4096)，共1024×16+16×4096=131072。7.在NVIDIAJetsonOrinNano上部署YOLOv8時，若INT8量化后mAP下降0.8%，最可能原因是A.校準數(shù)據(jù)集不足?B.BatchNorm折疊失敗?C.未使用TensorRT?D.未開啟DLP答案：A解析：校準集過小導致激活值范圍估計偏差，INT8縮放因子失準。8.下列哪種數(shù)據(jù)增強策略對提升MNIST手寫數(shù)字魯棒性最無效？A.隨機旋轉(zhuǎn)±30°?B.CutMix?C.高斯噪聲σ=0.1?D.隨機擦除答案：B解析：CutMix將圖像塊拼接，對背景簡單的MNIST引入無關(guān)干擾，收益最低。9.在深度強化學習中，使用DoubleDQN主要是為了緩解A.環(huán)境非平穩(wěn)?B.過估計偏差?C.樣本相關(guān)性?D.稀疏獎勵答案：B解析：DoubleDQN解耦動作選擇與評估，減少Q(mào)值過估計。10.若將BERTbase的激活函數(shù)從GELU替換為ReLU，模型參數(shù)量A.增加?B.減少?C.不變?D.先減后增答案：C解析：激活函數(shù)無參數(shù)，僅計算方式改變。二、不定項選擇（每題3分，共15分，多選少選均不得分）11.關(guān)于DiffusionModel的DDPM，下列說法正確的是A.前向過程為馬爾可夫鏈?B.反向過程參數(shù)共享?C.損失函數(shù)含L2重建項?D.需要訓練判別器答案：A、B、C解析：DDPM無需判別器，損失為預(yù)測噪聲的L2。12.在邊緣計算場景部署TinyML模型時，必須考慮A.Flash占用?B.RAM峰值?C.中斷延遲?D.浮點單元功耗答案：A、B、C、D解析：四項均直接影響MCU級設(shè)備穩(wěn)定性。13.下列哪些操作可有效降低大模型推理時PPL（困惑度）A.動態(tài)NTKRoPE縮放?B.使用溫度采樣t=1.5?C.引入重復懲罰1.2?D.KVCache壓縮答案：A、C、D解析：溫度>1增加隨機性，反而升高PPL。14.關(guān)于VisionTransformer的PositionEmbedding，正確的有A.一維可學習向量?B.二維相對編碼?C.去掉后模型仍可變輸入分辨率?D.使用正弦余弦版本可外推答案：A、B、D解析：C錯誤，去掉后無法處理不同分辨率。15.在聯(lián)邦學習中，SecureAggregation方案基于A.Shamir秘密共享?B.同態(tài)加密?C.差分隱私?D.雙掩碼協(xié)議答案：A、B、D解析：差分隱私用于輸出擾動，非聚合階段。三、填空題（每空2分，共20分）16.在PyTorch中，若模型已`.cuda()`，需將輸入張量也調(diào)用__________方法才能在同設(shè)備計算。答案：`.cuda()`或`.to('cuda')`解析：設(shè)備不一致會拋RuntimeError。17.ResNet的殘差塊使用__________卷積完成降采樣，以避免信息丟失。答案：1×1（或“逐點”）解析：1×1卷積調(diào)整通道并控制步長。18.Transformer中，自注意力的時間復雜度為__________。答案：O(n2d)解析：n為序列長度，d為特征維度。19.INT8量化的縮放因子s計算公式為__________。答案：s=(q_max?q_min)/(r_max?r_min)解析：r為浮點范圍，q為量化范圍。20.在DDIM采樣中，若設(shè)置η=0，則退化為__________過程。答案：確定性（或“非隨機”）解析：η控制隨機噪聲注入量。21.LoRA的低秩矩陣分解表示為W'=W+__________。答案：BA解析：B∈R^(d×r)，A∈R^(r×k)。22.使用混合精度訓練時，LossScaling的初始值通常設(shè)為__________。答案：2^16解析：防止梯度下溢。23.在目標檢測中，若IoU閾值從0.5提升到0.75，mAP一般會__________（上升/下降）。答案：下降解析：更高閾值減少正樣本。24.CLIP的對比學習損失函數(shù)稱為__________損失。答案：InfoNCE解析：多分類交叉熵的變體。25.在GPT的自回歸生成中，__________采樣策略既能保持多樣性又能避免重復。答案：Topp（核采樣）解析：動態(tài)截斷累積概率。四、判斷改錯（每題2分，共10分，先判對錯，若錯則劃線改正）26.MobileNetV3large的激活函數(shù)僅為ReLU6。答案：錯。改為：ReLU6、Hswish、HardSigmoid混合。27.使用梯度裁剪clip_norm=1.0會改變優(yōu)化器學習率。答案：錯。裁剪僅縮放梯度向量，不改變學習率。28.Transformer的DecoderMask為下三角矩陣，防止看到未來信息。答案：對。29.KnowledgeDistillation中，教師模型輸出logits溫度τ越高，軟標簽越尖銳。答案：錯。τ越高分布越平滑。30.在聯(lián)邦學習中，F(xiàn)edAvg的本地epoch越多，全局模型收斂越慢。答案：對。五、簡答題（每題6分，共18分）31.描述FlashAttention如何通過分塊降低顯存占用，并給出時間復雜度。答案：FlashAttention將注意力矩陣按塊計算，避免實例化完整的n×n矩陣；通過在線softmax更新，每塊O(d)緩存。時間復雜度仍為O(n2d)，但顯存從O(n2)降至O(n+d)。32.解釋QLoRA中的4bitNormalFloat量化格式，并說明為何比INT4更適合LLM。答案：NormalFloat對權(quán)重按零點對稱、離群值稀疏分布建模，先歸一化再量化，減少量化誤差；對LLM權(quán)重近似高斯分布更有效，比均勻INT4平均降低0.3–0.9的PPL。33.給出在JetsonNano上部署YOLOv5s的完整TensorRT優(yōu)化流程（含命令）。