2025专业技术人员继续教育人工智能及应用试题及答案

2025专业技术人员继续教育人工智能及应用试题及答案一、单项选择题（每题2分，共20分）1.在深度学习模型训练中，若学习率设置过大，最可能导致的直接后果是A.模型收敛速度变慢B.损失函数出现NaNC.权重更新方向随机但稳定D.梯度消失问题加剧2.下列关于Transformer架构中自注意力机制的描述，正确的是A.查询向量Q与键向量K的点积直接作为输出B.缩放点积注意力可防止梯度爆炸C.注意力权重矩阵的列和为1D.位置编码通过可学习参数替代正弦函数3.联邦学习场景下，参与方上传本地模型参数时，为防止隐私泄露常用的安全机制是A.同态加密B.差分隐私加噪声C.安全多方计算D.以上皆可4.在计算机视觉任务中，若输入图像尺寸为512×512，经过三次步长为2、填充为1的3×3卷积后，特征图边长为A.64B.65C.66D.675.当使用BERT进行中文文本分类时，若最大序列长度设为128，则输入张量的形状为A.[batch,128,768]B.[batch,768,128]C.[batch,128,21128]D.[batch,21128]6.强化学习中，Q-learning算法更新公式Q若α=0.1，γ=0.9，r=5，当前Q(s,a)=3，下一状态最大Q值为4，则更新后的Q(s,a)为A.3.1B.3.2C.3.3D.3.47.在模型蒸馏框架中，教师模型输出softmax温度T=4，学生模型温度T=1，则蒸馏损失中KL散度项权重通常A.与T²成正比B.与T成反比C.与T²成反比D.固定为0.58.下列关于GPT系列模型演进路线的说法，错误的是A.GPT-1采用无监督预训练+有监督微调B.GPT-2取消微调阶段，直接通过提示完成下游任务C.GPT-3引入稀疏注意力机制以降低计算复杂度D.GPT-4在推理阶段采用混合专家(MoE)结构9.在边缘计算场景部署轻量级模型时，若目标延迟<20ms，芯片算力为2TOPS，则模型最大计算量应不超过A.40MMACB.20GMACC.40GMACD.20MMAC10.当使用混合精度训练时，LossScaling的主要作用是A.防止激活溢出B.防止梯度下溢C.减少权重抖动D.加速数据加载二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列技术可有效缓解生成对抗网络(GAN)训练不稳定的有A.谱归一化B.Wasserstein距离替代JS散度C.历史平均生成器D.批量归一化置于判别器最后一层12.关于VisionTransformer(ViT)的图像块嵌入，正确的有A.块尺寸越小越能捕获细粒度特征，但计算量平方增长B.分类令牌([CLS])在训练阶段与图像块令牌共同更新C.位置编码可采用一维、二维或相对位置编码D.嵌入层权重与最终MLP头共享13.在自动驾驶感知系统中，多传感器融合的优势包括A.提升极端天气下的冗余度B.降低单一传感器失效风险C.通过交叉验证减少误检D.完全消除目标漏检14.以下属于PromptEngineering核心原则的有A.给出清晰任务描述B.提供少样本示例C.强制模型输出JSON格式D.使用思维链(CoT)引导推理15.关于国产AI芯片架构创新，正确的有A.采用片上高带宽存储(HBM)缓解内存墙B.通过可重构计算阵列适应动态图结构C.使用INT4量化在边缘端实现能效比>10TOPS/WD.完全摒弃通用缓存，仅依赖Scratchpad三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在PyTorch中，nn.DataParallel与DistributedDataParallel在多卡训练效率上无差异。17.使用ReLU激活函数一定比Sigmoid更容易出现梯度爆炸。18.图神经网络(GNN)中，过度深层的卷积会导致节点表示过度平滑。19.自动机器学习(AutoML)中的神经架构搜索(NAS)必然需要GPU集群才能完成。20.模型剪枝后若稀疏模式不规则，需要特殊稀疏计算库才能加速。21.对比学习损失InfoNCE中温度系数越小，对负样本的区分越严格。22.在语音识别中，CTC损失允许输入输出长度不一致。23.扩散模型(DiffusionModel)的前向过程是可学习的。24.