【HCIA-AIV4.0】2025题库+解析（一）
1、哪些属于计算机视觉应用场景
A.知识图谱
B.语义分割
C.智能驾驶
D.视频分析
解析：BCD
选项 A（知识图谱）：不属于计算机视觉。知识图谱是一种结构化的知识表示方式，用于存储和关联各类信息，属于知识工程、语义网络领域，与视觉信息处理无关。
选项 B（语义分割）：属于计算机视觉。语义分割是计算机视觉的核心任务之一，通过算法对图像中的每个像素进行类别标注（如区分 “道路”“行人”），是视觉理解的基础技术。
选项 C（智能驾驶）：属于计算机视觉。智能驾驶需通过摄像头等传感器采集视觉信息，借助计算机视觉技术识别道路、车辆、交通标志等，是其核心技术支撑之一。
选项 D（视频分析）：属于计算机视觉。视频由连续图像帧组成，视频分析（如目标跟踪、行为识别）依赖计算机视觉对视觉序列信息的处理，是典型应用场景。
2、与基于规则的系统相比，在处理垃圾邮件识别这类问题时，机器学习方法的核心优势是什么?
A. 决策过程完全透明且无需任何数据
B.能够自动从数据中归纳模式，并适应新的变化
C.开发初期无需任何领域知识，即可达到完美性能
D.其性能完全不依赖于训练数据的质量和数量
解析：B
选项 A：错误。机器学习方法需要依赖训练数据，且部分模型（如深度学习）的决策过程具有 “黑箱” 特性，并非完全透明；基于规则的系统反而更易实现决策透明。
选项 B：正确。基于规则的系统依赖人工预设规则，面对新类型垃圾邮件（如新型话术、伪装形式）难以适配；而机器学习可自动从大量邮件数据中归纳垃圾邮件的模式（如关键词、发送特征等），并能通过更新数据重新训练以适应新变化。
选项 C：错误。机器学习开发初期仍需领域知识辅助数据筛选、特征设计等，且无法在初期就达到 “完美性能”，需持续优化模型与数据。
选项 D：错误。机器学习的性能高度依赖训练数据的质量（如数据是否准确标注）与数量（数据量不足易导致欠拟合），并非 “完全不依赖”。
3、在医疗影像辅助诊断中，构建一个将肺部CT图像映射至“良性”或“恶性”标签的系统，是哪类机器学习任务的典型例子？
A.回归
B.聚类
C. 强化学习
D. 分类
解析：D
选项 A（回归）：回归任务的目标是预测连续数值（如预测患者的肿瘤大小），而本题是将图像映射到 “良性 / 恶性” 的离散类别标签，不属于回归。
选项 B（聚类）：聚类是无监督学习任务，通过数据的内在特征将其划分为不同簇，无需预先定义标签；本题中 “良性 / 恶性” 是明确的预设标签，属于监督学习，因此不属于聚类。
选项 C（强化学习）：强化学习是智能体通过与环境交互、获取奖励信号来优化行为策略的任务，与 “将图像映射到固定标签” 的场景无关。
选项 D（分类）：分类任务的核心是将输入数据分配到预先定义的离散类别标签中，本题中 “肺部 CT 图像→良性 / 恶性标签” 正是二分类任务的典型场景。
4、一个计算机程序能够从经验中学习的标准是，其在某项任务上的性能随着什么因素的积累而得以提升?
A. 计算时间的增加
B.专家干预的次数
C.经验数据的积累
D.规则列表的扩展
解析：C
选项 A（计算时间的增加）：计算时间仅代表程序运行的时长，与 “从经验学习” 无关，单纯增加计算时间无法提升任务性能。
选项 B（专家干预的次数）：专家干预是人工介入调整，并非程序从 “经验” 中自主学习的过程，不符合机器学习中 “经验驱动性能提升” 的核心逻辑。
选项 C（经验数据的积累）：机器学习中 “经验” 的载体是数据，程序通过学习积累的经验数据，可优化模型对任务的理解与处理能力，从而提升性能，这是 “从经验学习” 的核心标准。
选项 D（规则表的扩展）：规则表扩展是基于人工预设规则的系统升级方式，并非程序从经验中自主学习的结果，属于传统编程模式，而非机器学习的 “经验学习”。
5、以下哪个组件不属于单层感知机的基本结构?
A. 输出数据
B. 隐藏层
C.输出层
D.权重参数
解析：B
选项 A（输出数据）：对应输出层的结果，是单层感知机的输出部分；
选项 B（隐藏层）：隐藏层是多层神经网络（如多层感知机）的结构组件，单层感知机不包含隐藏层；
选项 C（输出层）：是单层感知机的核心结构之一，负责输出结果；
选项 D（权重参数）：是连接输入层与输出层的参数，用于计算输入的加权和，属于单层感知机的基本组成。
6、以下哪些选项不是深度学习中的激活函数的作用?
