2025年人工智能基礎(chǔ)與應(yīng)用技能測(cè)試試題及答案一、單項(xiàng)選擇題（每題1分，共30分。每題只有一個(gè)正確答案，錯(cuò)選、多選、未選均不得分）1.在深度學(xué)習(xí)中，若某卷積層輸出特征圖尺寸為14×14，步長(zhǎng)為2，填充為1，卷積核大小為5×5，則該層輸入特征圖尺寸為A.27×27??B.28×28??C.29×29??D.30×30答案：C解析：由輸出尺寸公式O=(I+2P?K)/S+1反推，I=(O?1)×S?2P+K=(14?1)×2?2×1+5=29。2.下列關(guān)于Transformer位置編碼的說(shuō)法正確的是A.絕對(duì)位置編碼無(wú)法外推更長(zhǎng)序列B.相對(duì)位置編碼必須引入額外可學(xué)習(xí)參數(shù)C.RoPE編碼在注意力計(jì)算后對(duì)Q、K施加旋轉(zhuǎn)矩陣D.ALiBi編碼在softmax之后對(duì)注意力分?jǐn)?shù)做線性偏置答案：A解析：絕對(duì)正弦編碼固定長(zhǎng)度，外推時(shí)須插值；RoPE在QK點(diǎn)積前旋轉(zhuǎn)；ALiBi在softmax前線性偏置。3.在聯(lián)邦學(xué)習(xí)場(chǎng)景下，客戶端上傳的梯度被惡意放大100倍，服務(wù)器采用何種聚合策略可最大限度降低攻擊影響A.FedAvg??B.FedProx??C.Trimmedmean??D.SGD答案：C解析：Trimmedmean先剔除最大最小極端值再平均，對(duì)拜占庭攻擊魯棒性最強(qiáng)。4.若某強(qiáng)化學(xué)習(xí)任務(wù)的回報(bào)服從厚尾分布，則下列算法中最適合直接優(yōu)化的是A.PPO??B.DQN??C.QRDQN??D.A2C答案：C解析：QRDQN基于分位數(shù)回歸，對(duì)異常回報(bào)不敏感，適合厚尾回報(bào)。5.在StableDiffusion推理階段，若將CFG（ClassifierFreeGuidance）系數(shù)從7.5提高到15，則生成圖像的客觀評(píng)價(jià)指標(biāo)最可能A.FID降低??B.IS降低??C.CLIPScore降低??D.LPIPS升高答案：B解析：過(guò)高CFG會(huì)犧牲多樣性，IS對(duì)多樣性敏感，通常下降；FID可能升高，LPIPS通常升高，但I(xiàn)S最直接。6.在Python3.11中，下列代碼片段輸出為```pythonimportfunctools,time@functools.lru_cache(maxsize=None)deff(x):time.sleep(0.1)returnx2print(f(2)+f(2))```A.4??B.8??C.運(yùn)行0.2s后輸出8??D.運(yùn)行0.1s后輸出8答案：D解析：第二次調(diào)用命中緩存，無(wú)sleep，總耗時(shí)0.1s。7.使用混合精度訓(xùn)練時(shí)，下列NVIDIAA100顯卡張量核心利用率最高的矩陣乘規(guī)模是A.(512,1024)×(1024,512)??B.(1024,1024)×(1024,1024)C.(2048,1024)×(1024,2048)??D.(4096,4096)×(4096,4096)答案：D解析：張量核心要求維度為8的倍數(shù)且越大越飽和，4096最滿。8.在ONNXRuntime中開啟TensorRT后端時(shí)，若節(jié)點(diǎn)算子不在支持列表，則A.自動(dòng)回退到CUDA??B.報(bào)錯(cuò)終止??C.回退到CPU??D.忽略該節(jié)點(diǎn)答案：A解析：ORTTensorRT提供分級(jí)回退，優(yōu)先CUDA。9.下列關(guān)于GPT系列模型架構(gòu)演進(jìn)順序正確的是A.GPT1→GPT2→GPT3→InstructGPT→ChatGPT→GPT4B.GPT1→GPT2→InstructGPT→GPT3→ChatGPT→GPT4C.GPT1→GPT2→GPT3→ChatGPT→InstructGPT→GPT4D.GPT1→InstructGPT→GPT2→GPT3→ChatGPT→GPT4答案：A解析：InstructGPT在GPT3后，ChatGPT基于InstructGPT強(qiáng)化學(xué)習(xí)微調(diào)。10.在擴(kuò)散模型DDPM中，若總步數(shù)T=1000，線性噪聲表β_t從0.0001到0.02，則α?