2025年人工智能基礎(chǔ)及應(yīng)用考試試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.在深度學(xué)習(xí)中，下列哪種激活函數(shù)在輸入為0時(shí)導(dǎo)數(shù)最大？A.SigmoidB.TanhC.ReLUD.LeakyReLU答案：C解析：ReLU在x>0時(shí)導(dǎo)數(shù)為1，x≤0時(shí)導(dǎo)數(shù)為0；在x=0處通常約定左導(dǎo)數(shù)為0、右導(dǎo)數(shù)為1，因此“在0點(diǎn)”取右導(dǎo)數(shù)時(shí)其值為1，是四個(gè)選項(xiàng)中最大的。2.聯(lián)邦學(xué)習(xí)框架中，服務(wù)器端聚合本地模型參數(shù)最常用的算法是：A.FedAvgB.FedProxC.SCAFFOLDD.FedNova答案：A解析：FedAvg（FederatedAveraging）由McMahan等人于2016年提出，核心思想是對(duì)客戶端上傳的梯度或參數(shù)進(jìn)行加權(quán)平均，是目前工業(yè)界部署最廣泛、驗(yàn)證最充分的基線算法。3.在VisionTransformer（ViT）中，位置編碼采用二維可學(xué)習(xí)參數(shù)矩陣的主要目的是：A.降低計(jì)算復(fù)雜度B.保留圖像空間結(jié)構(gòu)信息C.增強(qiáng)通道注意力D.減少參數(shù)量答案：B解析：ViT將圖像切塊后拉平為序列，天然丟失空間鄰接關(guān)系；引入二維位置編碼可讓模型隱式感知塊之間的相對(duì)位置，從而保留空間結(jié)構(gòu)。4.下列關(guān)于A搜索算法的描述，正確的是：A.啟發(fā)函數(shù)h(n)允許高估代價(jià)時(shí)仍能保證最優(yōu)解B.當(dāng)h(n)=0時(shí)，A退化為Dijkstra算法C.可容許性指h(n)必須等于真實(shí)代價(jià)D.一致性（單調(diào)性）比可容許性條件更弱答案：B解析：h(n)=0意味著僅依賴已付出的代價(jià)g(n)，此時(shí)A與Dijkstra等價(jià)；可容許性要求h(n)不超過真實(shí)代價(jià)，高估將破壞最優(yōu)性；一致性比可容許性更強(qiáng)。5.在PyTorch中，以下代碼片段執(zhí)行后，張量x的requires_grad屬性為：```pythonx=torch.randn(3,4)x=x.cuda()x.requires_grad_(True)y=x.sum()```A.FalseB.TrueC.報(bào)錯(cuò)D.None答案：B解析：x.requires_grad_(True)原地修改標(biāo)志，隨后y依賴于x，因此x的requires_grad為True。6.在GPT3的175B參數(shù)版本中，采用的主要注意力機(jī)制是：A.稀疏注意力B.局部窗口注意力C.全連接自注意力D.線性注意力答案：C解析：GPT3沿用Transformer解碼器結(jié)構(gòu)，每一層均為全連接自注意力，未引入稀疏化技巧。7.在強(qiáng)化學(xué)習(xí)中，Qlearning與SARSA的根本區(qū)別在于：A.是否使用εgreedy策略B.是否bootstrap下一狀態(tài)的最大Q值C.是否基于模型D.是否offpolicy答案：B解析：Qlearning在更新時(shí)采用max_a'Q(s',a')，屬于offpolicy；SARSA使用實(shí)際執(zhí)行的a'，屬于onpolicy。8.在DiffusionModel訓(xùn)練階段，對(duì)圖像x?施加的噪聲分布通常選擇：A.伯努利噪聲B.椒鹽噪聲C.高斯噪聲D.泊松噪聲答案：C解析：DDPM等系列工作均假設(shè)前向過程q(x_t|x_{t1})為高斯分布，便于推導(dǎo)閉式重參數(shù)化。9.在TensorRT優(yōu)化過程中，下列哪項(xiàng)技術(shù)用于將多個(gè)小kernel融合為單個(gè)大kernel？A.KernelautotuningB.LayerfusionC.DynamictensormemoryD.Precisioncalibration答案：B解析：Layerfusion通過縱向合并逐元素運(yùn)算、激活函數(shù)等，減少顯存往返與kernel啟動(dòng)開銷。10.在CLIP模型中，圖像編碼器與文本編碼器輸出的嵌入向量維度不一致時(shí)，通常采用：A.L2歸一化后直接點(diǎn)積B.額外線性投影至同一維度C.