A. 大部分激活函数对输入信息有缩放作用
B.具备提取数据特征的作用
C.使深度神经网络具备非线性能力
D.降低网络复杂度
解析：BD
选项 A：是激活函数的作用。例如 sigmoid 将输入缩放到 0-1 区间，tanh 缩放到 - 1-1 区间，大部分激活函数具备此类输入缩放 / 变换的能力。
选项 B：不是激活函数的作用。数据特征的提取是由神经网络的层（如卷积层、全连接层）通过学习权重参数实现的，激活函数仅对神经元输出做非线性变换，不参与特征提取。
选项 C：是激活函数的核心作用。若缺少激活函数，多层神经网络的线性变换等价于单层线性模型，无法拟合复杂非线性任务，激活函数使网络具备非线性能力。
选项 D：不是激活函数的作用。网络复杂度由模型的层数、神经元数量、参数规模等决定，激活函数仅改变神经元输出的计算方式，不直接降低网络复杂度（其计算特性可能减少部分运算量，但这并非激活函数的设计作用）。
7、LSTM中的遗忘门的主要作用是什么?
A. 决定哪些信息从记忆单元中丢弃
B.决定哪些新信息存储在记忆单元中
C.决定记忆单元的哪些部分输出
D.控制LSTM的输入
解析：A
选项 A：是遗忘门的主要作用。遗忘门通过计算得到的 “遗忘系数”，决定记忆单元（细胞状态）中哪些历史信息需要被丢弃，以更新细胞状态。
选项 B：是输入门的作用。输入门负责筛选新输入的信息，决定哪些信息需要存储到记忆单元中。
选项 C：是输出门的作用。输出门控制记忆单元的哪些部分会被输出，作为当前时刻的隐藏状态。
选项 D：并非遗忘门的作用。LSTM 的输入由输入层直接传递，不受遗忘门控制。
8、Softmax 激活函数的输出值之和恒为1，因此仅适用于多分类任务的输出层，无法用于二分类任务。（判断）
解析：错误
Softmax 激活函数的输出是多类别概率分布（和为 1），但并非无法用于二分类任务：在二分类场景中，可将输出层设置为 2 个神经元，通过 Softmax 输出两个类别对应的概率（二者之和为 1），此时其效果与 Sigmoid 激活函数（输出单个类别概率，另一类别概率为 “1 - 该值”）是等价的。因此题干中 “无法用于二分类任务” 的表述错误。
9、单层感知机是一种能够处理多分类任务的经典神经网络模型。（判断）
解析：错误
顾名思义即可单层咋处理多层bro
10、以下哪些硬件设备可以用于MindSpore训练?
A.CPU
B. NPU
C.GPU
D.CUDA
解析：ABC
CUDA不是硬件设备 CUDA是NVIDIA的一个计算平台和编程模型
11、哪一项是AI芯片典型的技术特征或设计重点?
A.高精度算术运算(如FP64)
B.采用众核架构并侧重于低精度运算
C.优化的串行处理能力
D.专为图形渲染而设计
解析：B
选项 A：AI 芯片的设计重点并非高精度浮点运算（如 FP64）。AI 任务对精度的需求通常较低（如 FP16、INT8），高精度运算更多是科学计算类芯片的特征。
选项 B：这是 AI 芯片的典型技术特征。AI 任务具有高并行性，因此 AI 芯片常采用众核架构以提升并行处理能力；同时，低精度运算（如 FP16、INT8）可大幅提升能效与计算速度，是 AI 芯片的核心设计侧重点之一。
选项 C：AI 任务以并行计算为主，AI 芯片优化的是并行处理能力，而非串行处理能力（串行能力是 CPU 的设计重点之一）。
选项 D：“专为图形渲染设计” 是传统 GPU 的初始定位，并非 AI 芯片的设计目标。
12、昇腾AI处理器的异构计算架构中，哪个专用计算单元主要负责处理高并行度的矩阵运算(如卷积、矩阵乘加)?
A. Control CPU
B. AI CPU
C.Al Core
D.DVPP
解析：C
选项 A（Control CPU）：主要负责系统控制、任务调度与资源管理，并非处理高并行度计算任务。
选项 B（AI CPU）：侧重处理串行性、控制类的 AI 任务或辅助计算，不负责高并行度的矩阵运算。
选项 C（AI Core）：是昇腾 AI 处理器的核心计算单元，专为高并行度的 AI 计算设计，可高效处理卷积、矩阵乘加等大规模并行运算任务，是承担核心 AI 计算的专用单元。
选项 D（DVPP）：全称数字视频预处理单元，主要负责视频编解码、图像预处理等媒体处理任务，与矩阵运算无关。
3、AI Core作为昇腾处理器的核心计算引擎，其内部结构主要包含哪些关键模块?
A.计算单元(含Cube, Vector, Scalar Unit)
B.存储系统(片上缓存与数据通路)
C.数字视觉预处理模块 (DVPP)
D.控制单元(指挥调度部件)
解析：ABD
选项 A：属于 AI Core 的关键模块。计算单元是 AI Core 的核心运算组件，其中 Cube Unit 负责矩阵运算、Vector Unit 负责向量运算、Scalar Unit 负责标量运算，共同支撑各类 AI 计算任务。
选项 B：属于 AI Core 的关键模块。存储系统（含片上缓存、数据通路）是 AI Core 的重要组成部分，负责数据的临时存储与高效传输，保障计算单元的数据流供应。
选项 C：不属于 AI Core 的内部结构。DVPP（数字视觉预处理模块）是昇腾处理器中独立的媒体处理单元，负责视频编解码、图像预处理等任务，并非 AI Core 的内部模块。
选项 D：属于 AI Core 的关键模块。控制单元（指令调度部件）负责 AI Core 内部的指令分发、流程控制，是保障计算任务有序执行的核心模块之一。
1、以下哪种场景最能体现具身智能依赖物理实体与环境动态交互的特点?
