2026年人工智能计算试题及答案

2026年人工智能计算试题及答案一、单项选择题（每题2分，共20分）1.在深度学习中，FP32格式的浮点数占用多少比特？A.16B.32C.64D.128答案：B解析：FP32即单精度浮点格式，总位宽为32比特。2.设矩阵A的尺寸为m×k，矩阵B的尺寸为k×A.mB.mC.kD.m答案：A解析：输出C为m×n阶矩阵，每个元素需要k次乘法，故总乘法次数为3.在深度神经网络中，下列激活函数在反向传播时最容易出现梯度消失问题的是：A.ReLUB.SigmoidC.LeakyReLUD.GELU答案：B解析：Sigmoid导数值最大不超过0.25，且当输入绝对值较大时导数接近0，误差逐层反向传播时衰减明显，容易导致梯度消失。4.对尺寸为5×5的特征图执行A.3B.4C.5D.7答案：A解析：输出尺寸计算公式为(H5.采用数据并行使用N张GPU训练时，在理想情况下（忽略通信和同步开销），相对于单GPU的加速比为：A.NB.NC.1D.N答案：A解析：理想数据并行将计算任务均分到N个设备上，总吞吐量提升为原来的N倍。6.下列前向操作中，通常被认为不产生浮点运算次数（FLOPs）的是：A.卷积B.全连接C.ReLU激活D.Softmax答案：C解析：ReLU只执行比较和取最大值操作，不涉及浮点乘加运算。7.一个全连接层，输入维度为256，输出维度为128，若不包含偏置项，该层权重参数量为：A.256B.128C.32768D.384答案：C解析：权重参数量=d8.在混合精度训练中，通常使用FP16执行的操作是：A.主权重更新B.梯度裁剪C.前向传播与反向传播中的矩阵乘法D.多卡梯度归约答案：C解析：混合精度训练中，前反向传播中的乘加运算使用FP16加速，而主权重、梯度更新等关键步骤使用FP32保持精度。9.某AI加速卡的FP32峰值算力为20TFLOPS，执行2×A.10sB.100sC.1000sD.1s答案：B解析：t=10.根据Amdahl定律，当程序中可并行部分占比为p，使用无限多处理器时能达到的最大加速比为：A.1B.1C.1D.1答案：A解析：Amdahl定律为S=1/((1−二、判断题（每题2分，共10分）1.在卷积网络中，增大卷积核尺寸必然导致输出特征图的尺寸增大。答案：错误解析：输出特征图尺寸还取决于步长、填充、空洞率等参数，增大卷积核尺寸不一定使输出尺寸增大。2.FP16混合精度训练中，使用损失缩放（lossscaling）可以防止梯度值过小而被舍入为零。答案：正确解析：反向传播中的梯度往往很小，FP16表示范围有限，先放大损失再反向传播可避免梯度下溢。3.一个神经网络的参数量与其在推理时的FLOPs总是相等的。答案：错误解析：参数量指存储权重个数，FLOPs指计算量。例如卷积层参数量远小于其FLOPs。4.在batchsize相同的条件下，使用8张GPU进行数据并行，理想情况下的单轮训练时间约为单GPU的1/答案：正确解析：理想数据并行将数据均分到8张卡，每卡处理量降为单卡的1/8，忽略通信开销时单轮训练时间约为5.大模型推理时使用KVCache可以避免每次生成token都重新计算历史token的Key和Value，从而减少计算量。答案：正确解析：KVCache将已生成token的K、V缓存，后续时刻只需计算当前token的K、V，显著降低重复计算。三、计算题（第1题15分，第2题15分，第3题20分，共50分）1.设某全连接层的输入向量x∈R512，输出向量y=Wx+(1)权重矩阵W的形状以及该层（含偏置）的参数量；(2)前向传播一次（处理整个批次）所需的FLOPs；(3)若将反向传播中计算各参数梯度的FLOPs计为前向的2倍，则一次完整训练迭代（即前向+反向）的近似总FLOPs是多少？答案：(1)W的形状为256×512。参数量(2)单个样本前向传播的FLOPs为2×32约为8.39×(3)反向传播FLOPs约为前向的2倍，因此一次完整训练迭代总FLOPs约为前向的3倍：3约为2.52×解析：矩阵乘法按“一次乘法+一次加法”计为2FLOPs；批处理时总FLOPs随批大小线性增长。反向传播需要计算损失对W、b及输入x的梯度，计算结构与前向相似，计算量通常约为前向的2倍。2.输入特征图尺寸为32×32，通道数为3。使用16个(1)输出特征图的尺寸和通道数；(2)该卷积层的参数量；(3)处理一张输入特征图所需的FLOPs。答案：(1)输出高度：H同理Wout(2)参数量：C(3)每个输出元素需进行Cin×2约为8.85×解析：填充1保持空间尺寸不变。FLOPs按“乘法+加法”计为2倍乘加数，若按MACs计则为442368。题目要求FLOPs，故乘以2。3.考虑Transformer的单头自注意力机制。设输入序列长度T=128，嵌入维度d=(1)生成Q、K、V的三个线性变换（权重均为d×(2)计算注意力分数矩阵S=(3)计算注意力输出PV（其中P(4)输出投影层（权重也为d×(5)若使用FP16存储该层的KVCache，单层单样本的KVCache大小为多少字节？(6)简述为什么自注意力机制的计算量随序列长度的增长是二次方的。答案：(1)每个线性变换的FLOPs为2T6(2)QK⊤中Q、K均为T×2(3)P为T×T，V为2(4)输出投影与单个线性变换相同，FLOPs：2(5)KVCache需保存K和V，总元素数为2T16384即32KiB。(6)自注意力的两个主要计算步骤QK⊤与PV的计算量均为2T2d，即FLOPs与解析：自注意力计算量由注意力矩阵的相乘主导，序列长度增加会导致T×四、综合应用题（共20分）某企业使用单张GPU训练一个深度学习模型，该GPU的FP32峰值算力为15TFLOPS。训练任务总计算量约为2.7×(1)使用单张GPU（FP32）完成训练的理论最短时间（单位：小时）；（5分）(2)若使用4张GPU进行数据并行训练，设可并行部分占比为95%，串行部分占比为5%。按Amdahl定律计算4卡并行时的加速比及实际训练时间（单位：小时）；（5分）(3)若改用混合精度训练，FP16峰值算力为60TFLOPS，利用率仍为80%。在4卡并行时，由于通信开销，实际加速比只能达到第(2)问中Amdahl加速比的80%。求此时完成训练的实际时间（单位：小时）；（5分）(4)在上述混合精度4卡训练过程中，每张GPU功耗为300W，服务器其余部件功耗为500W。求完成一次训练任务消耗的总电能（单位：kW·h）。（5分）答案：(1)单卡实际算力：15训练时间：t换算