2026年人工智能大数据基础模拟题库

2026年人工智能大数据基础模拟题库1.单项选择题（每题2分，共20分）1.1在Hadoop生态中，负责将逻辑切片（InputSplit）映射为物理数据块的组件是A.JobTrackerB.NameNodeC.InputFormatD.ResourceManager答案：C解析：InputFormat负责将输入文件切分为逻辑切片，并与HDFS块建立映射关系，为后续Map任务分配数据。1.2下列哪种激活函数在x=0处不可导，却能缓解梯度消失？A.SigmoidB.TanhC.ReLUD.Softmax答案：C解析：ReLU在x=0处左导数为0，右导数为1，整体不可导，但其在正区间恒为1的梯度有效缓解深层网络梯度消失。1.3在SparkSQL中，下列哪一条语句会触发一次完整的Stage级Shuffle？A.SELECTCOUNT()FROMtA.SELECTCOUNT()FROMtB.SELECTFROMtWHEREid>100B.SELECTFROMtWHEREid>100C.SELECTa,COUNT(b)FROMtGROUPBYaD.SELECTa,bFROMtORDERBYaLIMIT10答案：C解析：GROUPBY需要按Key重分区，引发Shuffle；COUNT()仅触发全局聚合，可用树形聚合减少Shuffle。解析：GROUPBY需要按Key重分区，引发Shuffle；COUNT()仅触发全局聚合，可用树形聚合减少Shuffle。1.4联邦学习场景下，参与方上传的参数最可能是A.原始训练样本B.本地模型权重梯度C.测试集准确率D.超参数配置答案：B解析：联邦学习遵循“数据不动模型动”原则，上传加密后的梯度或权重而非原始数据。1.5若某GBDT模型共训练500棵树，每棵树最大深度6，则该模型在预测阶段的时间复杂度与下列哪项呈线性关系？A.样本量B.特征量C.树棵数D.最大深度答案：A解析：预测阶段每棵树对单样本的遍历路径长度不超过最大深度，总时间与样本量成正比，与特征量无关。1.6在PythonNumPy中，执行np.random.seed(42);a=np.random.rand(3);b=np.random.rand(3)后，a与b的关系是A.完全相同B.完全不同且独立C.线性相关D.服从同一分布但数值不同答案：D解析：随机种子固定后，序列确定，但两次采样位置不同，数值不同，仍服从U(0,1)独立同分布。1.7使用K-means聚类时，若某簇在迭代后变为空，则标准做法是A.删除该簇B.随机重初始化簇心C.将该簇心设为零向量D.增大K值答案：B解析：空簇导致分母为零，通常随机选一新样本作为簇心继续迭代。1.8在深度强化学习DDPG算法中，Target网络的作用是A.降低环境方差B.稳定Bootstrapping目标C.增加探索D.压缩网络参数答案：B解析：Target网络延迟更新，减少Q值估计的震荡，稳定时间差分目标。1.9某HDFS集群块大小128MB，文件大小1GB，其占用块数（含可能的最后一块碎片）为A.7B.8C.9D.10答案：B解析：1GB=1024MB，1024/128=8，恰好整除，无碎片。1.10在TensorFlow2.x中，下列哪段代码可以关闭EagerExecution？A.tfpat.v1.disable_eager_execution()B.tf.function(lambda:0)C.tf.executing_eagerly()D.无法关闭，2.x默认开启且不可关答案：A解析：虽然2.x默认Eager，但仍提供兼容接口关闭，以恢复1.x静态图模式。2.多项选择题（每题3分，共15分）2.1关于Transformer的位置编码，下列说法正确的是A.采用可学习的绝对位置向量B.正弦余弦函数式编码可外推到更长序列C.位置编码与词向量维度必须一致才能相加D.相对位置编码在计算注意力时注入偏差项答案：B,C,D解析：原版Transformer使用固定正余弦编码，可外推；维度一致才能残差相加；相对位置编码在T5等模型中以偏差形式出现。2.2下列哪些技术可直接降低卷积神经网络参数量？A.DepthwiseSeparableConvolutionB.1×1卷积C.GlobalAveragePooling替换全连接D.BatchNormalization答案：A,B,C解析：Depthwise将通道与空间解耦；1×1用于降维；GAP直接去除FC层；BN仅增归一化参数，不减参。