余弦相似度D.拼接后送入MLP答案：B解析：OpenAI官方實(shí)現(xiàn)中，圖像與文本分別投影至相同dim（如512），再做歸一化與點(diǎn)積計(jì)算logit。二、多項(xiàng)選擇題（每題3分，共15分；多選少選均不得分）11.下列哪些技術(shù)可直接用于緩解Transformer在長序列上的二次內(nèi)存開銷？A.LinformerB.PerformerC.ALiBiD.FlashAttention答案：A、B、D解析：Linformer通過低秩投影將K/V壓縮為固定長度；Performer使用FAVOR+近似注意力矩陣；FlashAttention利用分塊與重計(jì)算在GPUSRAM完成softmax，無需存儲(chǔ)O(n2)矩陣；ALiBi僅修改注意力偏置，不降低復(fù)雜度。12.關(guān)于生成對(duì)抗網(wǎng)絡(luò)（GAN）中模式崩塌（modecollapse）現(xiàn)象，正確的描述包括：A.生成器只輸出少數(shù)幾種樣本B.判別器損失快速降至0C.可通過minibatchdiscrimination緩解D.與梯度懲罰無關(guān)答案：A、B、C解析：模式崩塌導(dǎo)致生成多樣性下降；判別器若過度自信，損失趨零；minibatchdiscrimination引入樣本間距離度量；梯度懲罰（WGANGP）通過Lipschitz約束間接緩解崩塌。13.在自動(dòng)駕駛感知系統(tǒng)中，多傳感器融合的前融合（rawdatafusion）相對(duì)后融合（objectlevelfusion）的優(yōu)勢有：A.保留低層互補(bǔ)信息B.對(duì)傳感器時(shí)間同步精度要求更低C.可聯(lián)合優(yōu)化特征提取D.計(jì)算量更小答案：A、C解析：前融合在原始數(shù)據(jù)階段結(jié)合，可挖掘跨模態(tài)細(xì)粒度特征；但需嚴(yán)格時(shí)間同步且計(jì)算量更大；后融合計(jì)算量小、對(duì)同步魯棒。14.以下哪些指標(biāo)可用于評(píng)估多標(biāo)簽分類任務(wù)？A.microF1B.macroF1C.HamminglossD.ROCAUC答案：A、B、C解析：microF1全局統(tǒng)計(jì)TP/FP/FN；macroF1先算每類F1再平均；Hammingloss衡量標(biāo)簽錯(cuò)誤比例；ROCAUC僅適用于二分類或需轉(zhuǎn)化為OnevsRest，不直接體現(xiàn)多標(biāo)簽性能。15.在MLOps實(shí)踐中，實(shí)現(xiàn)“可重復(fù)性”需關(guān)注：A.代碼版本B.隨機(jī)種子C.硬件架構(gòu)D.容器鏡像答案：A、B、D解析：代碼、隨機(jī)種子、環(huán)境鏡像共同決定實(shí)驗(yàn)可復(fù)現(xiàn)；硬件架構(gòu)差異（如GPU型號(hào)）可能導(dǎo)致浮點(diǎn)誤差，但屬于次要因素，通常通過容差解決。三、填空題（每空2分，共20分）16.在ResNet中，恒等映射分支的數(shù)學(xué)表達(dá)式為________。答案：H(x)=F(x)+x解析：殘差塊讓網(wǎng)絡(luò)學(xué)習(xí)殘差F(x)=H(x)?x，緩解梯度消失。17.在PyTorch中，若需將模型所有BN層替換為GN層，可使用函數(shù)`torch.nn.Module.__________`遞歸遍歷子模塊。答案：named_modules解析：named_modules返回迭代器，可逐層判斷并替換。18.在DDPM反向采樣過程中，去噪網(wǎng)絡(luò)預(yù)測的常見目標(biāo)為________噪聲。答案：高斯解析：網(wǎng)絡(luò)ε_(tái)θ(x_t,t)預(yù)測添加到x_t上的高斯噪聲，便于閉式推導(dǎo)。19.在知識(shí)蒸餾中，溫度參數(shù)T→∞時(shí)，softmax輸出分布趨近于________分布。答案：均勻解析：高溫使logit差異縮小，概率趨于均等。20.在AutoML領(lǐng)域，__________算法通過早停與架構(gòu)權(quán)重共享顯著降低搜索成本。答案：ENAS（EfficientNeuralArchitectureSearch）解析：ENAS引入控制器RNN在超網(wǎng)內(nèi)搜索，權(quán)重共享避免從頭訓(xùn)練。21.在NLP評(píng)估中，BLEU4的ngram最大為________。答案：4解析：BLEUn表示取1~n元精度加權(quán)幾何平均。22.