联邦平均(FedAvg)算法在数据非独立同分布(non-IID)下必然发散。25.使用混合专家(MoE)后，模型参数量增加但推理延迟不变。四、填空题（每空2分，共20分）26.在注意力机制中，若查询向量维度为d_k，为防止点积过大，缩放因子为________。27.若卷积层输入通道为64，输出通道为128，卷积核3×3，则参数总量为________。28.当使用Adam优化器时，一阶动量系数β1常设为________。29.在目标检测评价指标mAP中，AP@0.5表示IoU阈值为________。30.若BatchSize=32，模型参数量=100M，使用FP32训练，则单步显存占用理论值约为________GB。31.在NLP任务中，BLEU指标取值范围________。32.使用Kaiming初始化时，ReLU激活的方差缩放系数为________。33.若LSTM隐藏层维度为256，则单个时间步的参数量(含偏置)为________。34.在知识图谱嵌入模型TransE中，关系向量满足________假设。35.当使用8bit量化时，权重数值范围[-1,1]对应的量化间隔为________。五、简答题（每题10分，共20分）36.简述Transformer中多头注意力机制相比单头注意力的三点优势，并说明其计算复杂度与头数h的关系。37.说明在边缘端部署YOLOv5-nano时，为达到30FPS@720p，需从模型、框架、硬件三方面分别采取的两项具体优化措施。六、计算与推导题（共15分）38.已知某卷积神经网络中，特征图尺寸为N×N，通道数C，卷积核K×K，输出通道M，步长S，填充P。(1)推导输出特征图尺寸公式。（5分）(2)若N=224，C=3，K=7，M=64，S=2，P=3，计算理论乘加运算量(MAC)。（5分）(3)若采用深度可分离卷积(先深度卷积再点卷积)，计算运算量减少比例。（5分）参考答案与解析一、单项选择题1.B解析：学习率过大导致梯度爆炸，损失出现NaN。2.B解析：缩放因子防止点积过大，避免softmax饱和区梯度消失。3.D解析：联邦学习可组合同态加密、差分隐私、安全多方计算。4.B解析：+1=2565.A解析：BERT-base隐藏维度768，输入为[batch,128,768]。6.C解析：3+7.C解析：蒸馏损失权重与T²成反比，保证梯度量级一致。8.C解析：GPT-3仍使用稠密注意力，稀疏注意力是其他模型。9.C解析：20ms×2TOPS=40GMAC。10.B解析：FP16梯度易下溢，LossScaling放大损失回传。二、多项选择题11.ABC解析：谱归一化、Wasserstein、历史平均均可稳定GAN；BN在判别器最后一层会削弱梯度惩罚效果。12.ABC解析：嵌入层与MLP头不共享权重。13.ABC解析：融合可显著降低漏检但无法“完全消除”。14.ABCD解析：四项均为PromptEngineering原则。15.ABC解析：国产芯片仍保留少量缓存做一致性管理。三、判断题16.×解析：DDP采用多进程通信，效率显著高于DP。17.×解析：ReLU在正区间梯度恒为1，不易爆炸。18.√19.×解析：单卡也可运行权重共享NAS。20.√21.√22.√23.×解析：前向过程固定为马尔可夫加噪。24.×解析：FedAvg在non-IID下可通过调整本地epoch与学习率缓解发散。25.×解析：MoE推理时需路由，延迟略增。四、填空题26.27.128×64×3×3=7372828.0.929.0.530.约1.6GB（100M×4Byte×32×2，含梯度与激活估计）31.0~132.233.4×256×(256+1)=263168（含输入门、遗忘门、输出门与候选值）34.h+r≈t35.2/255≈0.00784五、简答题36.答案要点：(1)多组子空间并行关注不同位置，提升表示多样性；(2)扩展模型容量而不显著增加单次计算复杂度；(3)缓解单头注意力因点积随机性导致的极值权重。复杂度：单头O(n²d)，多头h头并行后仍为O(n²d)，d为总维度，头数h仅拆分维度，故复杂度与h无关。37.答案要点：模型：①采用RepConv结构重参数化，减少3×3卷积数量；②使用INT8量化+稀疏剪枝至60%稀疏度。框架：①启用ARM82INT8指令集加速；②图优化融合Conv-BN-ReLU算子。硬件：①