判断题

1. PyTorch、MindSpore等Al开发框架通常提供内置的数据处理功能用于数据采集、数据清洗、特征选择和归一化等操作。✅

LSTM是改进版RNN。序列很长的时候，RNN 记不住很早之前的信息。
LSTM 专门解决原生 RNN长序列训练时的梯度消失问题，擅长学习长距离的时序信息。

原文要点
PyTorch：torch.utils.data、torchvision.transforms 提供数据加载、清洗、归一化等预处理；
MindSpore：mindspore.dataset 数据集引擎，内置数据变换、归一化、数据增强流水线。
AI开发框架不只是搭建神经网络，自带一整套数据处理能力。

记忆方法
框架自带数据预处理工具箱，归一化、数据变换都是内置功能。

2. LSTM的遗忘门决定了从细胞状态中丢弃哪些信息,丢弃弃的信息将其系数置为0,保留的信息系数置为1。❌

原文要点：
LSTM 遗忘门通过 Sigmoid 激活函数输出 0 到 1 之间的数值，是连续值，不是只有 0 和 1。数值大小代表保留信息的比例，不是单纯置 0 或置 1。

记忆方法
口诀：遗忘门是软开关，0 到 1 连续算，不是非 0 即 1 硬判断
区分：硬开关只有 0/1；LSTM 门控是 Sigmoid 输出，小数代表保留程度。

3. 量化是一种模型压缩技术,可以减少模型存储占用和推理理延迟。✅

原文要点：
模型量化是典型模型压缩技术，降低参数精度，减小模型存储空间，加快推理速度，降低推理延迟，常用于端侧、昇腾硬件部署。

记忆方法
口诀：量化降精度，体积变小，推理变快
一句话记忆：量化 = 压缩模型，省空间、跑得快。

4. RNN中不同时刻的权重参数是共享的。✅

RNN （循环神经网络）是专门处理序列数据的深度学习网络。序列数据就是有先后顺序的数据：句子文字、语音波形、股票时间序列。
普通神经网络每次输入独立，RNN 自带记忆（隐藏状态 hidden state）：处理当前输入的时候，会带上前面时刻学到的信息。

原文要点：
RNN 在序列不同时间步之间共享权重参数。权重共享让 RNN 参数量不会随序列长度增加而变大，能够提取时序特征。

记忆方法
口诀：RNN 时间步，共用一套权重
联想：读一句话里每个字，用同一个神经网络去处理，不用单独给每个字单独造一个网络。
容易混淆：CNN 也有权重共享（卷积核滑动）；RNN 是时序维度权重共享。

5.MindSpore中构建神经网络类,需要继承nn.Module。❌

原文要点：
MindSpore 中 Cell 是神经网络的基础单元，自定义网络类需要继承 nn.Cell；PyTorch 才使用 nn.Module 作为网络基类。

一句话区分：
PyTorch → 继承 nn.Module，前向写 forward()
MindSpore → 继承 nn.Cell，前向写construct()

6. 使用MindSpore构建神经网络时,应继承Module类,并重写_init一方法与forward方法。❌
7. K-折交叉验证中,k一般大干等干2.实际操作时一般从3开始取,只有在原始数据集合数据量小的时候才会尝试取2。❌

数据集很小的时候，不能用 k=2；小数据集反而应该取更大的 k，比如留一法 LOO（k 等于样本总数）

8. L1正则化添加的成本与权重系数的平方成正比。❌
   

原文要点：
L1 正则化在损失函数中增加权重绝对值的惩罚项，可以产生稀疏权重，实现特征选择；
L2 正则增加权重平方的惩罚项，使权重趋向变小，不会产生稀疏权重。

记忆口诀：
L1 绝对值，L2 平方值；L1 能稀疏，L2 缩权重。

9. 多层感知机具备非线性分类的能力,这种能力来自类似f(x)=ax这样的激活函数和多层网络结构。❌

(f(x)=ax) 是线性函数（一次函数）。

原文要点：
多层网络如果全部采用线性激活函数，则多层网络可以化简为单层线性变换，不具备非线性表达能力。
多层感知机的非线性拟合能力来源于非线性激活函数，而不是线性函数。
多层结构配合非线性激活，才能学习复杂非线性边界。

