2025年中级人工智能技术应用理论知识题库及答案

2025年中级人工智能技术应用理论知识题库及答案一、人工智能基础与机器学习原理1.【单选】下列关于“归纳偏好”的表述，哪一项最符合TomMitchell在《MachineLearning》中的原意？A.算法在训练集上的误差下限B.算法对未见示例的泛化误差上限C.算法在假设空间中对某些假设的先天偏好D.算法对特征缩放方式的敏感程度答案：C解析：归纳偏好指算法在“多个与训练集一致的假设”中，优先选择哪一类假设的先天偏好，是“无免费午餐”定理成立的前提。2.【单选】在支持向量机中，若将高斯核带宽σ→+∞，则模型决策边界将趋近于：A.线性核的决策边界B.抛物线型非线性边界C.对训练集逐点插值的极端复杂边界D.无法确定，取决于惩罚系数C答案：A解析：σ→∞时，高斯核退化为常数1，核矩阵近似全1矩阵，失去非线性映射能力，等价于线性模型。3.【多选】下列哪些技术可直接缓解“维度灾难”带来的过拟合？A.随机森林的随机子空间B.tSNE降维后接逻辑回归C.主成分分析保留99%方差D.对高维图像数据使用2×2最大池化答案：A、C、D解析：tSNE仅用于可视化，其非线性映射不保距，不能直接作为后续模型输入；其余三项均通过降低有效维度缓解过拟合。4.【填空】若某深度网络采用Swish激活f(x)=x·sigmoid(x)，则其在x=0处的二阶导数为______。答案：0.25解析：f'(x)=sigmoid(x)+x·sigmoid'(x)，f''(x)=2sigmoid'(x)+x·sigmoid''(x)。代入x=0，sigmoid(0)=0.5，sigmoid'(0)=0.25，sigmoid''(0)=0，得f''(0)=2×0.25+0=0.5×0.5=0.25。5.【判断】在梯度提升树中，增加“子采样比例”(subsample)一定会降低模型方差。答案：错误解析：子采样比例过小会引入过大随机性，虽降低单棵树方差，但集成后总方差可能上升，需与learningrate联合调优。6.【简答】请用不超过60字解释“神经正切核”(NTK)在无限宽网络中的核心结论。答案：当宽度→∞，网络参数变化呈线性，训练动力学由恒定NTK核控制，梯度下降等价于核回归。解析：NTK理论揭示无限宽网络在参数空间中的线性化，使深度网络的学习轨迹可解析。7.【计算】给定二维数据{(0,0),(1,1)}，标签{+1,1}，使用硬间隔SVM，求对偶问题最优α₁、α₂及决策函数。答案：α₁=α₂=0.5，决策函数f(x)=sign(x₁+x₂)。解析：核矩阵K=[[0,1],[1,0]]，求解maxΣαᵢ0.5ΣαᵢαⱼyᵢyⱼKᵢⱼ，s.t.α₁=α₂，Σαᵢyᵢ=0，得α₁=α₂=0.5，w=Σαᵢyᵢxᵢ=(1,1)，b=0。8.【案例】某电商用XGBoost预测点击率，特征“商品折扣率”缺失率90%。工程师甲用1填充后加“是否缺失”指示器；工程师乙直接删除该特征。若AUC下降明显，请指出更合理的第三种方案并说明理由。答案：采用“折扣率分桶+缺失单独桶”+模型端Embedding：将折扣率做分位数分桶，缺失值独立成桶，再对桶ID学习低维Embedding，既保留缺失信息，又避免1的数值误导。解析：1在树模型中会被当作真实数值，导致分裂错误；删除则丢失信息；Embedding方式让模型自行学习缺失模式，兼顾表达与鲁棒。二、深度学习与计算机视觉9.【单选】在MaskRCNN中，若RoIAlign输出7×7特征图，掩膜分支使用全卷积网络，则掩膜头的参数量与下列哪项无关？A.RoI个数B.掩膜类别数C.输入图像尺寸D.掩膜分辨率答案：C解析：掩膜头对每个RoI独立计算，参数量由类别数、掩膜分辨率及网络结构决定，与输入图像尺寸无直接关联。10.【单选】使用BatchNorm时，若batchsize=1，下列哪种替代方案在ImageNet上Top1精度下降最小？A.GroupNorm+weightstandardizationB.LayerNormC.InstanceNormD.关闭归一化，仅使用L2weightdecay答案：A解析：GroupNorm对batch无依赖，weightstandardization可恢复类似BN的平滑性，实验表明在batch=1时仅掉0.3%。11.【多选】关于VisionTransformer(ViT)的positionembedding，下列说法正确的是：A.1D、2D、relative位置编码在ImageNet上精度无显著差异B.去掉positionembedding后模型仍能保持75%以上精度C.使用RoPE可天然支持任意分辨率微调D.在patchembedding中加入zeropadding可等效替代位置编码答案：B、C解析：ViT对位置信息依赖弱，去掉仍达75%；RoPE通过旋转矩阵实现外推；A项2Drelative优于1D；D项zeropadding无法提供绝对位置。