答案：1)導出ONNX：`pythonexport.pyweightsyolov5s.ptincludeonnxdynamic`2)構(gòu)建引擎：`trtexeconnx=yolov5s.onnxsaveEngine=yolov5s.trtfp16workspace=1024`3)推理：`pythontrt_inference.pyengineyolov5s.trtinputdata/images`解析：trtexec自動完成圖優(yōu)化、層融合、內(nèi)核自動調(diào)優(yōu)。六、綜合應(yīng)用題（共17分）34.某中學科創(chuàng)小組需在樹莓派4B（4GBRAM）上實現(xiàn)實時手勢識別，幀率≥15FPS，識別5種手勢。給定訓練集2萬張192×192RGB圖像。要求：(1)設(shè)計輕量級網(wǎng)絡(luò)結(jié)構(gòu)，畫出模塊圖并注明參數(shù)量（4分）；(2)給出訓練階段的數(shù)據(jù)增強與優(yōu)化策略（3分）；(3)給出INT8量化與異構(gòu)部署細節(jié)，含樹莓派CPU+NNAPI調(diào)用代碼片段（6分）；(4)若實際測試發(fā)現(xiàn)“剪刀”類召回率僅72%，提出兩項改進并說明理由（4分）。答案：(1)網(wǎng)絡(luò)：GhostNetV2瓶頸疊加SE，首層3×3Convstride=2，隨后3個stage（通道244896），每層Ghost模塊+DFC注意力，全局平均池化+5維FC。參數(shù)量≈0.55M。圖：Input→Conv→Stage1(Ghostbottleneck×2)→Stage2(Ghost×3)→Stage3(Ghost×4)→GAP→FC→Softmax。(2)增強：隨機裁剪±10%、顏色抖動brightness=0.2、Cutout16×16、MixUpα=0.2；優(yōu)化：AdamWlr=3e4cosine退火、EMA權(quán)重平均、LabelSmoothingε=0.1。(3)量化：```pythonimporttflite_erpreterastfliteinterpreter=tflite.Interpreter(model_path='gesture_int8.tflite',experimental_delegates=[tflite.load_delegate('libedgetpu.so.1')])interpreter.allocate_tensors()input_details=interpreter.get_input_details()output_details=interpreter.get_output_details()預(yù)處理img=cv2.resize(frame,(192,192)).astype(np.uint8)interpreter.set_tensor(input_details[0]['index'],img[np.newaxis,...])interpreter.invoke()pred=interpreter.get_tensor(output_details[0]['index'])```生成int8模型：`tflite_convertsaved_model_dir=exportoutput_file=gesture_int8.tflitepost_training_quantizerepresentative_dataset=rep_data.npz`rep_data為100張校準圖。(4)改進：a)增加困難樣本：對“剪刀”做在線硬挖掘，提升召回；b)引入細粒度數(shù)據(jù)增強：手指關(guān)節(jié)關(guān)鍵點遮擋模擬，提高魯棒性。七、編程與計算題（共35分）35.（10分）給定一維向量x=[2,5,3,7,1]，用Numpy實現(xiàn)不帶循環(huán)的Softmax及交叉熵損失，當標簽y=3（即第4類）時，求loss值（保留3位小數(shù)）。答案：```pythonimportnumpyasnpx=np.array([2,5,3,7,1])logits=xx.max()防溢出prob=np.exp(logits)/np.exp(logits).sum()loss=np.log(prob[3])print(round(loss,3))輸出0.367```36.（12分）在PyTorch中實現(xiàn)一個帶因果掩碼的1D自注意力模塊，輸入形狀(B,L,d)，輸出同形，要求僅使用矩陣乘法與三角掩碼，禁止調(diào)用nn.MultiheadAttention。答案：```pythonimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFclassCausalSelfAttention(nn.Module):def__init__(self,d,n_heads=8):super().__init__()assertd%n_heads==0self.d,self.nh=d,n_headsself.dh=d//n_headsself.qkv=nn.Linear(d,3d)j=nn.Linear(d,d)defforward(self,x):B,L,_=x.shapeqkv=self.qkv(x).view(B,L,3,self.nh,self.dh).transpose(1,3)q,k,v=qkv.unbind(2)scores=(q@k.transpose(2,1))/(self.dh0.5)mask=torch.triu(torch.ones(L,L,device=x.device),diagonal=1).bool()scores.masked_fill_(mask,float('inf'))attn=F.softmax(scores,dim=1)out=(attn@v)