2025专业技术人员继续教育人工智能通识与实践(理工版)试题及答案

2025专业技术人员继续教育人工智能通识与实践(理工版)试题及答案一、单项选择题（每题2分，共30分）1.在PyTorch中，以下哪段代码可以正确地把模型迁移到GPU并验证设备？A.model.to('gpu');print(next(model.parameters()).is_cuda)B.model.cuda();assertnext(model.parameters()).device.type=='cuda'C.model.gpu();print(torch.cuda.is_available())D.model.to(torch.device('gpu:0'));print(model.is_cuda)答案：B解析：model.cuda()是官方推荐写法，且参数张量的device.type可准确判断是否在CUDA上。2.某Transformer编码器层隐藏维度为768，注意力头数为12，则每个头的维度为A.64 B.56 C.128 D.768答案：A解析：768÷12=64，符合多头注意力切分规则。3.在联邦学习场景下，客户端上传的参数是A.原始训练数据 B.本地模型梯度或权重 C.测试集准确率 D.损失函数值答案：B解析：联邦学习遵循“数据不动模型动”原则，仅交换模型参数或梯度。4.使用混合精度训练时，损失缩放（lossscaling）主要解决A.显存不足 B.下溢（underflow） C.上溢（overflow） D.通信延迟答案：B解析：FP16下梯度容易下溢，乘以scale因子后回传再缩放可缓解。5.在目标检测任务中，YOLOv8的“anchor-free”机制是指A.不使用先验框 B.使用可学习锚框 C.使用固定锚框 D.使用k-means聚类锚框答案：A解析：YOLOv8改为基于中心点与宽高直接预测，无需预设锚框。6.下列关于A搜索算法的评估函数f(n)=g(n)+h(n)说法正确的是A.h(n)必须大于真实代价 B.g(n)表示从起点到n的真实代价 C.f(n)一定单调递增 D.h(n)允许高估答案：B解析：g(n)为已发生代价，h(n)为启发式估计，若h(n)可采纳（不高估）则A保证最优。7.在深度强化学习中，DDPG算法包含四个网络，其中“目标网络”的作用是A.计算策略梯度 B.稳定训练目标 C.降低环境方差 D.增加探索答案：B解析：目标网络通过慢速更新减少Q值震荡，提升稳定性。8.若某卷积层输入为1×3×224×224，卷积核64个3×3，padding=1，stride=2，则输出特征图尺寸为A.64×112×112 B.1×64×112×112 C.64×224×224 D.1×64×224×224答案：B解析：N×C×H×W，H_out=(224+2×1−3)/2+1=112。9.在知识蒸馏中，温度参数T升高会导致softmax分布A.更尖锐 B.更均匀 C.不变 D.先尖锐后均匀答案：B解析：T越大，logits差异被缩小，分布更平滑。10.下列哪项不是大模型“涌现能力”的典型表现A.上下文学习 B.指令跟随 C.参数随机初始化 D.思维链推理答案：C解析：随机初始化是训练起点，与涌现无关。11.在ROS2中，节点间通信默认使用A.TCPROS B.DDS C.ZeroMQ D.gRPC答案：B解析：ROS2底层采用DDS（数据分发服务）协议。12.若某FP32模型大小为120MB，将其权重量化为INT8后，理论上模型大小约为A.120MB B.60MB C.30MB D.15MB答案：C解析：INT8为1字节，FP32为4字节，120÷4=30MB。13.在VisionTransformer中，位置编码通常采用A.可学习1D向量 B.固定2D正弦 C.相对位置偏置 D.无需位置编码答案：A解析：ViT默认使用可学习绝对位置编码，长度等于patch数+1（clstoken）。14.下列关于生成对抗网络（GAN）损失函数说法正确的是A.判别器损失为交叉熵 B.生成器损失为均方误差 C.两者均使用KL散度 D.生成器最大化log(D(G(z)))答案：A解析：判别器常用BCELoss，生成器最小化log(1−D(G(z)))或最大化logD(G(z))。15.在MLOps流水线中，模型漂移监控主要关注A.代码版本 B.数据分布变化 C.超参数变化 D.随机种子答案：B解析：数据漂移或概念漂移导致模型效果下降，需实时报警。