华为校招机考真题 AI方向 2026-10-23 选择题【真题及答案解析】-北京尧图网络

华为校招实习机试在线OJ刷题系统在线OJ注册使用教程1、自注意力层的输入序列包含 m 个 token每个 token 表示成 k 维向量忽略 batch 维与多头。计算注意力得分矩阵 QKT 的复杂度是A. O(m2 k)B. O(m k2)C. O(mk)D. O(m2 k2)2、卷积神经网络中池化层的主要作用是A. 通过激活函数为网络补充非线性表达能力B. 依靠反向传播学习卷积核完成局部特征提取C. 统一各通道数值的均值和方差起到归一化作用D. 按窗口聚合、压缩特征图的空间尺寸从而降低后续计算量与参数量3、关于主成分分析PCA降维下列说法正确的是A. 各主成分按方差贡献从大到小排列且都是原始特征的线性组合B. PCA 是有监督方法降维过程要用到样本标签C. PCA 的优化目标是让不同类别之间的间隔尽可能大D. PCA 对量纲不敏感因此使用前不必做特征标准化4、评测大模型的数学解题能力时常用约 5200 道带唯一标准答案的中学数学题组成的数据集。对这类题目最常用的评测指标是A. 困惑度PerplexityB. 准确率AccuracyC. 语义相似度Cosine SimilarityD. 单次请求的平均耗时Latency5、对实数域上的向量组下列哪一条是它线性相关的等价刻画A. 组内所有向量的 2-范数彼此相等B. 向量组中向量的个数一定少于向量的维度C. 存在一组不全为零的系数使它们的线性组合等于零向量D. 组内任意一个向量都不能由其余向量线性表出6、设随机变量 X 服从参数 λ 4 的泊松分布则 P(X 0) 等于A. 1 - e-4B. e-4C. 4e-4D. e-27、Transformer 解码器自注意力里的因果掩码Causal Mask主要用来做什么A. 屏蔽补位paddingtoken避免无效位置参与计算B. 让每个位置只能看到它之前的 token防止未来信息泄漏C. 在不同注意力头之间重新分配权重抑制多头冗余D. 把位置编码叠加到注意力分数上补充顺序信息8、1 × 1 卷积在通道数 C 很大时哪种内存布局更利于向量化、缓存更友好其中 B 为 batch 大小H、W 为特征图的高和宽。A. NHWCB. NCHWC. NHCWD. 每个通道单独存成一个文件9、循环神经网络展开到时刻 t 时隐藏状态 ht 由哪些量决定A. 只由当前输入 xt 决定B. 只由上一时刻的隐藏状态 ht-1 决定C. 由当前输入 xt 和上一时刻的隐藏状态 ht-1 共同决定D. 由整个序列最后一个输入 xT 决定10、某二分类模型的精确率为 0.6召回率为 0.9该模型的 F1 分数是A. 0.75B. 0.54C. 0.72D. 0.68答案速查1.A 2.D 3.C 4.B 5.C 6.B 7.B 8.A 9.C 10.C逐题解析第1题答案A —— O(m2 k)1、自注意力层的输入序列包含 m 个 token每个 token 表示成 k 维向量忽略 batch 维与多头。计算注意力得分矩阵 QKT 的复杂度是自注意力层的输入序列包含 m 个 token每个 token 表示成 k 维向量忽略 batch 维与多头。计算注意力得分矩阵 QKT 的复杂度是解析Q、K 都是 m × k 矩阵QKT 的结果是 m × m 矩阵共 m2 个元素每个元素是两个 k 维向量的内积需要 O(k) 次乘加。总复杂度 O(m2 · k)选 A。B 错O(mk2) 是「每个 token 之间做 k × k 的计算」的错误理解内积是 k 次乘加而不是 k2。C 错O(mk) 是线性投影XW 生成 Q/K/V的复杂度不是分数矩阵的。D 错O(m2k2) 把内积也算成 k2双重多算。