2026年人工智能工程师编程能力考核试卷及答案

2026年人工智能工程师编程能力考核试卷及答案一、单项选择题（每题2分，共40分）1.在Python中，下列哪个数据结构最适合用于实现LRU缓存？A.listB.dictC.collections.OrderedDictD.set答案：C解析：OrderedDict能记录键的插入顺序，并支持move_to_end操作，可方便地实现LRU缓存的淘汰逻辑。2.关于NumPy数组与Python列表的比较，下列说法正确的是？A.NumPy数组可以同时存储多种数据类型B.NumPy数组支持向量化运算，执行效率更高C.Python列表支持广播（broadcast）机制D.Python列表的运算速度通常快于NumPy数组答案：B3.在类别不平衡的二分类问题中，下列哪个评价指标更为合适？A.AccuracyB.F1-scoreC.PrecisionD.Recall答案：B解析：Accuracy在类别不平衡时会偏向多数类。F1-score综合衡量精确率与召回率，能更客观地反映模型在少数类上的表现。4.下列哪个激活函数在深层神经网络中容易出现梯度消失问题？A.ReLUB.LeakyReLUC.SigmoidD.GELU答案：C解析：Sigmoid的导数最大值为0.25，在深层网络中梯度逐层连乘后趋近于0，从而导致梯度消失。5.在PyTorch中，用于标记张量需要自动求梯度的属性是？A..requires_gradB..autogradC..grad_fnD..backward答案：A6.在PyTorch中，下列哪个操作不会改变张量的形状？A.view()B.permute()C.squeeze()D.detach()答案：D解析：detach()将张量从计算图中分离，阻断梯度传播，但不改变张量的形状与数据。7.在机器学习模型训练中，下列关于梯度下降算法的说法正确的是？A.学习率设置得越大，模型收敛越快且效果越好B.批量梯度下降每次更新参数时使用全部训练样本C.随机梯度下降每次迭代使用全部样本计算梯度D.Adam优化器不需要设置学习率答案：B8.下列哪个Python库主要用于自然语言处理？A.OpenCVB.NLTKC.MatplotlibD.SciPy答案：B9.Pandas中，用于删除包含缺失值的行或列的函数是？A.dropna()B.fillna()C.replace()D.isnull()答案：A10.下列哪项措施不能有效缓解模型过拟合？A.增加训练数据量B.使用正则化C.增加模型复杂度D.使用交叉验证筛选模型答案：C解析：增加模型复杂度会增强模型对训练数据的拟合能力，通常会加剧过拟合。应对过拟合需要降低模型复杂度或增加正则约束。11.关于Python中的装饰器，下列说法正确的是？A.装饰器只能用于类，不能用于函数B.装饰器可以在函数调用前后动态添加额外逻辑C.装饰器会显著降低函数执行效率，因此不建议使用D.装饰器必须定义在独立的模块中答案：B12.假设卷积层的输入与输出通道数均为C，下列哪种操作的参数量最少？A.3×3标准卷积B.5×5标准卷积C.3×3深度可分离卷积D.1×1卷积答案：D解析：各操作参数量分别为：3×3标准卷积9C2；5×5标准卷积25C2；3×3深度可分离卷积13.在Transformer的缩放点积注意力机制中，注意力分数除以dkA.防止梯度消失B.防止点积数值过大导致Softmax落入梯度饱和区C.加速矩阵乘法D.提升模型的非线性表达能力答案：B解析：当dk较大时，点积结果的方差随之增大，Softmax输出趋于极端分布，梯度接近0。除以d14.在Python中，执行下列代码后的输出是？x=[i**2foriinrange(5)ifi%2==0]