在PyTorchLightning中，訓(xùn)練步返回字典需包含鍵________以支持自動(dòng)反向。答案：loss解析：框架通過字典中l(wèi)oss鍵觸發(fā)backward。23.在AlphaGoZero中，MCTS模擬采用神經(jīng)網(wǎng)絡(luò)輸出的________與________作為先驗(yàn)概率與價(jià)值估計(jì)。答案：(P(s,a),V(s))解析：網(wǎng)絡(luò)雙頭輸出策略P與價(jià)值V，指導(dǎo)樹搜索。24.在模型壓縮技術(shù)中，__________量化將權(quán)重矩陣W分解為標(biāo)量α與二值矩陣B。答案：BinaryConnect解析：W≈αB，B∈{?1,+1}，顯著降低存儲(chǔ)。25.在CV領(lǐng)域，__________損失函數(shù)通過增大類間距離、減小類內(nèi)距離提升人臉識(shí)別精度。答案：ArcFace解析：ArcFace在角度空間加margin，增強(qiáng)判別性。四、判斷題（每題1分，共10分；正確打“√”，錯(cuò)誤打“×”）26.在Transformer中，點(diǎn)積注意力除以√d_k是為了防止softmax梯度消失。答案：√解析：當(dāng)d_k較大時(shí)點(diǎn)積方差增大，導(dǎo)致softmax進(jìn)入飽和區(qū)，梯度趨零。27.使用GroupNorm時(shí)，批量大小可以設(shè)置為1而不影響訓(xùn)練穩(wěn)定性。答案：√解析：GN沿通道分組計(jì)算統(tǒng)計(jì)量，與batchsize無關(guān)。28.在YOLOv8中，AnchorFree設(shè)計(jì)意味著完全不需要先驗(yàn)框。答案：×解析：YOLOv8仍隱含“錨點(diǎn)”概念，只是將錨框尺寸隱式編碼到網(wǎng)絡(luò)預(yù)測中，無需手工預(yù)設(shè)。29.在GPT系列中，LayerNorm位于注意力子層之后、殘差連接之前。答案：×解析：PreNorm結(jié)構(gòu)將LayerNorm置于子層之前，PostNorm才置于之后；GPT3采用PreNorm。30.在聯(lián)邦學(xué)習(xí)中，客戶端數(shù)據(jù)NonIID會(huì)導(dǎo)致全局模型收斂速度下降。答案：√解析：數(shù)據(jù)分布偏移增加客戶端漂移（clientdrift），需更多輪次或算法修正。31.在DiffusionModel中，增加擴(kuò)散步數(shù)T一定能提升生成質(zhì)量。答案：×解析：T過大導(dǎo)致離散化誤差累積，且采樣耗時(shí)增加，需權(quán)衡。32.在PyTorch中，torch.no_grad()上下文內(nèi)創(chuàng)建的張量默認(rèn)requires_grad=False。答案：√解析：no_grad屏蔽自動(dòng)求導(dǎo)，新張量不加入計(jì)算圖。33.在強(qiáng)化學(xué)習(xí)策略梯度定理中，基線函數(shù)b(s)必須與動(dòng)作無關(guān)才能保證無偏性。答案：√解析：基線僅依賴狀態(tài)，不改變策略梯度期望，但能減小方差。34.在VisionTransformer中，降低PatchSize會(huì)線性增加計(jì)算復(fù)雜度。答案：×解析：序列長度N≈(H/p)(W/p)，注意力復(fù)雜度O(N2d)，故p減半→N增四倍，復(fù)雜度平方級(jí)增長。35.在模型服務(wù)冷啟動(dòng)階段，TensorRT引擎序列化文件可跨不同GPU架構(gòu)直接復(fù)用。答案：×解析：引擎含硬件特定優(yōu)化，跨架構(gòu)需重新build。五、簡答題（每題8分，共24分）36.描述MaskedAutoencoding（MAE）在視覺自監(jiān)督中的核心思想，并說明其為何采用極高掩碼率（如75%）仍能有效重建。答案：MAE將圖像切塊后隨機(jī)掩碼大部分patch（75%），編碼器僅對(duì)可見patch計(jì)算特征，解碼器為輕量級(jí)Transformer，輸入為可見特征+掩碼token，輸出全部patch像素。高掩碼率迫使編碼器學(xué)習(xí)高層語義而非局部紋理；冗余的圖像信息使少量可見塊即可推斷整體結(jié)構(gòu)；同時(shí)減少預(yù)訓(xùn)練計(jì)算量，提升擴(kuò)展性。實(shí)驗(yàn)表明，75%掩碼率在ImageNet1K線性探測達(dá)最優(yōu)精度。37.對(duì)比分析LoRA與Adapter在大型語言模型參數(shù)高效微調(diào)中的差異，并給出顯存占用估算公式。