第2题答案D —— 按窗口聚合、压缩特征图的空间尺寸从而降低后续计算量与参数量2、卷积神经网络中池化层的主要作用是卷积神经网络中池化层的主要作用是解析池化对局部窗口取最大值或平均值把特征图的空间尺寸缩小如 2×2 池化让面积变为 1/4后续层的参数量和计算量随之下降这是它最主要的作用选 D。A 错非线性来自激活函数ReLU 等池化本身取 max 时勉强算分段线性不是为此设计的。B 错卷积核靠反向传播学习池化没有可学习参数。C 错统一各通道均值方差是归一化层BatchNorm的作用。第3题答案C —— 各主成分按方差贡献从大到小排列且都是原始特征的线性组合3、关于主成分分析PCA降维下列说法正确的是关于主成分分析PCA降维下列说法正确的是解析PCA 对协方差矩阵做特征分解每个主成分是一个特征向量方向的投影是原始特征的线性组合特征值越大对应投影方差越大因此按方差贡献从大到小排列C 正确。A 错PCA 是无监督方法不使用样本标签。B 错「让不同类别间隔尽可能大」是 LDA线性判别分析的优化目标。D 错PCA 依据方差选方向量纲大的特征方差天然大、会主导主成分通常需要先标准化。第4题答案B —— 准确率Accuracy4、评测大模型的数学解题能力时常用约 5200 道带唯一标准答案的中学数学题组成的数据集。对这类题目最常用的评测指标是评测大模型的数学解题能力时常用约 5200 道带唯一标准答案的中学数学题组成的数据集。对这类题目最常用的评测指标是解析这类固定答案的数据集如 MATH约 5200 道中学数学题、GSM8K 类似每题有唯一标准答案评测时从模型输出抽取最终答案与标准答案比对统计答对比例即准确率选 B。A 错困惑度衡量语言建模/下一 token 预测的质量适合开放式生成文本不判对错。C 错语义相似度适合开放式问答但「数字差一点」的两串文本相似度反而可能很高不能判对错。D 错平均耗时是性能指标与解题能力无关。第5题答案C —— 存在一组不全为零的系数使它们的线性组合等于零向量5、对实数域上的向量组下列哪一条是它线性相关的等价刻画对实数域上的向量组下列哪一条是它线性相关的等价刻画解析线性相关的定义/等价刻画是存在不全为零的系数 xi 使 ∑i xi vi 0选 C。A 错2-范数彼此相等与相关性无关例如 (1,0) 与 (0,1) 范数相等却线性无关。B 错个数少于维度既可能相关也可能无关反而「个数多于维度」一定相关。D 错「任意向量都不能由其余向量线性表出」是线性无关的等价刻画与题意相反。第6题答案B —— e-46、设随机变量 X 服从参数 λ 4 的泊松分布则 P(X 0) 等于设随机变量 X 服从参数 λ 4 的泊松分布则 P(X 0) 等于解析泊松分布 P(Xk) (λk e-λ)/(k!)代入 k0、λ4P(X0) (40 e-4)/(0!) e-4选 B。A 错1 - e-4 是 P(X ≥ 1)。C 错4e-4 是 P(X 1)。D 错e-2 混淆了参数如误用 λ/2。**速算**P(X0)e-λ与 λ 取值一一对应看到 k0 直接写 e-λ。第7题答案B —— 让每个位置只能看到它之前的 token防止未来信息泄漏7、Transformer 解码器自注意力里的因果掩码Causal Mask主要用来做什么Transformer 解码器自注意力里的因果掩码Causal Mask主要用来做什么解析解码器生成时是逐 token 自回归的训练时为并行计算会把整个目标序列一起喂入因果掩码把每个位置对「未来位置」的注意力分数置为 -∞softmax 后权重为 0保证位置 t 只能看到 ≤ t 的 token与推理阶段的信息可见性一致防止未来信息泄漏选 B。A 错屏蔽 padding token 用的是 padding mask与因果掩码是两种掩码。