_t在t=500時(shí)的值約為A.0.50??B.0.36??C.0.24??D.0.12答案：B解析：α_t=1?β_t，α?_t=∏α_k，數(shù)值積分近似得0.36。11.在PyTorch2.0編譯模式下，pile默認(rèn)后端是A.TorchScript??B.ONNX??C.Inductor??D.nvFuser答案：C解析：Inductor為PyTorch2.0默認(rèn)Triton后端。12.下列關(guān)于LoRA微調(diào)的說(shuō)法錯(cuò)誤的是A.可只訓(xùn)練低秩矩陣??B.推理時(shí)需合并原權(quán)重C.秩越大可恢復(fù)全量微調(diào)效果??D.適用于Transformer所有層答案：B解析：推理可動(dòng)態(tài)合并，也可外掛，非“必須”合并。13.在自動(dòng)駕駛感知棧中，將激光雷達(dá)點(diǎn)云投影到圖像平面后出現(xiàn)的“空心”像素通常采用A.最近鄰填充??B.雙線性插值??C.深度補(bǔ)全網(wǎng)絡(luò)??D.形態(tài)學(xué)閉運(yùn)算答案：C解析：深度補(bǔ)全網(wǎng)絡(luò)可學(xué)習(xí)語(yǔ)義與幾何一致填充。14.若某模型參數(shù)量為7B，使用16位浮點(diǎn)存儲(chǔ)，則全參數(shù)微調(diào)時(shí)AdamW的顯存占用約為A.14GB??B.28GB??C.42GB??D.56GB答案：D解析：參數(shù)14GB+梯度14GB+Adam動(dòng)量28GB=56GB。15.在推薦系統(tǒng)冷啟動(dòng)階段，最能緩解曝光偏差的技術(shù)是A.逆傾向評(píng)分??B.深度交叉網(wǎng)絡(luò)??C.多任務(wù)學(xué)習(xí)??D.自監(jiān)督預(yù)訓(xùn)練答案：A解析：IPS直接對(duì)曝光概率加權(quán)，理論上無(wú)偏。16.下列關(guān)于VisionTransformer中classtoken的敘述正確的是A.必須與patchtoken拼接后一起送入最后一層LNB.在DeiT蒸餾框架中可被蒸餾token替代C.在CaiT中被移至深層以加速訓(xùn)練D.在SwinTransformer中繼續(xù)使用答案：B解析：DeiT引入distillationtoken，可與classtoken并行。17.在聯(lián)邦學(xué)習(xí)中，若客戶端數(shù)據(jù)非獨(dú)立同分布，則下列聚合策略最能緩解模型發(fā)散A.FedAvg??B.FedProx??C.FedNova??D.SCAFFOLD答案：D解析：SCAFFOLD使用控制變量修正本地更新，適合非IID。18.在擴(kuò)散模型采樣階段，使用DDIM采樣50步相比DDPM采樣1000步，F(xiàn)ID的變化趨勢(shì)是A.一定下降??B.一定上升??C.可能上升也可能下降??D.不變答案：C解析：DDIM為確定性采樣，步數(shù)減少可能犧牲質(zhì)量，但調(diào)η可平衡。19.在Python中，下列代碼運(yùn)行后變量a的值為```pythona=np.array([1,2,3])b=aa=a+1```A.[1,2,3]??B.[2,3,4]??C.[1,2,3]且b為[2,3,4]??D.[2,3,4]且b為[1,2,3]答案：A解析：a+1創(chuàng)建新對(duì)象，a指向新數(shù)組，原b仍指向舊數(shù)組。20.在深度強(qiáng)化學(xué)習(xí)分布式訓(xùn)練框架SeedRL中，下列模塊運(yùn)行在TPU上的是A.Actor??B.Learner??C.ReplayBuffer??D.Environment答案：B解析：Learner在TPU做批量更新，Actor在CPU/GPU做環(huán)境交互。21.在CLIP模型中，文本最大序列長(zhǎng)度77是指A.WordPiece子詞數(shù)??B.字節(jié)對(duì)編碼后token數(shù)C.空格分詞后單詞數(shù)??D.UTF8字符數(shù)答案：B解析：CLIP使用BPE，最大77個(gè)token。22.若將ResNet50的Bottleneck中3×3卷積替換為深度可分離卷積，則參數(shù)量約A.不變??B.減少1/2??C.減少1/3??D.減少1/9答案：D解析：3×3參數(shù)量由C×C×9變?yōu)镃×1×9，減少約1/9。