二、多项选择题（每题3分，共30分；多选少选均不得分）16.以下哪些技术可有效缓解深度网络过拟合A.DropBlock B.LabelSmoothing C.EarlyStopping D.增加学习率 E.权重衰减答案：A、B、C、E解析：增大学习率可能加剧过拟合。17.关于自注意力机制，下列说法正确的是A.计算复杂度与序列长度呈二次关系 B.可并行计算 C.需要额外位置编码 D.对长序列友好 E.可捕获全局依赖答案：A、B、C、E解析：长序列显存占用高，需稀疏或线性变体。18.在模型压缩领域，以下属于“结构化剪枝”策略的是A.通道剪枝 B.神经元剪枝 C.层级剪枝 D.权重矩阵低秩分解 E.非结构化剪枝答案：A、B、C解析：低秩分解属于矩阵分解，非结构化剪枝产生稀疏矩阵。19.联邦学习面临的主要安全威胁包括A.模型投毒 B.成员推理 C.梯度泄露 D.拜占庭攻击 E.数据投毒答案：A、B、C、D、E解析：五类攻击均存在，需安全聚合与差分隐私防护。20.下列属于大模型高效微调技术的是A.LoRA B.AdaLoRA C.PrefixTuning D.BitFit E.FullFine-tuning答案：A、B、C、D解析：FullFine-tuning训练成本高，不属于“高效”范畴。21.在ROS2中，以下关于Launch文件描述正确的是A.支持Python编写 B.可加载参数文件 C.可组合多个节点 D.仅支持XML格式 E.可设置重映射规则答案：A、B、C、E解析：Launch支持Python、XML、YAML三种格式。22.关于A算法，满足哪些条件时可保证找到最优解A.启发函数可采纳 B.启发函数一致 C.搜索空间有限 D.使用闭集 E.启发函数单调答案：A、B、D、E解析：可采纳且一致（单调）即可保证最优。23.在深度强化学习中，以下属于“on-policy”算法的是A.PPO B.TRPO C.DDPG D.A3C E.SAC答案：A、B、D解析：DDPG与SAC为off-policy。24.以下哪些指标可用于评估生成图像质量A.FID B.IS C.LPIPS D.SSIM E.perplexity答案：A、B、C、D解析：perplexity用于语言模型。25.在MLOps中，FeatureStore的核心功能包括A.特征版本管理 B.在线/离线一致性保障 C.自动特征选择 D.特征共享与复用 E.实时特征回填答案：A、B、D、E解析：自动特征选择属于AutoML范畴。三、判断题（每题1分，共10分；正确打“√”，错误打“×”）26.Transformer解码器在训练阶段可以并行计算。答案：√解析：训练时目标序列已知，可一次并行输入，推理时只能自回归。27.使用ReLU激活一定不会发生梯度消失。答案：×解析：负区间梯度为0，可能导致“神经元死亡”。28.模型参数量越大，推理延迟一定越高。答案：×解析：可通过并行、量化、稀疏化降低延迟。29.联邦平均算法（FedAvg）中，客户端本地迭代次数越多，通信轮次可减少。答案：√解析：增加本地epoch降低通信频率，但可能损害收敛。30.VisionTransformer的PatchEmbedding可用卷积实现。答案：√解析：16×16卷积等价于线性投影。31.在GAN训练初期，将判别器训练得过于强大，会导致生成器梯度消失。答案：√解析：判别器过强，生成器梯度趋近0。32.使用混合精度训练时，PyTorch的GradScaler需要手动缩放梯度。答案：×解析：scale由GradScaler自动完成，反向传播后自动unscale。33.知识图谱中，RDF三元组的主语、谓词、宾语均必须是URI。答案：×解析：宾语可以是字面量（literal）。34.在深度Q网络中，经验回放池越大，算法越稳定。答案：√解析：大容量降低样本相关性，但需权衡内存。35.ROS2的节点生命周期（LifecycleNode）支持有序启动与关闭。答案：√解析：LifecycleNode提供Configure、Activate等状态机。四、填空题（每空2分，共20分）36.在PyTorch中，若需冻结BN层的运行均值和方差，应设置______。答案：bn.track_running_stats=False（或eval模式）37.VisionTransformer将224×224图像切分成16×16patch，可得______个token（含cls）。答案：197解析：(224/16)^2+1=14×14+1=197。