print(x)A.[0,1,4,9,16]B.[0,4,16]C.[1,9]D.[4,16]答案：B解析：列表推导式遍历0～4，筛选偶数0、2、4并计算平方，结果为[0,4,16]。15.在模型推理阶段，PyTorch中torch.no_grad()的作用是？A.冻结模型参数使其不可更新B.关闭梯度计算，减少内存消耗并加速推理C.将当前所有梯度置为零D.将模型切换为训练模式答案：B16.下列哪个算法不属于监督学习分类算法？A.K近邻（KNN）B.决策树C.K-MeansD.逻辑回归答案：C解析：K-Means是无监督聚类算法，不使用类别标签，不属于分类算法。17.Pandas中，对DataFrame按某列数值升序排序的正确方法是？A.df.sort()B.df.sort_values(by='col')C.df.order_by('col')D.df.arrange('col')答案：B18.关于L1正则化与L2正则化的比较，下列说法错误的是？A.L1正则化可以产生稀疏解B.L2正则化倾向于使参数取值更均匀C.L1正则化是Lasso回归使用的正则化D.L2正则化在特征选择上的效果优于L1答案：D解析：L2正则化使参数趋于均匀但不会产生零值。L1正则化能使部分参数变为0，从而实现特征选择，D表述正好相反。19.Matplotlib中用于绘制散点图的函数是？A.plt.plot()B.plt.scatter()C.plt.hist()D.plt.bar()答案：B20.在PyTorch中，启动模型训练模式（启用Dropout和BatchNormalization的训练行为）的正确方法是？A.model.eval()B.model.train()C.model.fit()D.model.forward()答案：B二、多项选择题（每题2分，共20分）1.下列哪些因素可能导致梯度消失？A.使用Sigmoid激活函数B.网络层数过深C.残差连接D.使用ReLU激活函数答案：AB解析：Sigmoid导数最大为0.25，深层网络中梯度连乘后趋于0；网络过深会加剧梯度消失。残差连接和ReLU均能有效缓解梯度消失问题。2.下列关于交叉验证的说法，正确的有？A.K折交叉验证可以有效利用有限的数据B.交叉验证可以用于模型超参数调优C.数据分割可完全随机，无需考虑类别分布D.留一法（LOOCV）是K折交叉验证的特例答案：ABD解析：分类任务中数据分割应使用分层抽样以保持各类别比例，C错误。留一法即K等于样本总数N时的特例。3.Python中，下列哪些数据结构是可变的？A.listB.tupleC.dictD.set答案：ACD4.下列哪些指标可以用于评估回归模型的性能？A.MAEB.RMSEC.RD.F1-score答案：ABC解析：F1-score是分类任务的综合评价指标，不适用于回归场景。5.下列哪些方法可以缓解深度学习模型的过拟合？A.DropoutB.数据增强C.早停（earlystopping）D.增大学习率答案：ABC6.下列关于批归一化（BatchNormalization）的说法，正确的有？A.可以加速模型收敛B.对每个独立样本单独计算均值和方差C.在一定程度上可以缓解梯度消失D.训练模式与推理模式的计算方式不同答案：ACD解析：BN在一个batch内按特征维计算均值和方差，而非针对单个样本，B错误。推理时使用全局滑动平均统计量，与训练时的batch统计量不同。7.下列哪些属于常见的特征工程方法？A.特征标准化（Z-score）B.独热编码（One-hotencoding）C.特征交叉D.删除所有含缺失值的列答案：ABC解析：D过于激进。缺失值处理需结合缺失率、业务含义和填充策略综合决策，不能一律删除。8.在PyTorch标准训练循环中，下列哪些步骤是必要的？A.前向传播计算损失B.调用backward()反向传播计算梯度C.调用优化器的step()更新参数D.调用zero_grad()清零梯度答案：ABCD解析：标准训练循环流程为：zero_grad()清空梯度→前向传播→计算损失→backward()反向传播→step()更新参数。9.下列关于K-Means聚类算法的描述，正确的有？A.需要预先指定聚类数KB.对初始聚类中心的选择敏感C.可以处理任意形状的簇D.在欧氏距离度量下可能收敛到局部最优答案：ABD解析：K-Means假设簇为近似的凸形（球形），无法处理任意形状的簇，C错误。其目标函数非凸，结果依赖初始中心选择，可能陷入局部最优。10.关于深度学习模型的推理与部署，下列说法正确的有？A.ONNX是一种开放的模型交换格式B.TensorRT可用于NVIDIAGPU上的推理加速C.权重量化可以减小模型体积，但可能带来精度损失D.知识蒸馏是将大模型的知识迁移到小模型答案：ABCD三、判断题（每题1分，共10分）1.Python中的`init.py`文件用于将目录标记为Python包。答案：正确2.Pandas中loc基于整数位置索引，iloc基于行标签索引。答案：错误解析：两者恰好相反。loc基于标签索引，iloc基于整数位置索引。3.对于凸优化问题，梯度下降算法可以保证收敛到全局最优解。答案：正确解析：凸函数不存在局部最优与全局最优的区分，在适当步长条件下梯度下降可收敛至全局最优点。4.ReLU函数在输入为负时梯度为0，可能导致部分神经元在训练中"死亡"。答案：正确5.验证集可以反复用于模型选择，而测试集只能用于最终一次评估。答案：正确6.交叉熵损失函数通常用于回归任务。答案：错误解析：交叉熵常用于分类任务，回归任务通常使用均方误差（MSE）或MAE等损失函数。7.池化层（Pooling）的作用之一是减小特征图的空间尺寸。答案：正确8.设置`np.random.seed(42)`可以使每次生成的随机数序列相同。答案：正确9.软间隔SVM允许部分训练样本被误分类。答案：正确10.在Python中，is运算符用于比较两个变量的值是否相等。答案：错误解析：is比较两个变量是否引用同一个对象（身份比较），值相等应使用==。四、编程题（每题10分，共30分）1.实现一个Python函数two_sum(nums,target)：给定一个整数列表nums和一个目标值target，返回两个数的下标，使得这两个数之和等于target。假设每组输入只对应一个答案，且不能重复使用同一个元素。要求时间复杂度为O(deftwo_sum(nums,target):