记忆口诀
线性激活叠多层，仍然只是线性模型；非线性激活加多层，才有非线性分类能力。

11. MindSpore中的损失函数可以分为内置的损失函数和自定义损失函数数,其中自定义损失函数需要通过继承nn.Cell或者
    nn.LossBase来实现。✅
    

原文要点：
MindSpore 提供多种内置损失函数，同时支持自定义损失函数。自定义损失函数，既可以继承基础网络基类nn.Cell，也可以继承损失专用基类nn.LossBase，并重写construct方法实现损失计算逻辑。

记忆口诀
损失两类：内置、自定义；自定义二选一：继承 Cell 或者 LossBase。

12. K折交叉验证是指将训练集划分成K-1个子数据集。❌

原文要点：
K 折交叉验证将原始数据集划分为 K 个互不相交的子集。每次选取其中 1 个子集作为验证集，其余 K-1 个子集作为训练集；迭代
K 次，取平均评估结果。数据集总共划分成 K 份，不是 K-1 份。

记忆口诀
K 折，就是切成 K 块；每次留 1 块做验证，剩下 K-1 块训练。

13. Dropout会在训练过程中,随机丢弃大部分神经元,此时丢弃部分对应的参数不会更新。✅
    

原文要点
Dropout 是深度学习中防止过拟合的正则化手段。仅在训练阶段生效，随机屏蔽部分神经元；本轮被屏蔽神经元不参与前向与反向计算，对应参数本轮不更新。测试阶段所有神经元全部激活

14. 循环神经网络可以捕捉序列化数据中的动态信息,t-1时刻前的每一时刻信息对下一时刻信息同等重要。❌

RNN（循环神经网络）能够处理序列数据，把前面时刻的信息传递到后面。
但是前面所有时刻的信息并不是同等重要：
距离当前时刻越近的信息，影响通常更大；
久远的历史信息会随着时间步不断衰减（RNN 长期依赖问题，梯度消失）。

原文要点：
循环神经网络 RNN 适合处理序列数据，可以保存历史时序信息。但 RNN 存在梯度消失问题，较早时刻的信息会不断衰减，不同时刻的信息对下一时刻的贡献并不相同。

记忆口诀
RNN 记序列，远近不一样；近的影响大，远的会遗忘；信息不同权，不是同等强。

15. John想要将TensorFlow框架训练的模型迁移到PyTorch中,他可以火将模型保存为ONNX格式。✅

ONNX（Open Neural Network Exchange，开放神经网络交换）是跨框架的模型中间格式。

原文要点：
ONNX 是一种通用模型文件格式，支持在不同深度学习框架之间转换模型。TensorFlow、PyTorch、PaddlePaddle 等主流框架都支持导出 / 导入 ONNX，用于模型跨框架迁移。

16. MindlE是华为推出的一个部署框架,底层可以对接PyTorch和MindSpore。✅

MindIE（昇腾推理引擎），华为昇腾的高性能推理部署框架

原文要点：
MindIE 是华为昇腾推出的推理部署框架，提供多框架适配能力，可对接 MindSpore 和 PyTorch 模型，在昇腾硬件上实现统一高性能推理。

17. 屏思MindSpore是一个全场景深度学习框架,提供了MindAKG用于算子优化,提升框架执行性能。✅

MindSpore（昇思）是华为推出的端边云全场景深度学习框架。
MindAKG（MindSpore AKG）是 MindSpore 配套的算子编译器，负责算子自动生成与优化，挖掘硬件算力，提升框架执行性能。