C 错注意力头之间的权重分配不是掩码做的事。D 错顺序信息由位置编码提供不经过掩码。第8题答案A —— NHWC8、1 × 1 卷积在通道数 C 很大时哪种内存布局更利于向量化、缓存更友好其中 B 为 batch 大小H、W 为特征图的高和宽。1 × 1 卷积在通道数 C 很大时哪种内存布局更利于向量化、缓存更友好解析1 × 1 卷积的本质是对每个空间位置的 C 维通道向量做一次矩阵乘法输入通道 → 输出通道的加权求和。NHWC 布局下同一空间位置的 C 个通道值在内存中连续存放做这个 1×1 卷积一个 C × C′ 的矩阵乘时按内存顺序读取、SIMD 向量化效率高、缓存命中好选 A。这也是多数推理引擎如 TensorFlow Lite、TensorRT 的部分 kernel对 INT8 卷积选 NHWC 的原因。B 错NCHW 把同一空间位置的各通道分开存放间隔 H × W做 1×1 卷积要跨大步长取数缓存不友好。NCHW 更适合卷积核滑窗类计算。C 错NHCW 不是常见标准布局通道维没有按空间位置聚在一起同样不友好。D 错每通道一个文件是存储/序列化方式与推理时的内存布局无关。第9题答案C —— 由当前输入 xt 和上一时刻的隐藏状态 ht-1 共同决定9、循环神经网络展开到时刻 t 时隐藏状态 ht 由哪些量决定循环神经网络展开到时刻 t 时隐藏状态 ht 由哪些量决定解析RNN 的递推式是 ht f(Wx xt Wh ht-1 b)当前隐藏状态由当前输入与上一时刻隐藏状态共同决定这也是「循环」的含义——历史信息通过 ht-1 一步步传递下来选 C。A 错只看当前输入就退化为无记忆的前馈网络。B 错只看 ht-1 就忽略了新输入。D 错xT 只是最后一个输入隐藏状态是逐步递推的不直接由它决定。第10题答案C —— 0.7210、某二分类模型的精确率为 0.6召回率为 0.9该模型的 F1 分数是某二分类模型的精确率为 0.6召回率为 0.9该模型的 F1 分数是解析F1 是精确率 P 与召回率 R 的调和平均F1 (2PR)/(PR) (2 × 0.6 × 0.9)/(0.6 0.9) (1.08)/(1.5) 0.72选 C。A 错0.75 是算术平均 (0.60.9)/2F1 用的是调和平均偏向较小值。B 错0.54 是乘积 P × R没有除以 PR。D 错0.68 无对应公式纯干扰项。**速算**2 × 0.6 × 0.9 1.080.6 0.9 1.51.08 / 1.5 0.72。

华为校招机考真题 AI方向 2026-10-23 选择题【真题及答案解析】

相关推荐

一键完整导出微信聊天记录：留痕 WeChatMsg

Blender 重拓扑自审评分表：用 scenario-blender-retopology 的 critique rubric 量化拓扑质量

XHS-Downloader 小红书作品批量下载实战指南

更多资讯

STM32F103C8T6最小系统原理图深度解析：电源、复位、时钟与SWD设计本质

Postman工具全解析：从API调试到企业级应用

G9SP安全控制器硬件级安全验证与安装避坑指南

腾讯云OpenClaw线下推广活动观察与AI技术普及分析

Apache Pulsar 2.9.1 单机环境部署与消息收发验证指南

ChainLink预言机心跳机制解析与智能合约优化策略

今日更新

GUI自动化测试中的ScreenLayout：从硬编码坐标到声明式画面地图

LLC谐振变换器12V25A 300W开关电源设计与调试全攻略

ESP32多应用Flash数据隔离：分区表与NVS namespace实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？