2026年人工智能比赛试题及答案

2026年人工智能比赛试题及答案1.单项选择题（每题2分，共20分）1.1在ResNet架构中，恒等映射（identitymapping）通过下列哪种操作实现？A.1×1卷积降维B.跳跃连接（skipconnection）C.批归一化（BatchNorm）D.最大池化（MaxPool）答案：B1.2给定一个二分类任务，训练集正负样本比例1:99。若采用随机森林，下列哪种策略最能缓解类别不平衡？A.增加树的数量至1000棵B.使用Gini系数作为划分准则C.采用class_weight="balanced"D.限制最大深度为3答案：C1.3在Transformer中，缩放点积注意力（ScaledDot-ProductAttention）的缩放因子为：A.B.C.1D.1答案：B1.4下列关于Adam优化器的说法正确的是：A.仅使用一阶动量B.学习率随时间线性下降C.二阶动量估计存在偏差修正D.不适用于稀疏梯度答案：C1.5联邦学习框架下，客户端上传的参数为：A.原始训练数据B.本地模型梯度或权重C.验证集准确率D.损失函数值答案：B1.6在深度强化学习中，DDPG算法属于：A.基于策略梯度（policy-basedonly）B.基于价值函数（value-basedonly）C.Actor-Critic架构D.无模型（model-free）且on-policy答案：C1.7若将YOLOv8的输入分辨率从640×640提升到1280×1280，锚框（anchor）数量变化为：A.保持不变B.翻倍C.变为4倍D.由用户自定义，与分辨率无关答案：A1.8在PyTorch中，下列代码片段执行后x.grad的值为：```pythonx=torch.tensor(2.0,requires_grad=True)y=x**3y=x**3y.backward()```A.4.0B.6.0C.8.0D.12.0答案：D1.9在DiffusionModel前向加噪过程中，若总步数T=1000，β_t线性从1e-4到2e-2，则ᾱ_t的取值范围是：A.[0,1]B.[1,1000]C.[0.9999,0.98]D.[0.9999,接近0]答案：D1.10下列哪种方法最适合评估生成图像的多样性？A.IS（InceptionScore）B.FID（FréchetInceptionDistance）C.LPIPSD.PrecisionandRecallforDistributions答案：D2.多项选择题（每题3分，共15分；每题至少两个正确答案，多选少选均不得分）2.1关于VisionTransformer(ViT)，下列说法正确的是：A.图像块尺寸减小会增加计算量B.位置编码可学习C.分类token在所有层与图像块token交互D.必须使用卷积层提取底层特征答案：A,B,C2.2在GPT-3训练中，下列技术用于提升训练稳定性的是：A.GradientClippingB.MixedPrecisionTrainingC.ZeRO优化器状态分片D.LayerNormalization后置答案：A,B,C2.3以下属于自监督预训练任务的是：A.BERT的MaskedLanguageModelingB.SimCLR的对比学习C.MoCo的动量编码器D.ResNet的ImageNet分类预训练答案：A,B,C2.4关于图神经网络(GNN)，下列说法正确的是：A.GCN层可写成=B.GraphSAGE采用采样邻居C.GAT使用注意力机制D.所有GNN层数越深效果越好答案：A,B,C2.5在可解释AI中，下列方法可得到像素级重要性分数的是：A.Grad-CAMB.IntegratedGradientsC.LIMED.SHAP答案：A,B3.填空题（每空2分，共20分）3.1若BatchNorm的输入特征维度为(C,H,W)，则可学习参数γ的维度为________。答案：C3.2在PyTorch中，将模型转移到GPU的函数调用为model.________()。答案：cuda3.3强化学习中，满足Bellman最优方程的状态价值函数记为________。答案：V(s)答案：V(s)3.4若使用LoRA微调LLaMA-7B，秩r=8，原矩阵维度为4096×4096，则新增参数量为________。答案：2×4096×8=655363.5在知识蒸馏中，温度参数τ→∞时，softmax输出趋近于________分布。答案：均匀3.6若卷积核尺寸为5×5，输入通道64，输出通道128，则该层参数总量为________。答案：5×5×64×128=2048003.7在A搜索算法中，评价函数f(n)=g(n)+h(n)，其中h(n)需满足________条件才能保证最优。3.7在A搜索算法中，评价函数f(n)=g(n)+h(n)，其中h(n)需满足________条件才能保证最优。答案：可采纳（admissible）3.8若学习率调度器为CosineAnnealing，初始lr=0.1，T_max=100，则第50轮学习率为________。答案：0.053.9在Transformer解码器自注意力层，未来token被屏蔽的矩阵称为________矩阵。答案：因果（causal）或下三角3.10若使用混合专家模型(MoE)top-1路由，专家总数为8，则每个token实际激活专家数为________。答案：14.简答题（每题10分，共30分）4.1描述MaskedAutoencoder(MAE)的训练流程，并说明掩码比例对表示质量的影响。答案：1)将图像划分为不重叠的patch（如16×16）；2)随机掩码75%的patch；3)编码器仅对可见patch进行编码，得到latentrepresentation；4)解码器将掩码token与编码特征一起重建原始像素；5)损失仅计算被掩码patch的MSE。掩码比例过低（如30%）导致任务过于简单，编码器易过拟合；掩码比例过高（如90%）使重建困难，表示泛化下降。实验表明75%左右在ImageNet线性probing上取得最佳Top-1准确率。4.2解释对比学习中的InfoNCE损失，并给出其数学形式。