2025年1月人工智能软硬件知识模考试题与答案.docxVIP

2025年1月人工智能软硬件知识模考试题与答案

一、单项选择题（每题2分，共40分）

1.以下哪种芯片架构最适合大规模深度学习模型的训练？

A.CPU（中央处理器）

B.GPU（图形处理器）

C.FPGA（现场可编程门阵列）

D.ASIC（专用集成电路）

答案：B

解析：GPU凭借其大规模并行计算能力（数千个CUDA核心），在矩阵运算和深度神经网络训练中效率显著高于CPU；FPGA和ASIC虽适合特定推理任务，但训练场景更依赖GPU的通用性和浮点运算能力。

2.存算一体（InMemoryComputing）架构的核心优势是？

A.降低数据搬运能耗

B.提升单线程计算速度

C.支持多任务并行

D.兼容传统冯诺依曼架构

答案：A

解析：传统冯诺依曼架构中，数据需在内存与计算单元间频繁传输（“内存墙”问题），存算一体将计算直接集成在存储单元内，减少数据搬运能耗，尤其适用于AI推理中的矩阵乘法场景。

3.以下哪项是HBM（高带宽内存）的典型特征？

A.容量大但带宽低

B.采用3D堆叠技术，带宽可达1TB/s以上

C.仅用于CPU内存

D.延迟远高于DDR5

答案：B

解析：HBM通过3D堆叠多片DRAM芯片，显著提升内存带宽（如HBM3e带宽超1.5TB/s），主要用于GPU（如NVIDIAH200）和AI芯片，降低内存访问瓶颈。

4.深度学习框架TensorFlow与PyTorch的核心差异在于？

A.TensorFlow支持动态图，PyTorch支持静态图

B.TensorFlow默认使用静态图（GraphExecution），PyTorch默认使用动态图（EagerExecution）

C.TensorFlow仅支持Python，PyTorch支持多语言

D.PyTorch的模型部署更便捷

答案：B

解析：TensorFlow1.x以静态图为主（需先定义计算图再执行），2.x引入动态图但默认仍偏向静态优化；PyTorch自发布起以动态图为核心，更适合快速实验和调试。

5.以下哪种技术不属于大模型训练中的内存优化策略？

A.梯度检查点（GradientCheckpointing）

B.混合精度训练（MixedPrecisionTraining）

C.模型并行（ModelParallelism）

D.数据增强（DataAugmentation）

答案：D

解析：数据增强是提升模型泛化能力的方法，不直接优化内存使用；梯度检查点通过重计算中间激活值减少显存占用，混合精度（如FP16/FP32混合）降低单参数内存，模型并行将模型拆分到多卡减少单卡负载。

6.NPU（神经网络处理器）与GPU的主要区别是？

A.NPU专为神经网络设计，支持稀疏计算和量化

B.GPU仅用于图形渲染，不支持AI计算

C.NPU的浮点运算能力远强于GPU

D.GPU的指令集更专用化

答案：A

解析：NPU是针对神经网络优化的ASIC（如华为昇腾、联发科APU），内置稀疏计算单元（如跳过无效权重）和低精度（INT8/INT4）加速模块；GPU虽支持AI计算，但核心设计仍兼顾图形渲染，浮点运算（FP32/FP16）能力更强。

7.以下哪项是Transformer模型的核心结构？

A.循环神经网络（RNN）

B.自注意力机制（SelfAttention）

C.卷积核（ConvolutionKernel）

D.池化层（PoolingLayer）

答案：B

解析：Transformer通过自注意力机制（如MultiHeadAttention）捕捉序列中任意位置的依赖关系，替代了RNN的循环结构和CNN的局部感知。

8.边缘AI设备（如智能摄像头）选择NPU而非GPU的主要原因是？

A.NPU功耗更低，适合嵌入式场景

B.GPU的计算精度不足

C.NPU支持更高精度的浮点运算

D.GPU的成本更低

答案：A

解析：边缘设备对功耗和体积敏感，NPU作为专用芯片，能效比（计算量/功耗）远高于GPU（如手机APU典型功耗15W，而移动端GPU功耗可达10W以上）。

9.以下哪种训练方式属于迁移学习？

A.在大规模语料上预训练BERT，再在特定任务（如情感分析）上微调

B.从头训练一个小型CNN模型用于图像分类

C.使用强化学习训练游戏AI

D.用生成对抗网络（GAN）生成新数据

答案：A

解析：迁移学习通过预训练模型（