23.在PyTorch中，下列操作可真正實(shí)現(xiàn)原地修改的是A.tensor.add_(1)??B.tensor=tensor+1C.tensor+=1??D.tensor.copy_(tensor+1)答案：A解析：add_為原地操作，+創(chuàng)建新對(duì)象。24.在語(yǔ)音識(shí)別CTC損失中，空白標(biāo)簽的作用是A.對(duì)齊重復(fù)字符??B.表示靜音幀??C.分隔不同說(shuō)話人??D.替代unk答案：A解析：CTC用空白吸收重復(fù)幀，實(shí)現(xiàn)單調(diào)對(duì)齊。25.在StableDiffusion中，將VAE編碼器下采樣倍數(shù)從8改為4，則潛在空間分辨率A.翻倍??B.減半??C.不變??D.變?yōu)?/4答案：A解析：下采樣倍數(shù)減小，潛在圖尺寸翻倍。26.在推薦系統(tǒng)多任務(wù)學(xué)習(xí)中，MMoE與SharedBottom相比，主要改進(jìn)是A.引入門控網(wǎng)絡(luò)??B.使用注意力機(jī)制??C.加入殘差連接??D.采用NAS搜索答案：A解析：MMoE用門控動(dòng)態(tài)加權(quán)專家子網(wǎng)絡(luò)。27.在目標(biāo)檢測(cè)YOLOv8中，取消Anchor后，正樣本匹配策略采用A.IoU閾值??B.中心點(diǎn)距離??C.TaskAligned??D.ATSS答案：C解析：YOLOv8使用TaskAligned動(dòng)態(tài)匹配。28.在GAN訓(xùn)練中出現(xiàn)模式崩塌時(shí)，下列指標(biāo)最先異常的是A.FID??B.IS??C.Precision??D.Recall答案：D解析：Recall對(duì)多樣性敏感，崩塌時(shí)驟降。29.在神經(jīng)網(wǎng)絡(luò)剪枝中，下列方法屬于非結(jié)構(gòu)化剪枝的是A.通道剪枝??B.濾波器剪枝??C.權(quán)重幅值剪枝??D.塊剪枝答案：C解析：權(quán)重級(jí)剪枝無(wú)結(jié)構(gòu)約束。30.在LLM推理加速框架vLLM中，實(shí)現(xiàn)連續(xù)批處理的關(guān)鍵技術(shù)是A.PagedAttention??B.DynamicAxes??C.TensorParallel??D.PipelineParallel答案：A解析：PagedAttention將KV緩存分塊，支持動(dòng)態(tài)插入。二、多項(xiàng)選擇題（每題2分，共20分。每題有兩個(gè)或兩個(gè)以上正確答案，多選、少選、錯(cuò)選均不得分）31.下列關(guān)于自注意力機(jī)制計(jì)算復(fù)雜度的敘述正確的有A.標(biāo)準(zhǔn)點(diǎn)積注意力為O(n2d)??B.線性注意力可降至O(nd2)C.FlashAttention通過(guò)分塊降低顯存但計(jì)算量不變??D.SparseAttention可降低FLOPs答案：ABCD解析：A經(jīng)典結(jié)論；B線性注意力改寫為(QK^T)V→Q(K^TV)；CFlashAttention僅優(yōu)化IO；DSparse跳過(guò)部分計(jì)算。32.在StableDiffusion訓(xùn)練階段，下列損失函數(shù)曾被采用過(guò)的有A.MSE??B.LPIPS??C.KL正則??D.ScoreMatching答案：ACD解析：原始DDPM用MSE；KL正則約束VAE潛在；ScoreMatching為擴(kuò)散本質(zhì)。33.下列技術(shù)可有效緩解LLM幻覺(jué)（hallucination）的有A.RetrievalAugmentedGeneration??B.ChainofThoughtFinetuningC.ConstitutionalAI??D.TemperatureScaling答案：ABC解析：TemperatureScaling僅調(diào)隨機(jī)性，不糾正事實(shí)。34.在PyTorch中，下列操作會(huì)觸發(fā)CUDAkernel同步的有A.tensor.item()??B.tensor.cpu()??C.print(tensor)??D.tensor.nonzero()答案：ABC解析：nonzero異步返回，不立即同步。35.下列關(guān)于混合專家模型（MoE）的描述正確的有A.SwitchTransformer采用Top1路由??B.GShard使用專家并行C.