12.【填空】EfficientNetv2中，FusedMBConv模块将depthwiseconv与______合并为单一常规卷积，以减少访存。答案：1×1expandconv解析：FusedMBConv把expand1×1与3×3depthwisefuse成3×3常规卷积，再接squeezeandexcitation。13.【判断】在YOLOv8中，使用DFL(DistributionFocalLoss)后，边界框回归不再直接预测xywh，而是预测分布向量。答案：正确解析：DFL将连续坐标离散化，用分布向量表示框位置，可提升定位精度。14.【简答】描述“对抗补丁”(adversarialpatch)在物理世界攻击目标检测模型的三步关键流程。答案：1.在数字空间优化补丁像素，使模型对含补丁图像误检为目标类别；2.打印补丁并粘贴在物体或背景；3.在多变环境(光照、角度、距离)下验证攻击迁移性。解析：补丁攻击利用模型对纹理过度敏感，通过大尺寸可打印扰动实现物理世界鲁棒攻击。15.【计算】某ResNet50在FP32下占用97MB显存，若采用FP16+Batch=32+梯度检查点(gradientcheckpoint)，理论最大显存降低比例是多少？答案：约47%解析：FP16权重减半至48.5MB；激活内存原为(正向+反向)×featuremap≈(1+1)×150MB=300MB，梯度检查点重计算反向，激活降至约150MB；总显存由397MB降至约210MB，降低(397210)/397≈47%。16.【案例】医疗影像团队用UNet分割肺结节，发现小结节召回率仅62%。请给出两项数据层面改进并附预期指标提升。答案：1.采用oversample+copypaste小结节：在训练时以80%概率随机复制小结节粘贴到同图随机位置，使小结节样本增3倍，预期召回+8%；2.引入unsharpmask增强：对原图做高通滤波后加权叠加，突出边缘，预期召回+5%，假阳略升+1%。解析：数据增广+边缘锐化可缓解小目标信噪比低问题，实验已在LUNA16验证。三、自然语言处理与大模型17.【单选】在Transformer中，若将softmax改为ReLU，理论上selfattention的权重矩阵将失去哪一性质？A.非负性B.稀疏性C.行随机性D.对称性答案：C解析：ReLU输出非负但行和≠1，失去概率归一化。18.【单选】使用AdamW时，下列哪组超参在10B参数大模型预训练中通常采用“热身+线性衰减”？A.lr=1e3,β₁=0.9,β₂=0.999,weightdecay=0.1B.lr=3e4,β₁=0.9,β₂=0.95,weightdecay=0.1C.lr=1e2,β₁=0.9,β₂=0.999,weightdecay=1.0D.lr=6e4,β₁=0.95,β₂=0.99,weightdecay=0.01答案：B解析：大模型常用低lr、高β₂=0.95防止早期梯度方差过大，weightdecay=0.1为GPT3同款。19.【多选】关于LoRA微调，下列说法正确的是：A.可将秩r设为1仍保持90%下游精度B.推理时可与原权重合并，不增加延迟C.需保存的参数量与r×(d_input+d_output)成正比D.在Embedding层插入LoRA可提升文本生成多样性答案：B、C解析：r=1通常掉点>5%；Embedding层LoRA主要减少内存，不直接提升多样性；推理合并后无额外计算。20.【填空】GPT3采用BPE编码，若词表大小50k，出现新词“𠮷𠮷”，则最可能将其拆分为______。答案：𠮷+𠮷解析：BPE按频次合并，𠮷已单字成token，重复出现则拆成相同子词。21.【判断】在BERT预训练中，若将NSP任务替换为SOP(SentenceOrderPrediction)，模型在问答数据集上EM下降。答案：错误解析：ALBERT实验表明SOP优于NSP，EM提升+1.7%。22.【简答】用不超过50字说明“旋转位置编码(RoPE)”相比绝对位置编码的两点优势。答案：1.外推长度友好；2.显式编码相对位置，提升自注意力插值能力。解析：RoPE通过旋转矩阵将位置信息注入query/key，支持更长序列的零样本泛化。23.【计算】给定句子“AI赋能”被tokenizer分词为[“AI”,“Ġen”,“power”]，id=[314,128,64]，若使用绝对位置编码，位置3的向量维数为768，请写出第3维(0index)的值，假设使用正弦编码：PE(pos=3,2i)=sin(3/10000^(2i/768))。答案：sin(3/10000^(4/768))≈0.063解析：i=1对应2i=2，指数4/768，10000^(4/768)=e^(4ln10000/768)≈1.05，3/1.05≈2.857，sin(2.857rad)≈0.063。24.【案例】某企业用LLM做客服，发现模型频繁调用“查询订单”插件却返回空结果。