A.纯软件模型(如 GPT)生成文本回复
B.图像识别模型(如 ResNet)对静态图片分类
C.家庭服务机器人通过机械臂抓取水杯，并根据水杯重量调整握力
D.语音助手仅通过麦克风接收指令并生成语音回复
解析：C
感觉不用解析，常识题
2、以下哪些属于智能家居中AI自动控制的场景?
A.智能空调根据人体体温自动调节温度
B.智能门锁通过人脸识别完成解锁
C.普通自炽灯泡需手动按下开关点亮
D.智能窗帘根据日出时间自动打开
解析：ABD
解析在哪
3、语音助手能识别用户指令，核心是依赖语音识别技术将语音信号转化为文本，再通过自然语言处理理解指令含（判断）
解析：正确
宝宝题
1、以下哪项不属于人工智能前沿应用技术?
A. SDN
B.智能驾驶
C.知识图谱
D.量子计算
解析：A
依旧宝宝题
2、以下哪一项不是PyTorch框架的特点?
A.丰富的生态系统
B.易用Debug
C.Python优先
D.默认使用静态图
解析：D
只有D唱反调，选D
PyTorch 拥有丰富的生态系统，涵盖模型库、工具链、第三方扩展等，支持各类 AI 任务开发。
3、32x32的特征图经过池化层，已知池化大小为2，输出的特征图尺寸为以下哪个选项?
A. 23x23
B. 16x16
C.29x29
D.30x30
解析：B
输出尺寸=输入尺寸/池化核大小
32/2=16
宝宝数学
4、在昇腾AI软件栈中，Mindstudio属于以下哪一种类别?
A. 异构计算架构
B.管理运维工具
C.全流程开发工具链
D.深度学习框架
解析：C
选项 A（异构计算架构）：异构计算架构是昇腾 CANN（Compute Architecture for Neural Networks）的定位，负责硬件与软件之间的计算调度，并非 MindStudio 的类别。
选项 B（管理运维工具）：管理运维工具侧重设备监控、资源管理等运维场景，MindStudio 不承担此类功能。
选项 C（全流程开发工具链）：MindStudio 是昇腾 AI 软件栈中的集成开发环境，覆盖模型开发、编译、调试、部署等 AI 开发全流程，属于全流程开发工具链。
选项 D（深度学习框架）：深度学习框架是 MindSpore 的定位，MindStudio 是开发工具，并非框架本身。
5、TensorFlow中使用什么来描述计算过程?
A.参数
B.会话
C.数据流图
D.张量
解析：C
选项 A（参数）：参数是模型中的可学习变量（如权重、偏置），是计算过程的操作对象，并非用于描述计算过程的结构。
选项 B（会话）：会话是 TensorFlow 中用于执行数据流图的组件，负责分配资源、运行计算，并非描述计算过程的工具。
选项 C（数据流图）：这是 TensorFlow 描述计算过程的核心方式，以 “节点” 表示计算操作、“边” 表示数据（张量）的流转，完整刻画了计算的流程与依赖关系。
选项 D（张量）：张量是 TensorFlow 中数据的载体（如数组、矩阵），是计算过程中传递的内容，并非描述计算过程的结构。
6、计算机通过具有标签的图片数据学习分辨哪些图片是苹果，哪些图片是梨，这一场景最符合以下哪一类型的学习?
A.无监督学习
B.半监督学习
C.强化学习
D.监督学习
解析：D
选项 A（无监督学习）：依赖无标签数据，通过数据内在特征进行聚类、降维等，与题干 “有标签的图片数据” 不符。
选项 B（半监督学习）：结合少量有标签数据与大量无标签数据进行学习，题干中是完全带标签的数据，不符合该类型。
选项 C（强化学习）：通过智能体与环境交互、获取奖励信号优化策略，与 “有标签图片分类” 的静态数据学习场景无关。
选项 D（监督学习）：核心是利用带有标签的数据，让模型学习 “输入（图片）- 标签（苹果 / 梨）” 的映射关系，与题干中 “有标签的图片数据学习分类” 的场景完全匹配。
7、以下关于不同优化器的描述，错误的是哪一项?
A.相比于RMSprop，Adagrad对梯度变化更敏感,
B.Adam中需要在前几个迭代中做偏差修正,
C. Adagrad和RMSprop都可以对参数设置自适应的学习率
D.RMSprop优化器很好的解决了Adagrad优化器过早结束的问题。
解析：A
选项 A：错误。Adagrad 通过累积所有历史梯度的平方来调整学习率，导致学习率持续快速衰减，对梯度的 “长期累积” 更敏感；而 RMSprop 采用指数加权移动平均累积梯度平方（仅关注近期梯度变化），对梯度的 “近期变化” 更敏感。因此 “Adagrad 对梯度变化更敏感” 的描述与实际特性相反。
选项 B：正确。Adam 的一阶矩（动量）和二阶矩（梯度平方的移动平均）初始值为 0，前几轮迭代的估计存在偏差，因此需要通过偏差修正（如乘以\(1-\beta_1^t\)、\(1-\beta_2^t\)）来修正估计值。
选项 C：正确。Adagrad 和 RMSprop 均为自适应学习率优化器，可根据每个参数的梯度历史（Adagrad 累积所有历史梯度、RMSprop 累积近期梯度），为不同参数独立调整学习率。
选项 D：正确。Adagrad 因累积所有历史梯度，学习率会快速衰减，导致训练过早停止；RMSprop 通过指数加权移动平均替代全量累积，避免了学习率过快衰减，解决了 Adagrad “过早结束” 的问题
8、大语言模型基于Transformer架构延伸出不同的路线图，GPT属于其中哪一种路线图?