38.若学习率调度器为CosineAnnealingLR，初始lr=0.1，T_max=100，则第50个epoch的lr为______。答案：0.05解析：cosine下降，中间值为0.1×0.5×(1+cos(π×50/100))=0.05。39.在TensorRT中，______层可以实现INT8量化中的动态范围校准。答案：Calibration40.联邦学习安全聚合协议SecAgg中，每轮通信前客户端需上传______加密份额，用于掩码聚合。答案：秘密共享（或Shamirshare）41.若某卷积层权重形状为[64,3,7,7]，使用组卷积groups=32，则每组卷积核数为______。答案：2解析：64÷32=2。42.在DDPG中，目标网络的软更新系数τ通常设为______量级。答案：0.001（或1e-3）43.大模型推理阶段采用______attention可将复杂度从O(n²)降至O(nlogn)。答案：稀疏（或FlashAttention、Linformer）44.在ROS2中，使用______命令可查看当前活跃话题列表。答案：ros2topiclist45.若某FP16矩阵乘法峰值算力为312TFLOPS，FP32为156TFLOPS，则其______比为2:1。答案：格式（或精度）算力五、简答题（每题10分，共30分）46.简述LoRA低秩适配器的核心思想，并说明为何能显著降低大模型微调显存。答案：LoRA在原始线性层旁引入可训练的低秩分解矩阵BA，其中r≪d。前向时h=Wx+BAx，冻结W仅训练B、A。由于r极小，参数量从d×k降至(d+k)×r，梯度与优化器状态仅存储BA，显存占用下降可达90%以上。推理阶段可将BA合并回W，不引入额外延迟。47.列举三种常见的模型漂移监控方法，并给出各自的触发条件。答案：（1）人口稳定指数PSI：将预测概率分箱，计算训练与推理分布差异，PSI>0.2报警；（2）特征均值/方差漂移：实时特征Z-score与参考集差异超±3σ触发；（3）模型性能漂移：滚动窗口内AUC下降超5%或损失上升10%即报警。三种方法可组合使用，兼顾数据与性能维度。48.说明在工业视觉检测场景中，如何用知识蒸馏将大型ViT模型压缩至轻量CNN，并给出训练流程。答案：步骤1：准备Teacher：预训练ViT-L，在产线缺陷数据集微调至95%召回；步骤2：设计Student：MobileNetV3-small，通道数减半；步骤3：蒸馏目标： a.软标签：T=4的softlogits，损失L_soft； b.中间特征：选取ViT第8层patchtoken与MobileNet第6层特征，做L2损失L_feat； c.注意力迁移：将ViT多头注意力图插值到MobileNet空间尺寸，计算L_at；步骤4：总损失=L_hard+0.5×L_soft+0.3×L_feat+0.2×L_at；步骤5：数据增强：Mosaic+RandAugment，提升Student鲁棒性；步骤6：量化感知训练：插入FakeQuant节点，蒸馏完成后做INT8转换；步骤7：产线测试：Student单张推理时间从Teacher的120ms降至18ms，精度下降<1%，满足实时需求。六、综合设计题（30分）49.某市智慧交通项目需实时检测路面抛洒物，摄像头1080p@30fps，边缘计算盒为JetsonOrinNano（算力40TOPS，显存8GB）。请设计一套“云-边-端”协同方案，包括模型选型、压缩策略、联邦更新机制、MLOps流水线，并给出性能指标与成本评估。答案：1.需求分析： •类别：抛洒物（纸箱、渣土、轮胎碎片）+背景； •延迟：端到端<200ms； •准确率：mAP>0.85，误报<1次/小时； •数据隐私：路段视频不离开本地。2.模型选型： •边缘端：YOLOv8-n（参数量3.2M，FP16推理18ms）； •云端：YOLOv8-x（参数量68M）做主动学习与难例挖掘。3.压缩策略： •量化：边缘端PTQINT8，模型大小降至1.6MB，推理12ms，mAP下降0.5%； •剪枝：结构化通道剪枝30%，再训练20epoch，mAP恢复至原水平； •知识蒸馏：云端YOLOv8-x为Teacher，边缘YOLOv8-n为Student，夜间数据增广蒸馏，提升mAP1.2%。4.联邦更新： •每轮选50%路段客户端，本地训练2epoch，batch=32； •采用FedAvg+差分隐私（ε=3），上传梯度L2范数裁剪