hash_map={}

fori,numinenumerate(nums):

complement=target-num

ifcomplementinhash_map:

return[hash_map[complement],i]

hash_map[num]=i

return[]解析：使用哈希表记录"数值到下标的映射"。遍历列表时，检查target2.使用NumPy实现一个标准化函数zscore_normalize(X)：对输入的特征矩阵X∈importnumpyasnp

defzscore_normalize(X):

mean=np.mean(X,axis=0)

std=np.std(X,axis=0)

std[std==0]=1#避免除零

X_norm=(X-mean)/std

returnX_norm,mean,std解析：Z-score标准化的公式为：z其中μj、σj分别为第j列的均值和标准差，axis=0表示按列计算。对于完全恒定的特征（标准差为0），将其标准差置为1，使该列标准化后全为0，避免出现NaN。推理阶段应使用训练集保存的mean和3.使用PyTorch实现一个两层全连接神经网络，用于手写数字识别（MNIST）。要求：（1）输入维度784，隐藏层维度128，输出维度10；（2）隐藏层使用ReLU激活函数，并添加Dropout（丢弃率0.5）；（3）给出模型定义、损失函数、优化器以及训练循环的核心代码。importtorch

importtorch.nnasnn

classMLP(nn.Module):

def__init__(self,input_dim=784,hidden_dim=128,num_classes=10):

super(MLP,self).__init__()

self.fc1=nn.Linear(input_dim,hidden_dim)

self.relu=nn.ReLU()

self.dropout=nn.Dropout(0.5)

self.fc2=nn.Linear(hidden_dim,num_classes)

defforward(self,x):

x=x.view(x.size(0),-1)#展平为[batch_size,784]

x=self.relu(self.fc1(x))

x=self.dropout(x)

x=self.fc2(x)

returnx

#模型、损失函数与优化器

model=MLP()

criterion=nn.CrossEntropyLoss()

optimizer=torch.optim.Adam(model.pa