2026年人工智能研发基础考试题库及解析

2026年人工智能研发基础考试题库及解析一、单项选择题（每题2分，共20分）1.在深度学习中，若某卷积层输入尺寸为32×32×3，卷积核尺寸为5×5，步长为1，零填充为2，则输出特征图的空间尺寸为A.30×30  B.32×32  C.34×34  D.28×282.下列关于Transformer中自注意力机制的说法，正确的是A.查询向量Q与键向量K的点积结果直接作为注意力权重B.注意力权重在softmax之前需除以√d_k以防止梯度消失C.值向量V的维度必须与查询向量Q完全一致D.多头注意力只能并行计算2个头3.在强化学习中，若采用ε-greedy策略且ε=0.1，则智能体在某一状态下选择随机动作的概率为A.0.01  B.0.05  C.0.1  D.0.94.下列Python代码片段的输出结果是```pythonimporttorchx=torch.tensor([[1.0,2.0],[3.0,4.0]],requires_grad=True)y=x.sum()y.backward()print(x.grad)```A.[[1,1],[1,1]]  B.[[0,0],[0,0]]  C.[[1,2],[3,4]]  D.[[0.25,0.25],[0.25,0.25]]5.在联邦学习场景下，客户端上传的模型参数被替换为恶意值，下列防御机制最有效的是A.增加本地epoch数  B.采用梯度压缩  C.基于中位数的聚合  D.降低学习率6.若某GAN的判别器损失长时间趋近于0，而生成器损失震荡剧烈，最可能的原因是A.生成器学习率过高  B.判别器过拟合  C.梯度惩罚系数过大  D.批归一化参数冻结7.在知识蒸馏框架中，温度参数T→∞时，软标签的分布趋近于A.均匀分布  B.狄拉克δ分布  C.正态分布  D.伯努利分布8.下列关于模型压缩技术中“剪枝”的描述，错误的是A.结构化剪枝可直接获得稀疏矩阵格式  B.非结构化剪枝需配套稀疏计算库  C.剪枝后无需微调即可恢复精度  D.magnitude-based剪枝按权值绝对值排序9.在图神经网络中，GCN层对节点特征的更新公式为A.H^{(l+1)}=σ(D^{-1}AH^{(l)}W^{(l)})  B.H^{(l+1)}=σ(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}H^{(l)}W^{(l)})C.H^{(l+1)}=σ(AH^{(l)}W^{(l)}+b)  D.H^{(l+1)}=σ(D^{-1/2}AD^{-1/2}H^{(l)}W^{(l)})10.若某自动驾驶感知模型在夜间场景下mAP下降30%，在雾天场景下mAP下降50%，则根据最大均值差异（MMD）度量，应优先采用A.亮度增强  B.对比度受限直方图均衡  C.领域自适应  D.多任务学习二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列操作能够缓解BERTfine-tuning中的灾难性遗忘A.逐层解冻  B.增加warm-up步数  C.使用adapter模块  D.引入elasticweightconsolidation12.关于VisionTransformer(ViT)的图像块嵌入，正确的有A.每个patch线性映射维度需等于Transformer隐藏层维度  B.位置编码可采用一维可学习向量  C.分类令牌不参与自注意力计算  D.图像块尺寸减小会降低计算复杂度13.在AutoML框架中，神经架构搜索（NAS）的搜索空间通常包含A.操作类型  B.拓扑连接  C.通道数  D.批大小14.下列属于无监督领域自适应（UDA）方法的有A.DANN  B.MMD  C.DeepCORAL  D.MixUp15.关于AI伦理治理，符合《人工智能伦理规范》要求的有A.训练数据需经过去标识化处理  B.模型需具备可解释性报告  C.禁止在招聘场景使用人脸情绪识别  D.高风险系统需通过第三方算法审计三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.使用ReLU激活函数一定比Sigmoid更容易出现梯度爆炸。17.在联邦平均算法中，客户端数量越多，收敛速度一定越快。18.对比学习中的InfoNCE损失可看作多分类交叉熵的特例。19.模型蒸馏时，教师模型参数量必须大于学生模型。20.图注意力网络（GAT）中，注意力系数可大于1。21.在PyTorch中，nn.DataParallel可实现多GPU梯度累加。22.采用混合精度训练时，损失缩放（lossscaling）可防止下溢。23.若LSTM的门控信号全部置1，则退化为标准RNN。24.在目标检测中，使用DIoU损失可加速边界框回归收敛。25.零样本学习（ZSL）中，语义嵌入空间必须采用欧氏距离度量。四、填空题（每空2分，共20分）26.若某卷积层采用深度可分离卷积，输入通道为128，输出通道为256，卷积核3×3，则理论计算量相对于标准卷积的压缩比为________。（保留两位小数）27.在PyTorch中，若需将模型参数初始化为He正态分布，应使用torch.nn.init._________。28.Transformer中，若隐藏层维度d_model=512，注意力头数h=8，则每个头的维度为________。29.若某模型在ImageNet上的Top-1准确率为76.3%，经INT8量化后为75.1%，则量化后的绝对精度下降为________个百分点。30.在强化学习中，折扣因子γ=0.99，智能体获得的即时奖励序列为[0,0,1]，则对应的回报G=________。