A. Decoder-Only
B. Encoder-Only
C.Encoder-Decoder
D.Decoder-Encoder
解析：A
选项 A（Decoder-Only）：GPT 系列采用 Transformer 的Decoder 模块堆叠，利用 Decoder 的掩码自注意力机制实现自回归文本生成，属于 Decoder-Only 路线。
选项 B（Encoder-Only）：典型代表是 BERT，仅使用 Transformer 的 Encoder 模块，侧重文本理解任务，与 GPT 的架构路线不符。
选项 C（Encoder-Decoder）：典型代表是 T5、BART，同时使用 Transformer 的 Encoder 与 Decoder 模块，侧重序列到序列任务（如翻译、摘要），并非 GPT 的路线。
选项 D（Decoder-Encoder）：不存在此类 Transformer 衍生路线，属于干扰项。
9、以下哪一项不属于循环神经网络?
A.RNN
B.CNN
C. LSTM
D. GRU
解析：B
选项 A（RNN）：全称循环神经网络（Recurrent Neural Network），是循环神经网络的基础架构。
选项 B（CNN）：全称卷积神经网络（Convolutional Neural Network），核心用于处理空间结构化数据（如图像），属于前馈神经网络，并非循环神经网络。
选项 C（LSTM）：全称长短期记忆网络，是 RNN 的改进变体，属于循环神经网络。
选项 D（GRU）：全称门控循环单元，是 RNN 的轻量化改进变体，属于循环神经网络。
10、以下哪一项对数据的操作中不能增加模型泛化能力?
A.对文字类数据进行近义词替换
B.复制当前数据，增加数据量
C.对图片数据进行裁剪、反转操作
D.对音频类数据添加噪声
解析：B
选项 A：近义词替换属于文本数据增强，可增加数据的表述多样性，帮助模型学习 “语义相同、形式不同” 的样本，提升泛化能力。
选项 B：复制当前数据仅增加数据量，但未增加数据多样性（样本完全重复），无法让模型接触新的输入模式，反而可能导致过拟合，不能提升泛化能力。
选项 C：图片裁剪、反转属于图像数据增强，可增加图片的呈现形式多样性，让模型适应不同视角、区域的输入，提升泛化能力。
选项 D：音频添加噪声属于音频数据增强，可模拟真实环境中的噪声干扰，让模型适应复杂音频场景，提升泛化能力。
11、以下哪个工具可以进行NPU算力集群的管理?
A. Mindspeed
B. MindCluster
C. Mindspore
D.TF Adapter
解析：B
选项 A（MindSpeed）：并非昇腾生态中用于 NPU 集群管理的工具，属于干扰项。
选项 B（MindCluster）：是昇腾生态下的工具，专门用于 NPU 算力集群的管理、调度与资源分配，匹配题干 “NPU 算力集群管理” 的需求。
选项 C（MindSpore）：是深度学习框架，负责模型开发、训练与部署，并非集群管理工具。
选项 D（TF Adapter）：是 TensorFlow 与昇腾硬件的适配组件，用于让 TensorFlow 模型运行在 NPU 上，不涉及集群管理。
12、以下关于大模型和小模型的描述错误的是哪一项?
A.小模型在部署和使用上更加灵活
B.使用大模型的数据集训练小模型，小模型也会产生涌现
C.行业大模型通常使用微调的方式训练
D.大模型可以使用思维链技术来提升准确度
解析：B
baby problem
13、Deepseek-R1是效果最为出众的模型之一，它属于以下哪个范畴的人工智能?
A. 代理式人工智能
B.弱人工智能
C.强人工智能
D.通用人工智能
解析：B
infant problem
14、在智慧医疗场景下，以下技术与应用对应错误的是哪一项?
A.药物挖掘-图像生成
B.疾病风险预测-数据挖掘
C.医学影像-计算机视觉
D.虚拟助理-语音识别
解析：A
请输入文本
15、模型构建流程的正确步骤是以下哪个选项?
1.验证模型
2.分割数据
3.用户反馈数据优化模型
4.训练模型
5.部署模型
6.测试模型
A.2->4->1->6->5->3
B.2->4->3->1->6->5
C.2->4->3->1->5->6
D.2->3->4->1->6->5
解析：A
依旧小孩题
16、以下关于Deepseek-R1-Zero的描述不正确的是哪一项?
A.它是Deepseek系列中参数最大的模型之一
B.具备推理能力
C.训练时使用了有监督微调
D.它是由DeepSeek V3经过强化学习后训练得到
解析：C
用的强化学习，背
17、以下哪一项的描述是错误的?