18. 深度学习中前向传播和反向传播,都依赖于矩阵运算,所以在AI开发框架中矩阵为基础数据结构。✅
    
19. 损失函数与激活函数是一类函数。❌

原文要点：
激活函数用于给网络引入非线性；
损失函数用于评估预测值与真实标签的误差，二者功能不同，不是同一类函数。

20. John在实现图像分割模型时,为了增加开发效率使用了动态图的形式开发。在部署时为了提升执行效率,应该使用静态图模式进行部署。✅

原文要点：
动态图便于调试开发；
静态图预先完成计算图编译优化，执行效率更高，适合模型部署场景。

记忆口诀
动态图，好调试，开发写代码；
静态图，先编译，部署速度佳。

21. 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,比较适合使用机器学习方法。✅

原文要点：
传统程序依赖人工定义规则与数据分布；机器学习适合规则复杂、数据量大、难以得到明确数据分布函数的场景，从数据中自动学习规律。

22. 数据样本不平衡问题是指数据集中存在矛盾的、有差异的记录是。❌

23. 在Self-Attention计算过程中,Query、Key和Value都是由输入序存列通过不同的线性变换得到的。✅
    

24. CPU不适合做Al计算的原因是因为单个算术逻辑单元的算力较弱,而NPU和GPU的较强。❌

不是 CPU 单个计算单元弱，而是CPU 计算单元数量太少，并行能力差。

25. 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全部卷积核参数一致，不同层使用的卷积核参数是不同的。❌
26. 卷积神经网络中,卷积核的大小通常为奇数。✅
27. Seq2Seq 模型常用于机器翻译、文本摘要等序列生成任务。✅
28. ReLU激活函数在x>0时导数为1,可缓解梯度消失问题。✅
    
29. 随机森林是一种集成学习算法，通过多个决策树的投票得到最终结果。✅
30. DeepSeek-R1 是特定领域（大语言模型）的 AI，仅能完成语言相关任务，属于弱人工智能（专注单一任务）；强 / 通用 / 超人人工智能目前尚未实现。❌

“仅能完成语言相关任务” 这句话不对。

31. Atlas系列产品覆盖训练、推理场景,服务器、边缘计算、加速模块等产品形态。✅

32. 关于机器学习算法的理性认识，其本质就是得到一个输出，使得输出与真实结果尽可能的接近。✅
    

33. 使用mindspore.nn.Conv2d (1,3,5, has_bias=False, weight_init=‘normal’)接口,可以创建输入通道数为1、输出的通道数为5、卷积核大小为3*3、使用normal算子初始化参数的卷积层。错

34. 单层感知机无法解决 XOR 问题，成为了阻碍深度学习发展的一个重要原因。✅

XOR（异或）是一个二输入逻辑运算：两个输入不一样 → 输出 1；两个输入一样 → 输出 0

35. AIGC 会对殡葬业增加连接设计。❌
    
36. 对于 AI 业务应用来说，训练环节不会对模型进行压缩，而推理部署环节则需要。❌

原文：模型压缩分为训练阶段压缩与训练后（推理部署前）压缩。训练阶段可采用量化感知训练、训练剪枝、知识蒸馏等方式完成模型轻量化；推理部署阶段也可以做训练后量化、剪枝。因此模型压缩并非只存在推理部署环节。