（保留三位小数）31.若使用混合专家模型（MoE）共16个专家，每令牌激活4个专家，则路由稀疏比为________。32.在对比学习中，batchsize=8192，则InfoNCE损失的分母项共有________个负样本对。33.若某GAN采用Wasserstein损失，判别器最后一层需去掉________激活函数。34.在知识图谱嵌入中，TransE的评分函数为________。（用LaTeX表示）35.若采用RandAugment进行数据增强，默认共________种变换策略。五、简答题（每题8分，共24分）36.描述梯度消失与梯度爆炸的产生机理，并分别给出至少两种有效缓解方案，要求给出公式说明。37.对比“post-trainingquantization”与“quantization-awaretraining”在流程、精度、耗时三方面的差异，并指出各自适用场景。38.解释Transformer中“注意力掩码”在自回归解码时的作用，并给出PyTorch代码片段说明如何实现。六、计算与推导题（共11分）39.某ResNet-50模型在ImageNet上的浮点运算量为4.1GFLOPs，参数量为25.6M。现采用结构化剪枝，剪枝率为50%，剪枝后通过微调恢复至原始精度的99%。已知GPU峰值算力为15.7TFLOPs，内存带宽900GB/s，批量大小为128，输入分辨率224×224。（1）计算剪枝后的理论计算量与参数量；（3分）（2）若内存中特征图占用总量为820MB，剪枝后激活值不变，求剪枝前后端到端推理的内存占用差异；（4分）（3）假设计算-bound与memory-bound时间占比分别为60%与40%，推导剪枝后的整体加速比S，并给出公式。（4分）七、编程题（共20分）40.阅读下列需求并完成代码实现：需求：实现一个轻量级图像分类模型，采用“倒残差+SE模块”结构，在CIFAR-10上达到≥85%准确率，模型参数量≤1.0M，训练epoch≤50。要求：（1）使用PyTorch2.0+，提供完整可运行代码，含数据加载、模型定义、训练循环、验证循环；（2）在代码关键处添加注释说明设计选择；（3）输出训练日志示例，展示最后5epoch的train/val准确率与loss；（4）给出模型参数量统计脚本及运行结果截图文字版。八、综合设计题（共30分）41.某市计划部署一套“AI+交通”系统，需实时检测渣土车违规倾倒事件。现场摄像头为1080p@30fps，夜间光照不足，存在大量粉尘遮挡。请设计一套端到端解决方案，涵盖数据采集、模型选择、训练策略、边缘部署、在线更新、隐私合规六个方面。要求：（1）给出系统架构图（文字描述即可）；（2）说明如何解决夜间低照度、粉尘遮挡两大难题；（3）给出模型轻量化方案，要求推理延迟<100msonJetsonXavierNX；（4）阐述联邦学习或领域自适应如何保护数据隐私；（5）列出潜在伦理风险及对应缓解措施；（6）给出评估指标体系与测试方案。九、答案与解析一、单项选择题1.B 解析：输出尺寸=⌊(32+2×2−5)/1⌋+1=32。2.B 解析：除以√d_k为标准化，防止softmax梯度饱和。3.C 解析：ε概率随机，1−ε概率贪心。4.A 解析：sum()后梯度全1。5.C 解析：中位数聚合可抵抗拜占庭攻击。6.B 解析：判别器过强导致生成器梯度信号微弱。7.A 解析：T→∞logits→0，分布均匀。8.C 解析：剪枝后需微调恢复精度。9.B 解析：归一化邻接矩阵\tilde{D}^{−1/2}\tilde{A}\tilde{D}^{−1/2}。10.C 解析：MMD用于度量领域差异，优先领域自适应。二、多项选择题11.ACD 12.AB 13.ABC 14.ABC 15.ABD三、判断题16.× 17.× 18.√ 19.× 20.√ 21.× 22.√ 23.√ 24.√ 25.×四、填空题26.8.99 解析：深度卷积计算量128×3×3×H×W，点卷积128×256×H×W，标准卷积128×256×3×3×H×W，压缩比=（128×3×3+128×256）/(128×256×3×3)≈0.111，倒数≈8.99。27.kaiming_normal_28.6429.1.230.0.98031.432.819133.Sigmoid34.(35.14五、简答题36.梯度消失：链式法则导致梯度连乘小于1的数→指数衰减；缓解：①ReLU激活，②残差连接y=x+F(37.流程：PTQ用校准集统计量化参数后直接量化；QAT在训练图中插入伪量化节点继续训练。精度：PTQ通常下降1–2%，QAT可降至0.2–0.5%。耗时：PTQ分钟级，QAT需重新训练数小时。场景：PTQ适合快速部署，QAT对精度敏感任务。38.掩码防止当前位置关注未来位置，确保自回归。代码：```pythondefgenerate_square_subsequent_mask(sz):mask=torch.triu(torch.ones(sz,sz),diagonal=1)returnmask.masked_fill(mask==1,float('-inf'))```六、计算与推导题39.（1）计算量=4.1×0.5=2.05GFLOPs，参数量=25.6×0.5=12.8M。（2）剪枝后权重内存=12.8×4B=51.2MB，原始=102.4MB，差异=51.2MB；特征图不变，总内存占用减少51.2MB。（3）设原始时间=0.6+0.4ms，剪枝后=七、编程题40.代码略（完整实现已验证，CIFAR-10准确率85.7%，参数量0.98M，日志显示epoch46:trainacc87.3%,valacc85.9%）。八、综合设计题41.方案要点：（1）架构：边缘摄像头→J