答案：InfoNCE通过正负样本对之间的相似度优化表示：其中为锚点表示，为正样本，为负样本，τ为温度系数。最小化该损失等价于最大化互信息下界。4.3说明梯度爆炸在RNN中的成因，并列举两种有效缓解方法。答案：成因：序列反向传播时，雅可比矩阵幂次相乘，若谱半径>1，则梯度呈指数增长。缓解：1)GradientClipping：当|g|>2)使用LSTM或GRU门控机制，通过门控单元控制梯度路径，避免长期依赖指数累积。5.应用题（共65分）5.1计算题（15分）给定一个4层MLP，输入维度784，隐藏层维度256，输出维度10，使用ReLU激活。batch=64，计算一次前向+反向传播的浮点运算量（FLOPs）。答案：逐层维度：①784→256：权重参数量784×256，偏置256；乘加各一次，FLOPs=2×784×256×64=25.69M；②256→256：2×256×256×64=8.39M；③256→256：同上8.39M；④256→10：2×256×10×64=0.33M；ReLU：每层激活需比较运算，计为256×64×3=0.05M（可忽略）。总FLOPs≈25.69+8.39+8.39+0.33≈42.8M。5.2分析题（20分）某团队使用YOLOv8在自定义数据集上mAP@0.5仅0.42，低于baseline0.55。排查发现：1)训练集小目标占比60%，但anchor尺寸为[10,13,16,30,33,23]；2)使用Albumentations仅做随机翻转；3)损失函数中obj损失权重为1.0，cls损失权重为0.5。请逐条分析并给出改进方案。答案：1)anchor尺寸偏小，未匹配大目标，应使用k-means重新聚类，增加大尺度anchor；2)小目标对增强敏感，需引入Mosaic、RandomCrop、HSV、随机缩放，提升小目标出现频率；3)cls损失权重过低导致分类不准，应调回1.0并采用labelsmoothing；额外建议：增加训练epoch，使用SIoUloss，开启multi-scale训练（320–640）。5.3综合题（30分）设计一个基于LoRA+QLoRA的7B大模型微调方案，目标是在单张24GBGPU上完成指令微调，数据集为50k条中文对话，平均长度800tokens。要求：a)给出量化配置（bits、groupsize、doublequant）；b)给出LoRA超参（rank、alpha、dropout、targetmodule）；c)计算显存占用并验证是否满足24GB；d)描述训练流程（数据格式、maxlength、batchsize、学习率、调度器、checkpoint保存）。答案：a)采用4-bitNormalFloat，group_size=64，double_quant=True；b)rank=64，alpha=16，dropout=0.05，target_module=["q_proj","v_proj","k_proj","o_proj","gate_proj","up_proj","down_proj"]；c)7B模型4-bit权重≈3.5GB，量化常数≈0.5GB，LoRA参数量=2×(4096×64×7×4)≈18M≈72MB，优化器状态(Adam8+4bit)≈0.3GB，激活与梯度(batch=1,max_len=1024,flash-attn)≈4GB，总计≈8.3GB<24GB；d)数据格式：ShareGPT格式，每条经ChatML模板包装；max_length=1024，截断+padding；batch_size=1，gradient_accumulation=16，总有效batch=16；学习率=2e-4，warmup_steps=100，cosinedecay至2e-5；每0.5epoch保存checkpoint，采用DeepSpeedZeRO-3OffloadCPU优化器状态；训练3epoch，预计12小时。6.编程题（共50分）6.1阅读程序补全（20分）以下代码实现带权重共享的Seq2Seq模型，请补全缺失部分，使模型能正确执行attention解码。```pythonimporttorch.nnasnnimporttorchclassEncoder(nn.Module):def__init__(self,vocab,emb_dim,hid_dim):super().__init__()self.embedding=nn.Embedding(vocab,emb_dim)self.rnn=nn.GRU(emb_dim,hid_dim,bidirectional=True)self.hid_dim=hid_dimdefforward(self,src):src:[seq,batch]embedded=self.embedding(src)#[seq,batch,emb]outputs,hidden=self.rnn(embedded)#outputs:[seq,batch,2hid]outputs,hidden=self.rnn(embedded)#outputs:[seq,batch,2hid]将双向最后层拼接hidden=torch.tanh(torch.cat([hidden[-2],hidden[-1]],dim=1))#[batch,2hid]hidden=torch.tanh(torch.cat([hidden[-2],hidden[-1]],dim=1))#[batch,2hid]returnoutputs,hiddenclassAttention(nn.Module):def__init__(self,enc_hid_dim,dec_hid_dim):super().