2.3在Kafka中，保证“恰好一次”端到端语义需联合哪些机制？A.幂等ProducerB.事务APIC.消费者手动提交位移D.消费者组重平衡答案：A,B,C解析：幂等+事务实现生产端恰好一次；消费者手动提交位移避免重复处理；重平衡与一致性无关。2.4关于贝叶斯优化，下列说法正确的是A.使用高斯过程建模目标函数后验B.采集函数EI在已有最优点处为0C.核函数带宽越大，模型越平滑D.适用于目标函数评估代价高的场景答案：A,C,D解析：EI在最优点处可能非零，取决于噪声；大带宽使GP平滑；贝叶斯优化适合黑箱昂贵函数。2.5在数据湖Iceberg中，支持以下哪些特性？A.ACID事务B.时间旅行查询C.模式演化D.实时流式插入答案：A,B,C,D解析：Iceberg基于快照隔离提供ACID；快照ID支持时间旅行；支持增删列、重命名；支持Flink流式写入。3.判断题（每题1分，共10分）3.1在梯度下降中，使用动量项一定能在凸函数上加速收敛。答案：错解析：动量对病态条件数问题有效，但对简单球形等高线可能引入过冲。3.2LSTM的门控机制使其在反向传播时雅可比矩阵特征值始终接近1。答案：错解析：门控缓解但无法保证特征值恒为1，仍存在饱和风险。3.3在Spark中，对RDD调用cache()会立即触发计算。答案：错解析：cache()仅标记存储级别，遇到行动算子才触发计算。3.4若随机森林OOB误差持续下降，说明增加树的数量一定提升泛化性能。答案：错解析：OOB下降可能过拟合噪声，需结合验证集判断。3.5在SQL优化器中，谓词下推可减少磁盘I/O。答案：对解析：将过滤条件下推到存储层，提前跳过无关块。3.6使用混合精度训练时，损失缩放（lossscaling）是为了防止下溢。答案：对解析：FP16梯度易下溢，放大损失后再缩放保持有效位。3.7在PCA中，主成分方向对应协方差矩阵特征值最小的特征向量。答案：错解析：主成分为最大特征值对应向量。3.8Flink的Checkpoint机制基于Chandy-Lamport分布式快照算法。答案：对解析：Flink采用异步屏障快照，是Chandy-Lamport的变体。3.9在XGBoost中，添加正则项λ||w||²会缩小叶子节点权重，降低模型方差。答案：对解析：L2正则惩罚大权重，等价剪枝，降低方差。3.10在深度网络中，BatchNorm的缩放参数γ固定为1时，网络等价于无BN。答案：错解析：即使γ=1，仍保留归一化后的分布平移与缩放能力，与无BN不同。4.填空题（每空2分，共20分）4.1若某卷积层输入尺寸为32×32×3，使用64个5×5卷积核，padding=2，stride=1，则输出特征图空间尺寸为____，参数量为____。答案：32×32，4800解析：输出尺寸=(32+2×2−5)/1+1=32；参数量=(5×5×3+1)×64=4800（含偏置）。4.2在PageRank幂迭代中，阻尼系数d通常取____，其作用是____。答案：0.85，保证图连通并模拟随机跳转，防止SpiderTrap。4.3给定随机变量X~N(μ,σ²)，则其微分熵h(X)=____。答案：l4.4在FlinkCEP中，模式序列“a+b{2,4}”表示____。答案：至少一个a事件后紧跟2到4个b事件。4.5使用Word2VecSkip-gram模型时，若窗口大小k=5，目标词为第t个词，则上下文词采样范围是____。答案：[t−5,t−1]∪[t+1,t+5]，实际实现采用动态窗口。4.6在SQL中，窗口函数ROW_NUMBER()OVER(PARTITIONBYdeptORDERBYsalaryDESC)的作用是____。答案：在每个dept分组内按salary降序赋予唯一行号。4.7若某GBDT学习率为0.05，共训练1000棵树，则其Shrinkage总系数为____。答案：1−(1−0.05)^1000≈1（近似完全拟合），但单步更新系数仍为0.05。4.8在深度网络剪枝中，magnitude-basedpruning的核心思想是____。答案：删除绝对值最小的权重，认为其对输出贡献最小。4.9给定二维数据{(1,2),(2,3),(3,5)}，其样本协方差矩阵为____。答案：[11.5解析：均值(2,3.33)，去中心后计算协方差。