A.Self-Attention是一种使用了注意力机制的算法
B.RNN可以处理文本数据
c.Self-Attention和RNN功能类似，可以处理时序相关问题，同时它们计算时的并行度相对都不高,
D.Self-Attention应用在了Transformer架构中
解析：C
选项 A：正确。Self-Attention（自注意力）是注意力机制的一种具体实现，核心是通过注意力机制捕捉序列内部元素的依赖关系。
选项 B：正确。RNN（循环神经网络）是时序模型，文本是典型的时序数据（按词 / 字的顺序构成序列），因此 RNN 可用于文本分类、生成等任务。
选项 C：错误。Self-Attention 与 RNN 虽均能处理时序问题，但并行度差异极大：RNN 需按序列顺序逐步计算，并行度极低；而 Self-Attention 可同时计算序列所有位置的注意力，并行度极高。
选项 D：正确。Transformer 架构的核心组件之一就是 Self-Attention，其 Encoder 和 Decoder 模块均包含 Self-Attention 层。
18、在电信欺诈检测场景和车辆违规识别场景中，分别对模型的哪个评估指标要求较高?
A.召回率、召回率
B.召回率、精度
C.精度、召回率
D.精度、精度
解析：B
不知道咋说，感觉是宝宝题和小学生题中间的水准，得动动脑
19、机器学习算法中，以下哪一项属于集成学习策略?
A. DBSCAN
B. Marking
c. Stacking
D. RLHF
解析：C
选项 A（DBSCAN）：是无监督学习中的聚类算法，用于数据的聚类分组，不属于集成学习策略。
选项 B（Marking）：并非机器学习领域的标准算法或策略，属于干扰项。
选项 C（Stacking）：是典型的集成学习策略（堆叠法），核心是将多个基学习器的预测结果作为新特征，再训练一个 “元学习器” 生成最终预测，属于集成学习范畴。
选项 D（RLHF）：是 “人类反馈强化学习”，主要用于大语言模型的对齐训练，并非集成学习策略。
20、以下哪个选项是Deepseek R1所用到的基础结构?
A. transformer block
B. VAE
C.强化学习
D. LSTM
解析：A
选项 A（transformer block）：DeepSeek R1 是大语言模型，当前主流大语言模型的基础结构均基于Transformer 架构，而 transformer block 是 Transformer 架构的核心组成单元，因此这是 DeepSeek R1 的基础结构。
选项 B（VAE）：VAE 是变分自动编码器，属于生成式模型，但并非 DeepSeek R1 的基础结构。
选项 C（强化学习）：强化学习是一种训练方法（如 DeepSeek R1 可能用到 RLHF），并非模型的基础结构。
选项 D（LSTM）：LSTM 是循环神经网络的变体，而 DeepSeek R1 采用的是 Transformer 架构，并非 LSTM。
21、AI应用的开发流程包括以下哪些选项?
A.模型训练
B.模型构建
C. 模型部署
D.数据预处理
解析：ABCD
宝宝题
22、盘古大模型按照使用层级可划分为以下哪几种模型?
A.行业模型
B. AI模型
C.基础模型
D.场景模型
解析：ACD
依旧宝宝题
盘古大模型“不会作诗，只会做事”，是一个完全面向行业的大模型系列，包括5+N+X三层架构，以下哪些大23、模型属于L0层基础大模型?
A.盘古科学计算大模型
B.盘古视觉大模型
C.盘古气象大模型
D.盘古医药大模型
解析：AB
盘古大模型 “5+N+X” 三层架构的定位如下：
- L0 层（基础大模型层）：对应 “5”，是通用基础能力的大模型，覆盖科学计算、视觉、多模态等基础领域。
- L1 层（行业大模型层）：对应 “N”，是基于 L0 层适配各行业场景的模型（如气象、医药等）。
- L2 层（场景模型层）：对应 “X”，是针对具体业务场景的细分模型。
对选项的匹配分析：
选项 A（盘古科学计算大模型）：属于 L0 层的基础大模型。
选项 B（盘古视觉大模型）：属于 L0 层的基础大模型。
选项 C（盘古气象大模型）：属于 L1 层的行业大模型，并非 L0 层。
选项 D（盘古医药大模型）：属于 L1 层的行业大模型，并非 L0 层。
24、Mindspore支持端-边-云按需协作的关键技术包括?
A.集中式架构
B.统-模型IR
C.端云协同Federal Meta Learning
D.软硬协同的图优化技术
解析：BCD
选项 A（集中式架构）：集中式架构是单一节点集中处理，与端 - 边 - 云 “分布式、多节点协作” 的模式矛盾，不属于其关键技术。
选项 B（统一模型 IR）：统一的中间表示（IR）是 MindSpore 实现端 - 边 - 云模型跨设备适配的基础，可将模型转换为适配不同硬件（端、边、云）的格式，是关键技术之一。
选项 C（端云协同 Federal Meta Learning）：联邦元学习结合了联邦学习（保护端侧数据隐私）与元学习（小样本适配），支持端 - 云在不共享原始数据的前提下协同训练 / 优化模型，是端 - 边 - 云协作的关键技术。
选项 D（软硬协同的图优化技术）：端 - 边 - 云设备硬件异构性强，软硬协同的图优化可针对不同硬件（如端侧轻量芯片、云侧服务器）优化计算图，提升模型在各节点的运行效率，是关键技术之一。
25、AI相关硬件的发展趋势主要包括以下哪几项?
