2025中学生人工智能知识应用竞赛试卷及参考答案

2025中学生人工智能知识应用竞赛试卷及参考答案一、单项选择（每题2分，共20分）1.在卷积神经网络中，若输入图像尺寸为224×224×3，使用32个5×5的卷积核，步长为1，零填充为2，则输出特征图的宽为A.220 B.222 C.224 D.226答案：C解析：输出宽=(输入宽+2×填充−核宽)/步长+1=(224+4−5)/1+1=224。2.下列Python代码片段中，哪一行会导致模型在GPU上训练时显存持续增长？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项在计算图中引入恒等附加节点，导致反向传播时缓存不释放，显存泄漏。3.在StableDiffusion中，文本引导生成图像的关键组件是A.VAE解码器 B.UNet噪声预测网络 C.CLIP文本编码器 D.DDIM调度器答案：C解析：CLIP将提示词映射到共享语义空间，为UNet提供条件向量。4.联邦学习场景下，客户端上传的梯度被恶意替换为全零向量，这种攻击称为A.模型投毒 B.梯度泄露 C.拜占庭攻击 D.成员推理答案：C解析：拜占庭攻击指任意错误/恶意参数破坏聚合，全零梯度即典型实例。5.在Transformer自注意力中，Q与K^T相乘后除以√d_k的主要目的是A.加速计算 B.防止梯度消失 C.抑制softmax饱和 D.增强稀疏性答案：C解析：防止点积过大使softmax进入饱和区，梯度趋零。6.使用LoRA微调LLM时，若原矩阵W∈R^(1024×4096)，秩r=16，则新增参数量为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时，若INT8量化后mAP下降0.8%，最可能原因是A.校准数据集不足 B.BatchNorm折叠失败 C.未使用TensorRT D.未开启DLP答案：A解析：校准集过小导致激活值范围估计偏差，INT8缩放因子失准。8.下列哪种数据增强策略对提升MNIST手写数字鲁棒性最无效？A.随机旋转±30° B.CutMix C.高斯噪声σ=0.1 D.随机擦除答案：B解析：CutMix将图像块拼接，对背景简单的MNIST引入无关干扰，收益最低。9.在深度强化学习中，使用DoubleDQN主要是为了缓解A.环境非平稳 B.过估计偏差 C.样本相关性 D.稀疏奖励答案：B解析：DoubleDQN解耦动作选择与评估，减少Q值过估计。10.若将BERTbase的激活函数从GELU替换为ReLU，模型参数量A.增加 B.减少 C.不变 D.先减后增答案：C解析：激活函数无参数，仅计算方式改变。二、不定项选择（每题3分，共15分，多选少选均不得分）11.关于DiffusionModel的DDPM，下列说法正确的是A.前向过程为马尔可夫链 B.反向过程参数共享 C.损失函数含L2重建项 D.需要训练判别器答案：A、B、C解析：DDPM无需判别器，损失为预测噪声的L2。12.在边缘计算场景部署TinyML模型时，必须考虑A.Flash占用 B.RAM峰值 C.中断延迟 D.浮点单元功耗答案：A、B、C、D解析：四项均直接影响MCU级设备稳定性。13.下列哪些操作可有效降低大模型推理时PPL（困惑度）A.动态NTKRoPE缩放 B.使用温度采样t=1.5 C.引入重复惩罚1.2 D.KVCache压缩答案：A、C、D解析：温度>1增加随机性，反而升高PPL。14.关于VisionTransformer的PositionEmbedding，正确的有A.一维可学习向量 B.二维相对编码 C.去掉后模型仍可变输入分辨率 D.使用正弦余弦版本可外推答案：A、B、D解析：C错误，去掉后无法处理不同分辨率。15.在联邦学习中，SecureAggregation方案基于A.Shamir秘密共享 B.同态加密 C.差分隐私 D.双掩码协议答案：A、B、D解析：差分隐私用于输出扰动，非聚合阶段。三、填空题（每空2分，共20分）16.在PyTorch中，若模型已`.cuda()`，需将输入张量也调用__________方法才能在同设备计算。答案：`.cuda()`或`.to('cuda')`解析：设备不一致会抛RuntimeError。17.ResNet的残差块使用__________卷积完成降采样，以避免信息丢失。答案：1×1（或“逐点”）解析：1×1卷积调整通道并控制步长。18.Transformer中，自注意力的时间复杂度为__________。答案：O(n²d)解析：n为序列长度，d为特征维度。19.INT8量化的缩放因子s计算公式为__________。答案：s=(q_max−q_min)/(r_max−r_min)解析：r为浮点范围，q为量化范围。20.在DDIM采样中，若设置η=0，则退化为__________过程。答案：确定性（或“非随机”）解析：η控制随机噪声注入量。21.LoRA的低秩矩阵分解表示为W'=W+__________。