專家容量因子過(guò)大會(huì)導(dǎo)致負(fù)載不均??D.基座模型參數(shù)量隨專家數(shù)線性增加答案：AB解析：容量因子過(guò)大浪費(fèi)計(jì)算；基座共享，參數(shù)量次線性。36.在自動(dòng)駕駛感知中，多幀融合策略包括A.3D卷積??B.遞歸神經(jīng)網(wǎng)絡(luò)??C.注意力時(shí)序融合??D.卡爾曼濾波答案：ABCD解析：四者均用于時(shí)序融合。37.下列屬于擴(kuò)散模型加速采樣算法的有A.DDIM??B.DPMSolver??C.UniPC??D.EDM答案：ABC解析：EDM為訓(xùn)練框架，非采樣算法。38.在聯(lián)邦學(xué)習(xí)中，下列攻擊屬于模型投毒的有A.標(biāo)簽翻轉(zhuǎn)??B.添加隨機(jī)噪聲??C.放大梯度??D.成員推理答案：AC解析：隨機(jī)噪聲為數(shù)據(jù)投毒；成員推理為隱私攻擊。39.下列關(guān)于VisionTransformer自監(jiān)督預(yù)訓(xùn)練方法的有A.MAE??B.MoCov3??C.DINO??D.BEiT答案：ABCD解析：四者均為ViT自監(jiān)督方法。40.在LLM量化中，下列技術(shù)可實(shí)現(xiàn)權(quán)重激活同時(shí)量化的有A.GPTQ??B.SmoothQuant??C.LLM.int8()??D.AWQ答案：BC解析：GPTQ/AWQ僅權(quán)重量化；SmoothQuant聯(lián)合量化；LLM.int8()支持混合。三、判斷題（每題1分，共10分。正確打“√”，錯(cuò)誤打“×”）41.在Transformer中，Attention的softmax輸出對(duì)QK^T的梯度恒為半正定矩陣。答案：×解析：梯度矩陣對(duì)稱但非半正定。42.使用梯度累積時(shí)，等效批量大小=微批量×累積步數(shù)。答案：√43.在DDPM中，擴(kuò)散過(guò)程q(x_t|x_0)的方差schedule可學(xué)習(xí)。答案：√解析：ImprovedDDPM提出可學(xué)習(xí)方差。44.在PyTorch中，torch.no_grad()會(huì)關(guān)閉Autograd引擎，因此無(wú)法計(jì)算梯度。答案：√45.在目標(biāo)檢測(cè)中，mAP@0.5一定大于mAP@0.5:0.95。答案：×解析：后者平均更多IoU閾值，通常更小。46.在聯(lián)邦學(xué)習(xí)中，SecureAggregation可防止服務(wù)器看到單個(gè)客戶端梯度。答案：√47.使用LoRA微調(diào)時(shí)，秩r越大，可訓(xùn)練參數(shù)量越少。答案：×解析：r越大參數(shù)量越多。48.在擴(kuò)散模型中，DDIM采樣路徑確定，因此隨機(jī)種子不影響生成結(jié)果。答案：√49.在LLM推理中，KV緩存占用顯存與序列長(zhǎng)度平方成正比。答案：×解析：與長(zhǎng)度線性關(guān)系。50.在GAN中，判別器損失越低，生成器性能一定越好。答案：×解析：判別器過(guò)強(qiáng)導(dǎo)致梯度消失。四、填空題（每空2分，共20分）51.在PyTorch中，將模型移至GPU的函數(shù)是`.to('______')`。答案：cuda52.Transformer中MultiHeadAttention的head維度d_k通常等于______。答案：d_model/num_heads53.在StableDiffusion中，文本編碼器CLIP的嵌入維度為______。答案：76854.在LLM推理加速中，______Attention將KV緩存分塊管理，實(shí)現(xiàn)連續(xù)批處理。答案：Paged55.在聯(lián)邦學(xué)習(xí)框架FedAvg中，本地epoch數(shù)增大，模型收斂速度會(huì)______（加快/減慢）。答案：減慢（非IID時(shí)）56.在目標(biāo)檢測(cè)COCO評(píng)價(jià)中，APsmall指面積小于______像素2。答案：322=102457.在擴(kuò)散模型中，ScoreMatching的目標(biāo)是學(xué)習(xí)______的梯度。答案：對(duì)數(shù)概率密度58.在LLM量化中，SmoothQuant將難度從______端遷移到權(quán)重端。答案：激活59.