A.支持新数据类型，片内片间高速互联，支持虚拟化
B.带宽提高，工艺提升，核数增加，多硅片封装
C.SIMD广泛应用，Tensor core处理规模变大
D.单核计算密度减小
解析：ABC
选项 A：符合趋势。AI 任务需处理混合精度、稀疏等新数据类型；片内 / 片间高速互联提升多芯片协作效率；虚拟化可灵活调度硬件资源，适配端 - 边 - 云场景。
选项 B：符合趋势。高带宽满足 AI 计算的海量数据传输需求；先进工艺（如更先进制程）提升性能与能效；核数增加强化并行计算能力；多硅片封装（如 Chiplet）是应对芯片集成瓶颈的主流方案。
选项 C：符合趋势。SIMD（单指令多数据）是 AI 并行计算的基础技术；Tensor Core 是 AI 硬件的专用计算单元，扩大其处理规模可提升矩阵运算（AI 核心计算）效率。
选项 D：不符合趋势。AI 硬件追求更高的计算密度（单位面积 / 功耗下的计算能力），单核计算密度应增大而非减小。
26、以下哪些选项是TensorFlow 2.x Eager Execution的特点?
A. 高性能
B.可部署性
C. 灵活
D.直观
解析：CD
选项 A（高性能）：Eager 模式因即时执行，缺少静态图的编译优化（如图融合、并行调度），性能弱于静态图模式，因此 “高性能” 不是其特点。
选项 B（可部署性）：Eager 模式是开发 / 调试阶段的执行方式，部署模型通常需转换为静态图格式（如 SavedModel），因此 “可部署性” 不是其特点。
选项 C（灵活）：Eager 模式支持原生 Python 控制流（如if/for），无需依赖 TensorFlow 特定语法（如tf.cond），开发更灵活，是其核心特点之一。
选项 D（直观）：Eager 模式每一步操作会立即返回结果，可直接打印张量值，调试时无需等待会话运行，交互更直观，是其核心特点之一。
27、以下哪些选项属于终端设备上所使用的AI芯片特征?
A. 高能效
B.低延迟
C.高功耗
D.低成本
解析：ABD
高功耗就完蛋了
28、以下关于数据集的描述中，哪些选项是正确的?
A.训练过程中使用的数据集中的每个样本称为训练样本
B.反映样本在某方面的表现或性质的事项或属性称为特征
C.从数据中学得模型的过程称为学习(训练)
D.在机器学习任务中使用的一组数据，其中的每一个数据称为一个样本
解析：ABCD
（）
29、目前关于AI的应用技术方向，描述正确的有哪几项?
A.自然语言处理是利用计算机技术来理解并运用自然语言的学科
B.语音处理是研究语音发声过程、语音信号的统计特性、语音识别、机器合成以及语音感知等各种处理技术的统称
C.计算机视觉是研究如何让计算机“看”的科学
D.自动驾驶不需要用到语音处理和计算机视觉的技术
解析：ABC
建议人机验证加入此题
30、在Transformer中，用于捕获序列内的时序依赖关系的层有哪些?
A. 自注意力层
B.前馈网络层
C.残差层
D.位置编码
解析：AD
选项 A（自注意力层）：自注意力层的核心是计算序列中不同位置元素之间的注意力权重，直接捕捉序列内的依赖关系（包括时序依赖），是捕获时序关系的核心层。
选项 B（前馈网络层）：前馈网络是对序列中每个位置独立处理（无位置间交互），无法捕捉时序依赖。
选项 C（残差层）：残差层是实现 “输入 + 层输出” 的残差连接，作用是缓解梯度消失、辅助深层训练，不参与时序依赖的捕捉。
选项 D（位置编码）：Transformer 的自注意力本身是 “无序” 的，位置编码会给每个位置添加唯一的位置信息，让模型感知序列的顺序，是捕捉时序依赖的必要辅助组件。
31、人工智能的主要学派有哪些?
A. 行为主义
B.符号主义
C.连接主义
D.幻觉主义
解析：ABC
选项 A（行为主义）：又称进化主义 / 控制论学派，核心是模拟生物的 “感知 - 行动” 反馈机制，通过与环境交互学习（典型如强化学习），是人工智能的主要学派之一。
选项 B（符号主义）：又称逻辑主义 / 心理学派，核心是用符号表示知识、通过逻辑推理实现智能（典型如专家系统），是人工智能早期的核心学派之一。
选项 C（连接主义）：又称仿生学派 / 生理学派，核心是模拟人脑的神经元连接结构，通过神经网络的训练学习（典型如深度学习），是当前主流的人工智能学派之一。
选项 D（幻觉主义）：并非人工智能领域的学术流派，属于干扰项。
32、以下哪些选项是决策树用于划分节点的依据?
A.方差
B.信息增益率
c.期望
D.频率
解析：AB
决策树划分节点的核心是选择 “使子集纯度提升最显著” 的特征，常用依据如下：
选项 A（方差）：是 ** 回归决策树（如 CART 回归树）** 的划分依据，通过最小化划分后子集的方差（衡量数据离散程度），让子集内的样本更趋一致。
选项 B（信息增益率）：是 ** 分类决策树（如 C4.5 算法）** 的划分依据，通过计算特征的信息增益率（修正了信息增益偏向多分类特征的问题），选择使子集信息熵下降最显著的特征。
选项 C（期望）：是概率中的均值概念，并非决策树划分节点的依据。
选项 D（频率）：是类别出现的占比，单独的频率无法衡量子集纯度，不是划分节点的依据。
33、以下哪些选项属于AI开发框架?