答案：BA解析：B∈R^(d×r)，A∈R^(r×k)。22.使用混合精度训练时，LossScaling的初始值通常设为__________。答案：2^16解析：防止梯度下溢。23.在目标检测中，若IoU阈值从0.5提升到0.75，mAP一般会__________（上升/下降）。答案：下降解析：更高阈值减少正样本。24.CLIP的对比学习损失函数称为__________损失。答案：InfoNCE解析：多分类交叉熵的变体。25.在GPT的自回归生成中，__________采样策略既能保持多样性又能避免重复。答案：Topp（核采样）解析：动态截断累积概率。四、判断改错（每题2分，共10分，先判对错，若错则划线改正）26.MobileNetV3large的激活函数仅为ReLU6。答案：错。改为：ReLU6、Hswish、HardSigmoid混合。27.使用梯度裁剪clip_norm=1.0会改变优化器学习率。答案：错。裁剪仅缩放梯度向量，不改变学习率。28.Transformer的DecoderMask为下三角矩阵，防止看到未来信息。答案：对。29.KnowledgeDistillation中，教师模型输出logits温度τ越高，软标签越尖锐。答案：错。τ越高分布越平滑。30.在联邦学习中，FedAvg的本地epoch越多，全局模型收敛越慢。答案：对。五、简答题（每题6分，共18分）31.描述FlashAttention如何通过分块降低显存占用，并给出时间复杂度。答案：FlashAttention将注意力矩阵按块计算，避免实例化完整的n×n矩阵；通过在线softmax更新，每块O(d)缓存。时间复杂度仍为O(n²d)，但显存从O(n²)降至O(n+d)。32.解释QLoRA中的4bitNormalFloat量化格式，并说明为何比INT4更适合LLM。答案：NormalFloat对权重按零点对称、离群值稀疏分布建模，先归一化再量化，减少量化误差；对LLM权重近似高斯分布更有效，比均匀INT4平均降低0.3–0.9的PPL。33.给出在JetsonNano上部署YOLOv5s的完整TensorRT优化流程（含命令）。答案：1)导出ONNX：`pythonexport.pyweightsyolov5s.ptincludeonnxdynamic`2)构建引擎：`trtexeconnx=yolov5s.onnxsaveEngine=yolov5s.trtfp16workspace=1024`3)推理：`pythontrt_inference.pyengineyolov5s.trtinputdata/images`解析：trtexec自动完成图优化、层融合、内核自动调优。六、综合应用题（共17分）34.某中学科创小组需在树莓派4B（4GBRAM）上实现实时手势识别，帧率≥15FPS，识别5种手势。给定训练集2万张192×192RGB图像。要求：(1)设计轻量级网络结构，画出模块图并注明参数量（4分）；(2)给出训练阶段的数据增强与优化策略（3分）；(3)给出INT8量化与异构部署细节，含树莓派CPU+NNAPI调用代码片段（6分）；(4)若实际测试发现“剪刀”类召回率仅72%，提出两项改进并说明理由（4分）。答案：(1)网络：GhostNetV2瓶颈叠加SE，首层3×3Convstride=2，随后3个stage（通道244896），每层Ghost模块+DFC注意力，全局平均池化+5维FC。参数量≈0.55M。图：Input→Conv→Stage1(Ghostbottleneck×2)→Stage2(Ghost×3)→Stage3(Ghost×4)→GAP→FC→Softmax。(2)增强：随机裁剪±10%、颜色抖动brightness=0.2、Cutout16×16、MixUpα=0.2；优化：AdamWlr=3e4cosine退火、EMA权重平均、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()预处理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为100张校准图。(4)改进：a)增加困难样本：对“剪刀”做在线硬挖掘，提升召回；b)引入细粒度数据增强：手指关节关键点遮挡模拟，提高鲁棒性。七、编程与计算题（共35分）35.（10分）给定一维向量x=[2,5,3,7,1]，用Numpy实现不带循环的Softmax及交叉熵损失，当标签y=3（即第4类）时，求loss值（保留3位小数）。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))输出0.367```36.（12分）在PyTorch中实现一个带因果掩码的1D自注意力模块，输入形状(B,L,d)，输出同形，要求仅使用矩阵乘法与三角掩码，禁止调用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)