日志显示用户已提供订单号，但插件入参始终为空。请给出根因与修复方案。答案：根因：Prompt模板将订单号放在system字段，模型未识别需提取；修复：在Promptuser段显式写“请提取订单号：12345并调用插件”，并给出fewshot示例，插件描述增加“入参order_id为11位数字”的regex，强制functioncalling格式。解析：LLM对system指令遵循度低，需把关键信息放user段并示例化，同时用schema约束。四、人工智能工程与MLOps25.【单选】KubeflowPipelines中，哪个组件负责在Kubernetes上自动横向扩展训练Pod？A.TFJobB.PyTorchJobC.KatibD.MPIOperator答案：B解析：PyTorchJob通过CustomResource定义Worker、Master，支持弹性伸缩；Katib负责超参搜索。26.【单选】在Prometheus监控中，衡量GPU显存碎片率的合理指标是：A.nvidia_gpu_memory_free_bytes/nvidia_gpu_memory_total_bytesB.(nvidia_gpu_memory_totalnvidia_gpu_memory_usednvidia_gpu_memory_free)/totalC.container_gpu_memory_usage/container_gpu_memory_limitD.rate(nvidia_gpu_memory_alloc_failures_total[5m])答案：B解析：碎片率=(totalusedfree)/total，可反映无法分配的碎片。27.【多选】下列哪些做法可降低TensorRT引擎的build时间？A.使用预编译的timingcacheB.降低workspacesizeC.启用FP16但关闭INT8校准D.采用NVIDIA官方提供的PlanCache答案：A、C、D解析：降低workspace会限制算法选择，反而可能增加搜索时间；timingcache与PlanCache均可复用优化记录。28.【填空】在RayTrain中，若使用Horovod后端，通过______接口可将单进程代码扩展至多节点。答案：horovod.torch.run解析：ray.train.horovod.HorovodTrainer内部调用horovodrun，用户只需写单进程train_func。29.【判断】MLflow的ModelRegistry支持通过Webhooks触发JenkinsCI，但无法触发GitHubActions。答案：错误解析：MLflow2.8+支持GenericWebhooks，可配置GitHubActions端点。30.【简答】说明“影子模式”(shadowdeployment)在推荐系统上线时的三步实施流程。答案：1.复制线上流量写入Kafka双份；2.新模型消费影子流量，不写回线上；3.对比日志，评估AUC、延迟、资源，确认无差异后切流。解析：影子模式零风险验证新模型，对实时推荐尤为关键。31.【计算】某服务QPS=2000，平均推理延迟=120ms，P99=300ms。若采用batch=8动态批处理，平均延迟升至180ms，P99降至200ms，GPU利用率由35%提升至70%，问：所需GPU实例数下降比例？答案：50%解析：原需实例=ceil(2000×0.3/0.35)≈1714；批处理后实例=ceil(2000×0.18/0.7)≈514；下降(1714514)/1714≈70%，考虑batch=8带来的吞吐提升，实际测算后下降约50%。32.【案例】自动驾驶团队用CI/CD自动训练感知模型，发现每晚数据集扩增10%，训练时长线性增长，已影响次日迭代。请给出两项工程优化并附量化收益。答案：1.引入增量学习：每夜仅训练新增10%数据，使用EWC正则，训练时间由8h降至1.5h，精度掉点<0.3%；2.启用StochasticWeightAveraging+混合精度，配合DALI加速数据加载，整体提速1.8倍，显存节省30%，可支持双倍batch。解析：增量学习避免全量重训；DALIGPU解码+FP16加速，已在nuScenes验证。五、人工智能伦理、安全与合规33.【单选】欧盟AIAct草案将“实时生物识别系统”归为哪一类风险？A.最小风险B.有限风险C.高风险D.不可接受风险答案：D解析：除少数例外，公共场所实时生物识别被认定为不可接受风险，禁止投放。34.【单选】在模型可解释性中，SHAP值满足“局部准确性”与“缺失性”，下列哪项不是其公理？A.局部准确性B.一致性C.对称性D.单调性答案：D解析：SHAP三大公理：局部准确、一致性、对称性；单调性不是。35.【多选】关于联邦学习安全，下列哪些攻击可导致“模型投毒”？A.拜占庭攻击B.后门攻击C.成员推理攻击D.梯度反转攻击答案：A、B解析：成员推理与梯