答案：LoRA在原始權(quán)重旁引入低秩分解ΔW=BA，訓(xùn)練時(shí)凍結(jié)W，僅優(yōu)化B∈?^(r×k)、A∈?^(d×r)，參數(shù)量≈2×d×r；Adapter在FFN后插入bottleneckMLP（downproj+upproj），參數(shù)量≈2×d×m（m為bottleneck寬度）。顯存占用：LoRA：Activations同全量微調(diào)，但無W梯度，顯存節(jié)省≈(d×k?2×d×r)×bytes；Adapter：新增激活需緩存，顯存增加≈2×b×s×m×bytes（b=batch，s=seqlen）。LoRA推理可將BA合并至W，零額外延遲；Adapter需額外前向，延遲+5%~10%。38.解釋StableDiffusion中“ClassifierFreeGuidance”原理，并推導(dǎo)采樣階段條件與無條件得分估計(jì)的融合公式。答案：ClassifierFreeGuidance同時(shí)訓(xùn)練條件與無條件擴(kuò)散模型，令網(wǎng)絡(luò)ε_(tái)θ(x_t,c)與ε_(tái)θ(x_t,?)共享參數(shù)，僅在輸入層面將條件c替換為空集token?。采樣時(shí)，將預(yù)測噪聲修正為：ε?=ε_(tái)θ(x_t,?)+s·(ε_(tái)θ(x_t,c)?ε_(tái)θ(x_t,?))其中s為guidancescale（s=1即標(biāo)準(zhǔn)條件生成，s>1增強(qiáng)條件一致性）。該公式無需額外分類器，避免外部分類器梯度估計(jì)噪聲，提升圖文對(duì)齊與生成質(zhì)量。六、計(jì)算與推導(dǎo)題（共31分）39.（10分）給定一個(gè)4×4單通道圖像I，采用2×2最大池化，步長為2，寫出輸出特征圖，并計(jì)算其基于輸入的梯度?L/?I，已知輸出位置(0,0)的梯度為1，其余為0。輸入：I=[[1,3,2,4],[5,7,6,8],[9,11,10,12],[13,15,14,16]]答案：輸出O：[[7,8],[15,16]]梯度?L/?I：[[0,0,0,0],[0,1,0,0],[0,0,0,0],[0,0,0,0]]解析：最大池化僅將最大值位置梯度回傳，其余置零。40.（10分）考慮一個(gè)三分類Softmax回歸，權(quán)重矩陣W∈?^(3×2)，偏置b=[0,0,0]?，輸入x=[2,?1]?。已知：W=[[1,2],[3,?1],[0,0]]求：(1)未歸一化logitz=Wx+b；(2)Softmax概率p；(3)交叉熵?fù)p失（真實(shí)標(biāo)簽y=1，onehot形式）。答案：(1)z=[0,7,0]?(2)p=[e^0,e^7,e^0]/(1+e^7+1)≈[0.00091,0.99818,0.00091](3)L=?logp_1≈?log(0.99818)≈0.00182解析：按定義逐步計(jì)算即可。41.（11分）在DDPM中，給定前向過程方差調(diào)度β_t=0.1+0.0001t，t=1…1000，推導(dǎo)α_t=1?β_t，并計(jì)算ˉα_t=∏_{i=1}^tα_i。(1)寫出ˉα_t的遞推公式；(2)計(jì)算t=100時(shí)的ˉα_100（保留四位小數(shù)）；(3)說明ˉα_t→0的物理意義。答案：(1)ˉα_t=ˉα_{t?1}·α_t，初始ˉα_0=1(2)β_t=0.1+0.0001t，α_t=0.9?0.0001t；ˉα_100=∏_{t=1}^{100}(0.9?0.0001t)取對(duì)數(shù)：logˉα_100=Σ_{t=1}^{100}log(0.9?0.0001t)數(shù)值計(jì)算得ˉα_100≈0.000045(3)ˉα_t→0意味著x_t幾乎完全變?yōu)榧冊(cè)肼?，反向過程需從白噪聲重建圖像，對(duì)應(yīng)擴(kuò)散步數(shù)足夠大時(shí)信息幾乎被抹去。七、綜合設(shè)計(jì)題（共30分）42.某市交通管理局?jǐn)M基于視覺大模型構(gòu)建“路側(cè)違停識(shí)別”系統(tǒng)，要求：(1)24小時(shí)連續(xù)工作，單路攝像頭日均過車1萬輛；(2)檢測+車牌識(shí)別端到端延遲<200msonRTX3060；(3)訓(xùn)練數(shù)據(jù)僅10萬張白天清晰圖，需適應(yīng)夜間、雨霧等場景；(4)模型更新周期≤1周，不能上傳原始視頻至云端。請(qǐng)給出完整技術(shù)方案，含：A.數(shù)據(jù)增強(qiáng)與自監(jiān)督策略（6分）B.