37. RNN 跟前馈神经网络最大的区别在于每次都会将前一时刻的计算结果，带到下一时刻的隐藏层中，一起训练。

前馈神经网络FNN（多层感知机MLP、卷积神经网络CNN）

• 信息单向流动：输入层 → 隐藏层 → 输出层。
• 信号只向前传，不会回头、不会把上一轮结果存下来传给下一组输入，没有循环回路。无记忆

RNN 循环网络：有记忆，把前一时刻隐藏状态传给下一时刻

38. Softmax 回归是逻辑回归的一般化，只适用于二分类的问题。❌

原文：Softmax 回归是逻辑回归的一般化推广。逻辑回归解决二分类问题；Softmax 回归适用于多分类任务，可以输出各个类别的概率分布。

都属于分类算法，用于算出样本属于各个类别的概率。

39. 特征选择过滤法的局限性：过滤方法倾向于选择冗余的变量，因为它们没有考虑特征之间的关系。✅
    

40. 昇腾 AI 处理器中 AI Core 控制单元包含标量指令处理队列和向量指令处理队列。✅

41. tanh 激活函数输出关于 0 点对称，相比于 Sigmoid 函数可以加快模型的收敛。✅

42. 张量无法进行加减乘等算术运算。❌

43. 为防止过拟合，在训练过程中，可以插入验证集数据的测试。当发现验证集数据的 Loss 上升时，提前停止训练。✅

44. 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。❌

45. CANN 中提供了 DVPP 和 AIPP，前者使用昇腾 AI 处理器中的 DVPP 模块对图像进行处理，后者使用 AICore 对图像进行处理。✅

46. 朴素贝叶斯算法假设样本特征之间相互独立，且对于样本缺失值较为敏感。❌

朴素贝叶斯是概率分类算法

47. 机器学习是深度学习的一部分，人工智能也是深度学习的一部分。❌
    
    
48. Sigmoid、tanh 和 Softsign 这些激活函数在网络层数加深时，都不能避免梯度消失的问题。✅
49. 数据降维的目的是减少数据量，增加模型的准确度。❌
    
50. SVM、k-NN 和 k-means 都属于非参数模型。❌

原文：
参数模型拥有固定数量的模型参数；非参数模型参数数量会随训练样本数量变化。k-NN、核 SVM属于非参数模型；k-means、线性回归属于参数模型。

51. 昇腾 AI 处理器只提供了 DDR 接口，可以外接 DDR4 内存。❌

这句话错误，关键点在 “只提供 DDR 接口”。

52. AscendCL 可以基于第三方框架开发推理类应用，但是需要通过 ATC 工具先对模型进行转换。✅

53. AI 芯片会针对矩阵运算做加速设计。✅

54. 当前 AI 开发框架动态计算图和静态计算图语法兼容，可以直接进行相互转换。❌
    

55. 前馈神经网络接收前一层的输出，并输出给下一层。采用一种单向多层结构，每一层包含若干个神经元，同一层的神经元之间没有互相连接，层间信息的传送只沿一个方向进行。✅

56. 异常数据在模型训练过程中不需要删除,大量的异常数据可以提升升模型的泛化能力。❌

57. John 在使用 PyTorch 框架实现 AI 模型训练时，他应该先通过 set_context 设置模型训练相关参数，如设备 ID、计算图模式等。❌

58. 理论上，训练时的精度会随着模型复杂度的上升和训练时间的增加不断减小。❌

59. 与 FPGA 相比，相同工艺下，基于 ASIC 的 AI 芯片功耗更大，因此不适合用于手机等终端设备上。❌

60. CPU 可以通过提高频率的方式提升 AI 计算性能。✅

CPU 主频代表单位时间能执行指令的次数。提高 CPU 频率，单位时间内可以完成更多运算，因此 AI 计算性能会得到提升。

61. AI 开发框架的功能是对开发者提供网络模型接口，模型训练过程中的前向传播和反向传播需要开发者自己完成。❌

62. MoE 是一种混合专家模型，这种方案可以有效增强模型的容量和能力，同时在推理时能够动态决定哪些专家模型工作。✅

63. Self-Attention 机制无法捕捉到序列的位置信息，因此在 Transformer 模型中需要添加位置编码。✅

64. 在随机森林中，基学习器所使用的特征衡量指标需要是基尼系数。❌

原文：随机森林基学习器为决策树，分类时可选用基尼系数或者信息熵，回归使用方差，并非必须使用基尼系数。

65. DeepSeek V3 是一个基于 GPT 结构的多模态模型，较 V2 版本相比，其训练成本和推理速度都有很大的提升。❌
    

多选题

单选题