A. PyTorch
B. Mindspore
C. Python
D.TensorFlow
解析：ABD
这道也加入人机验证
34、LSTM模型结构中的哪些模块共同决定了当前细胞状态保留何种信息?
A.下一层的隐藏状态
B.当前层的输入信息
C.上一层的细胞状态
D.当前层的隐藏状态
解析：BC
选项 A（下一层的隐藏状态）：下一层的隐藏状态是当前层计算后的输出结果，不参与当前细胞状态的信息保留决策。
选项 B（当前层的输入信息）：输入门会对当前层的输入信息进行处理，筛选出需要加入细胞状态的新信息，是决定当前细胞状态保留内容的核心因素之一。
选项 C（上一层的细胞状态）：遗忘门会筛选上一层细胞状态中需要保留的信息，这是当前细胞状态的基础来源之一，参与信息保留决策。
选项 D（当前层的隐藏状态）：当前层的隐藏状态是细胞状态经过输出门处理后的结果，并非决定细胞状态的因素。
35、在神经网络训练过程中，使用以下哪些激活函数不容易产生梯度消失的现象?
A. Leaky ReLU函数
B.Swish函数
C.Softmax函数
D.Sign函数
解析：AB 这个需要背过
选项 A（Leaky ReLU 函数）：普通 ReLU 在\(x<0\)时梯度为 0，易梯度消失；而 Leaky ReLU 在\(x<0\)时保留了小斜率（如 0.01），梯度在整个定义域内非零，不易出现梯度消失。
选项 B（Swish 函数）：Swish 是光滑的非饱和激活函数（形式为\(x \cdot \text{sigmoid}(x)\)），其梯度在大部分区域保持较大值（无明显 “梯度趋近于 0” 的饱和区），不易出现梯度消失。
选项 C（Softmax 函数）：Softmax 常用于输出层，当某类别概率趋近于 1 时，对应梯度会趋近于 0，易出现梯度消失。
选项 D（Sign 函数）：Sign 是阶跃函数，梯度几乎处处为 0，反向传播时无法传递有效梯度，极易出现梯度消失。
36、深度学习中，数据增强是一种有效防止过拟合的方法。以下关于数据增强的描述中，正确的有哪几项?
A. NLP中复制同一个词多次进行训练
B.语音识别任务中对输入数据添加随机噪声
C.在图像分类任务中调节图片亮度或对比度
D.在图像分类任务中更改图像色域
解析：BCD
选项 A：错误。复制同一个词仅重复数据，未增加多样性（样本无新特征），无法起到数据增强的作用，反而可能加剧过拟合。
选项 B：正确。语音识别中添加随机噪声是典型的数据增强方式，可模拟真实环境的噪声干扰，提升模型对复杂音频场景的鲁棒性。
选项 C：正确。调节图像亮度、对比度是图像分类任务的常用增强手段，能增加图像的呈现形式多样性，同时不改变图像的类别标签。
选项 D：正确。更改图像色域（如色彩空间转换、调整颜色分布）属于图像增强方式，可让模型适应不同的颜色表现形式，保持类别信息的同时增加数据多样性。
37、如果深度神经网络出现了梯度消失或梯度爆炸问题，以下哪些选项是常用的缓解方式?
A.使用Dropout
B.使用Relu激活函数
C.随机过采样
D.梯度剪切
解析：BD
选项 A（使用 Dropout）：Dropout 的作用是随机丢弃神经元、减少过拟合，与梯度的传递（消失 / 爆炸）无关，不是缓解方式。
选项 B（使用 ReLU 激活函数）：ReLU 在\(x>0\)时梯度恒为 1，避免了 Sigmoid/Tanh 等激活函数的 “梯度饱和区（梯度趋近于 0）”，可有效缓解梯度消失。
选项 C（随机过采样）：这是处理数据类别不平衡的方法，与梯度问题无关，不是缓解方式。
选项 D（梯度剪切）：梯度爆炸时梯度值过大，梯度剪切会将梯度限制在指定阈值内，防止梯度持续放大，是缓解梯度爆炸的常用手段。
38、以下哪些结构属于LSTM?
A.输入门
B.位置门
c.输出门
D.遗忘门
解析：ACD
背！
39、以下关于AI应用开发流程的描述，正确的有哪些选项?
A.数据收集阶段要尽量获取更多的数据，然后通过预处理获得高质量数据
B.构建网络模型时需要结合具体需求，考虑损失函数、各层数神经元数量
C.模型训练过程中，为保证拟合效果要尽可能的增加训练时长
D.模型训练完成后，只将超参数保存为模型文件方便后续调用
解析：AB
baby题
40、John在使用AI框架构建并训练模型时，选择了通过静态图的方式进行，以下关于他操作的描述中，错误的是哪些项?