4.10在Kafka中，Topic分区副本因子为3，最小ISR为2，当Broker宕机2台时，生产者配置acks=all能否继续写入？答：____。答案：不能解析：存活副本<最小ISR，Leader拒绝写入。5.简答题（每题8分，共24分）5.1描述MapReduce中“数据本地性”调度策略的实现原理，并说明其在现代云原生环境中的局限性。答案：原理：JobTracker调度任务时优先将Map任务分配到保存有输入数据副本的节点，减少网络传输；若节点资源不足，则退而求其次选择同机架节点。局限性：1.容器化部署下，计算与存储分离，节点无本地数据；2.弹性伸缩导致容器漂移，本地性信息失效；3.对象存储替代HDFS，远程读取带宽高但延迟大，本地性收益降低；4.细粒度调度器（如YARN的OPPORTUNISTICCONTAINER）重调度频繁，破坏本地性。5.2解释Transformer中“注意力稀疏化”技术，列举两种实现方案并比较优缺点。答案：注意力稀疏化通过限制每个Token只与部分Token交互，降低O(n²)复杂度。方案一：局部窗口（LocalAttention）优点：实现简单，线性复杂度，适合长文本；缺点：丢失长距离依赖，需堆叠多层扩大感受野。方案二：Low-Rank近似（Linformer）优点：将Key投影到低维k<<n，复杂度O(nk)；缺点：低维投影可能损失信息，k需调参；对非线性关联强的任务效果下降。5.3给出一种在GPU集群上训练百亿参数模型的混合并行策略，说明如何划分模型、数据与流水线，并估算所需显存。答案：策略：4D并行（Data+Model+Pipeline+Tensor）1.数据并行：全局batch=1024，分32组，每组batch=32；2.Pipeline并行：将网络按层均分16段，每段6层Transformer，采用1F1B调度；3.Tensor并行：对每层Attention与FFN做列切+行切，切4份；4.优化器状态分片：Adam采用ZeRO-3，参数、梯度、一阶二阶动量均分片。显存估算：单参16字节（FP16+FP32主副本+动量），100B参数→1.6TB；ZeRO-3分32节点→每节点约50GB；激活值重计算+Pipeline气泡，额外约30GB；单卡A10080GB可放下，共需32×8=256卡。6.计算题（共31分）6.1（10分）给定二维线性可分数据集：正例{(1,1),(2,2)}，负例{(1,2),(2,1)}。使用SVM硬间隔求解超平面，要求写出对偶问题、求解α，并给出最终w与b。答案：对偶问题：m核矩阵K=[24由对称性设α1=α2=a,α3=α4=b，则约束2a−2b=0⇒a=b。目标化简：4求导4−22a=0⇒a=2/11。w=∑α_iy_ix_i=2/11[(1,1)+(2,2)−(1,2)−(2,1)]=2/11(0,0)=0？修正：w=2/11[(1,1)+(2,2)]−2/11[(1,2)+(2,1)]=2/11(0,0)=0，出现矛盾，说明数据集线性不可分。重新检查：实际(1,1)正类，(1,2)负类，二者x1相同x2不同，确实线性可分，例如直线x2−x1=0.5。正确计算：w=α1(1,1)+α2(2,2)−α3(1,2)−α4(2,1)=a[(1,1)+(2,2)−(1,2)−(2,1)]=a(0,0)仍为零，表明需重新选支持向量。实际支持向量为(1,1)与(1,2)，设α1=α3=a，则约束a−a=0满足，目标：2最大a=1，此时w=1·(1,1)−1·(1,2)=(0,−1)，b=1·(0+1)−1=−0.5，超平面x2=0.5。6.2（10分）某电商推荐系统采用多臂老虎机算法，臂数k=4，奖励为点击与否（伯努利）。运行1000轮后，各臂被拉次数与平均奖励为：n=[200,300,250,250]，r̄=[0.4,0.45,0.5,0.48]。用UCB1策略计算下一轮选择臂的索引（置信度c=1.0）。答案：UCB值：U计算：臂1：0.4+√(2ln1000/200)=0.4+0.214=0.614臂2：0.45+√(2ln1000/300)=0.45+0.175=0.625臂3：0.5+√(2ln1000/250)=0.5+0.192=0.692臂4：0.48+0.192=0.672最大为臂3，索引=2（0基）。6.3（11分）在PyTo