在自動(dòng)駕駛數(shù)據(jù)集nuScenes中，激光雷達(dá)點(diǎn)云頻率為______Hz。答案：2060.在VisionTransformer中，位置編碼的維度與______維度相同。答案：patchembedding五、簡(jiǎn)答題（每題10分，共30分）61.描述FlashAttention的核心思想及其在LLM訓(xùn)練中的優(yōu)勢(shì)，并給出復(fù)雜度對(duì)比。答案：FlashAttention通過(guò)分塊（tiling）將Attention的softmax操作拆解為塊級(jí)計(jì)算，避免實(shí)例化完整的n×n注意力矩陣，將顯存復(fù)雜度從O(n2)降至O(n)，計(jì)算復(fù)雜度保持O(n2d)但大幅減少GPUHBM訪問(wèn)。優(yōu)勢(shì)：1.顯存節(jié)省使得長(zhǎng)序列訓(xùn)練可行，如4k→64k；2.計(jì)算強(qiáng)度提高，更好地利用TensorCore，實(shí)測(cè)提速2?4×；3.無(wú)需近似，數(shù)值與標(biāo)準(zhǔn)Attention等價(jià)。復(fù)雜度：標(biāo)準(zhǔn)Attention顯存O(n2)，F(xiàn)lashAttention顯存O(n)，計(jì)算FLOPs不變。62.解釋LoRA的低秩假設(shè)在Transformer全連接層中的物理意義，并推導(dǎo)參數(shù)量壓縮比公式。答案：低秩假設(shè)認(rèn)為權(quán)重更新ΔW位于低維子空間，即ΔW∈R^{d×k}可分解為BA，B∈R^{d×r},A∈R^{r×k},r?min(d,k)。物理意義：大模型微調(diào)僅需調(diào)整少量“方向”，其余由預(yù)訓(xùn)練權(quán)重凍結(jié)。壓縮比：原參數(shù)量dk，LoRA參數(shù)量(d+k)r，壓縮比ρ=dk/((d+k)r)。當(dāng)d=k=1024,r=16時(shí)，ρ≈32。63.給出聯(lián)邦學(xué)習(xí)場(chǎng)景下“梯度反轉(zhuǎn)攻擊”的具體步驟，并提出兩種防御方案。答案：步驟：1.服務(wù)器發(fā)送當(dāng)前全局模型w_t給客戶端；2.客戶端計(jì)算本地梯度g_i并回傳；3.服務(wù)器收集多個(gè)梯度，構(gòu)建優(yōu)化問(wèn)題min‖∑α_ig_i??L(w_t,D')‖，通過(guò)迭代更新偽數(shù)據(jù)D'；4.最終恢復(fù)出近似原始數(shù)據(jù)。防御：1.梯度壓縮+添加隨機(jī)噪聲，使優(yōu)化問(wèn)題不可解；2.使用SecureAggregation，服務(wù)器僅見(jiàn)聚合梯度，無(wú)法單獨(dú)獲得g_i。六、編程與計(jì)算題（每題15分，共30分）64.閱讀下列PyTorch代碼，補(bǔ)全空缺部分，實(shí)現(xiàn)帶RoPE的MultiHeadAttention前向過(guò)程，要求支持旋轉(zhuǎn)位置編碼的復(fù)數(shù)形式。```pythonimporttorch,mathclassRoPEAttention(torch.nn.Module):def__init__(self,d_model,n_head,max_len=2048):super().__init__()self.n_head=n_headself.d_k=d_model//n_headself.scale=math.sqrt(self.d_k)self.qkv=torch.nn.Linear(d_model,3d_model)self.out=torch.nn.Linear(d_model,d_model)inv_freq=1.0/(10000(torch.arange(0,self.d_k,2).float()/self.d_k))self.register_buffer('inv_freq',inv_freq)[d_k/2]defrotate(self,x,seq_len):x:[batch,seq_len,n_head,d_k]t=torch.arange(seq_len,device=x.device).type_as(self.inv_freq)[seq_len]freqs=torch.outer(t,self.inv_freq)[seq_len,d_k/2]freqs_cis=torch.polar(torch.ones_like(freqs),freqs)