A.模型训练完成以后，可以进行跨平台的应用部署
B.PyTorch、 MindSpore等框架默认为静态图模式，他可以直接使用，不需要做其他配置
C.对于输入不确定性高(如动态batch size)的任务，不适合使用动态图口
D.为了保证网络各层之间的维度可以进行计算，随时输出一些中间结果作为参考
解析：BCD
首先明确静态图的核心特点：先构建计算图再执行，编译优化强但灵活性低；动态图是即时执行，灵活性高但编译优化弱。逐一分析选项：
选项 A：正确。静态图编译后生成的计算图跨平台兼容性强，适合部署，因此训练完成后可跨平台应用。
选项 B：错误。PyTorch 默认是动态图模式（Eager Execution），并非静态图；MindSpore 默认是静态图，但该选项错误地将 PyTorch 归为默认静态图框架。
选项 C：错误。输入不确定性高（如动态 batch size）的任务，动态图更适合（动态图支持灵活的输入变化），静态图反而不适合此类场景，因此该描述逻辑错误。
选项 D：错误。静态图是 “先构建图、后执行”，无法在构建过程中 “随时输出中间结果”；动态图才能实时输出中间结果用于维度校验。
当问题的解决方案很复杂，或者问题可能涉及到大量的数据却没有明确的数据分布函数时，比较适合使用机4T器学习方法。
正确
错误
解析：正确
42、华为的AI全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。
正确
错误
解析：正确
43、智能音箱是语音处理典型的应用场景之一。
正确
错误
解析：正确
44、损失函数与激活函数不是一类函数。
正确
错误
解析：正确
45、朴素贝叶斯算法假设样本特征之间相互独立，且对于样本缺失值不敏感
)正确
)错误
解析：正确
46、MoE是一种混合专家模型，这种方案可以有效降低模型容量，同时提高模型能力，同时在推理时选择性的决定哪些专家模型工作。
正确
错误
解析：错误
MoE（混合专家模型）的核心特点是：
- 模型容量（总参数）是增加的（由多个 “专家” 模块组成），并非 “降低模型容量”；
- 推理时仅选择性激活部分专家，从而降低推理阶段的计算量，但模型本身的参数总量是更大的。
题干中 “有效降低模型容量” 的描述错误，因此该表述整体错误。
47.卷积神经网络中的卷积层可以实现参数共享，减少网络参数。参数共享是指在同一层中使用的同一个卷积核计算时参数一致，不同层使用的卷积核参数是不同的。
正确
错误
解析：正确
同一卷积层内，单个卷积核在遍历输入特征图时，其权重参数保持一致（以此减少参数数量）；而不同卷积层的卷积核，是用于提取不同层级的特征，因此参数是不同的。
48、Sigmoid和tanh这些激活函数在网络层数加深时，都能避免梯度消失的问题
)正确
)错误
解析：错误
Sigmoid 和 tanh 激活函数的梯度特性决定了它们无法避免梯度消失：
- Sigmoid 的导数范围是\((0, 0.25]\)，tanh 的导数范围是\((0, 1]\)，两者的导数最大值均小于等于 1。
- 当网络层数加深时，反向传播的梯度是通过链式法则逐层相乘，每一层都会乘以激活函数的导数（小于等于 1），多层累积后梯度会持续衰减，最终趋近于 0，导致梯度消失。
因此，这两个激活函数在网络层数加深时，无法避免梯度消失问题。
前馈神经网络采用单向多层结构，层间信息仅沿一个方向传递，且同一层的神经元之间也存在连接。
正确
错误
解析：错误
太绝对的基本都是错的
50、AI开发框架的功能是对开发者提供网络模型接口，模型训练过程中的反向传播由框架自动计算完成.
正确
错误
解析：正确
51、AI开发框架可以帮助开发者快速构建自己的模型，但不是全部的框架都可以实现跨平台和跨硬件的分布式训练。
正确
错误
解析：正确
52、在 Mindspore 中，自定义神经网络模型通常需要继承 nn.cell 类。
正确
错误
解析：正确
在 MindSpore 框架中，nn.Cell是构建神经网络模型的核心基类，自定义神经网络模型时通常需要继承 nn.Cell 类，这是 MindSpore 的标准开发规范：
53、AI开发框架不仅支持标量计算，同时可以实现高维张量的加减乘操作。
)正确
)错误
解析：正确
54、在 Mindspore 中，默认使用图模式(Graph Mode)执行计算，该模式通过构建计算图来优化性能，并支持静态图的编译与执行。
正确
错误
解析：正确
55、CANN中提供了DVPP和AIPP，前者使用昇腾AI处理器中的DVPP模块对语音进行处理，后者使用AI Core对图像进行处理。
正确
错误
解析：错误
这俩都是预处理图像的
(请输入英文)56、在MindSpore中，通过set_context设置mode=（______）可将计算图为静态图模式。
正确答案:GRAPH_MODE
背题背题
57、在多分类任务中，Softmax函数的所有输出概率值之和是_______
(请输入阿拉伯数字)
答案:1
58、如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别，则该样本也属于这个类别，这个思路对应的机器学习算法是_______算法。(请输入英文缩写)
答案:KNN
______是一种二分类模型，它的基本模型是定义在特征空间上的线性分类器。
(请输入英文缩写)
答案：SVM
60、人工智能发展的核心三要素包括数据、算力和
(请输入中文)
答案：算法
作为“人工智能6S店”的官方数字引擎，为AI开发者与企业提供一个覆盖软硬件全栈、一站式门户。
更多推荐
8
0- 0
已为社区贡献3条内容
所有评论(0)