__init__()self.attn=nn.Linear(enc_hid_dim+dec_hid_dim,dec_hid_dim)self.v=nn.Linear(dec_hid_dim,1,bias=False)defforward(self,hidden,encoder_outputs):hidden:[batch,dec_hid]encoder_outputs:[seq,batch,enc_hid2]encoder_outputs:[seq,batch,enc_hid2]batch,src_len,_=encoder_outputs.size()hidden=hidden.unsqueeze(1).repeat(1,src_len,1)#[batch,seq,dec_hid]energy=torch.tanh(self.attn(torch.cat([hidden,encoder_outputs],dim=2)))#[batch,seq,dec_hid]attention=self.v(energy).squeeze(2)#[batch,seq]returntorch.softmax(attention,dim=1)classDecoder(nn.Module):def__init__(self,vocab,emb_dim,enc_hid_dim,dec_hid_dim,attention):super().__init__()self.attention=attentionself.embedding=nn.Embedding(vocab,emb_dim)self.rnn=nn.GRU(emb_dim+enc_hid_dim2,dec_hid_dim)self.rnn=nn.GRU(emb_dim+enc_hid_dim2,dec_hid_dim)self.out=nn.Linear(dec_hid_dim+emb_dim+enc_hid_dim2,vocab)self.out=nn.Linear(dec_hid_dim+emb_dim+enc_hid_dim2,vocab)defforward(self,input,hidden,encoder_outputs):input:[batch]input=input.unsqueeze(0)#[1,batch]embedded=self.embedding(input)#[1,batch,emb]attn_weights=self.attention(hidden,encoder_outputs)#[batch,seq]attn_weights=attn_weights.unsqueeze(1)#[batch,1,seq]encoder_outputs=encoder_outputs.permute(1,0,2)#[batch,seq,enc_hid2]encoder_outputs=encoder_outputs.permute(1,0,2)#[batch,seq,enc_hid2]context=torch.bmm(attn_weights,encoder_outputs)#[batch,1,enc_hid2]context=torch.bmm(attn_weights,encoder_outputs)#[batch,1,enc_hid2]context=context.permute(1,0,2)#[1,batch,enc_hid2]context=context.permute(1,0,2)#[1,batch,enc_hid2]rnn_input=torch.cat([embedded,context],dim=2)#[1,batch,emb+enc_hid2]rnn_input=torch.cat([embedded,context],dim=2)#[1,batch,emb+enc_hid2]output,hidden=self.rnn(rnn_input,hidden.unsqueeze(0))output=torch.cat([output.squeeze(0),context.squeeze(0),embedded.squeeze(0)],dim=1)prediction=self.out(output)returnprediction,hidden.squeeze(0)```答案：已补全，无需再改。6.2编写训练循环（30分）基于上述模块，使用PyTorch完成训练循环，要求：1)采用teacherforcing比例0.5；2)梯度裁剪最大范数1.0；3)每100步打印平均loss；4)支持GPU。答案：```pythondevice=torch.device('cuda'iftorch.cuda.is_available()else'cpu')encoder=Encoder(vocab_src,emb_dim=256,hid_dim=512).to(device)attention=Attention(enc_hid_dim=1024,dec_hid_dim=512).to(device)decoder=Decoder(vocab_tgt,emb_dim=256,enc_hid_dim=1024,dec_hid_dim=512,attention=attention).to(device)optimizer=torch.optim.Adam(list(encoder.parameters())+list(decoder.parameters()),lr=1e-3)criterion=nn.CrossEntropyLoss(ignore_index=PAD_IDX)deftrain_epoch(dataloader):encoder.train();decoder.train()total_loss=0fori,(src,tgt)inenumerate(dataloader):src,tgt=src.to(device),tgt.to(device)optimizer.zero_grad()encoder_outputs,hidden=encoder(src)初始化解码器输入为<sos>input=tgt[0,:]#tgt:[tgt_len,batch]outputs=[]fortinrange(1,tgt.size(0)):output,hidden=decoder(input,hidden,encoder_outputs)outputs.appe