最近把HCIP-AI Solution Architect证书也考下来了，分享给大家一些刷过的题库。
完整的题库已经发在“题主”小程序上了，需要的同学也可以自己去找一下。
在业务中部署大模型包含需求分析、模型训练等多个步骤，以下有关大模型业务流程顺序描述正确的是？
A、模型选型->业务场景需求分析->微调数据准备->训练调优->推理部署->应用集成
B、业务场景需求分析->模型选型->微调数据准备->训练调优->推理部署->应用集成
C、业务场景需求分析->微调数据准备->模型选型->训练调优->推理部署->应用集成
D、业务场景需求分析->微调数据准备->模型选型->训练调优->应用集成->推理部署
答案：B
解析：在部署大模型的实际业务流程中，合理的逻辑顺序应首先聚焦于明确业务目标和场景需求，随后根据需求选择合适的模型架构。模型选型完成后，需针对具体任务准备和优化微调所需的数据集，确保数据质量和任务适配性。接下来进入训练阶段，通过迭代调整提升模型性能。训练完成的模型需经过推理部署环节，将其转化为可实际运行的服务。最终，将部署后的模型与业务系统集成，实现端到端的应用闭环。这一流程符合业界通用的机器学习项目实施方法论和工程实践。选项的顺序与此一致。
以下哪个选项是one-hot词向量的优点？
A、当词汇表量大，会导致词向量维度过大
B、表示简单，容易理解
C、词之间孤立，无法表示相似词义
D、对词的表达稀疏
答案：B
解析：one-hot词向量将词汇表中的每个词表示为唯一的二进制向量，每个位置对应一个词。其构造直观，仅需将对应词的位置设为1，其余为0。这种编码方式无需复杂计算，逻辑清晰，便于快速实现。A、C、D均描述其缺点：高维、无法捕获语义关系、稀疏性。《自然语言处理综论》等教材指出，one-hot的核心优势即在于简单性和可解释性。B正确反映了这一特性，其他选项与优点无关。
tf.keras.preprocessing 的作用？
A、Keras模型部署工具
B、Keras内置优化器
C、Keras数据处理工具
D、Keras生成模型工具
答案：C
解析：tf.keras.preprocessing 是 TensorFlow Keras API 中专注于数据预处理和增强的模块。官方文档中明确提到该模块提供图像、文本、序列数据的处理工具，例如图像增强（ImageDataGenerator）、文本分词（Tokenizer）和序列填充（pad_sequences）等功能。选项A涉及模型部署，属于其他模块（如tf.saved_model）；选项B优化器属于tf.keras.optimizers；选项D生成模型与预处理无关，而是模型构建层面的概念。此模块的核心作用是通过工具简化数据加载和预处理流程，符合选项C的描述。
关于图像内容审核服务说法错误的是？
A、politics为涉政敏感人物检测结果
B、terrorism为涉政暴恐检测结果
C、confidence代表置信度，范围0-100
D、label代表每个检测结果标签
答案：C
解析：在图像内容审核服务中，“politics”用于检测涉政敏感人物，“terrorism”用于涉政暴恐检测，“label”代表检测结果标签。而“confidence”代表置信度，其范围是0-1，并非0-100，所以该选项说法错误。
以下哪个不属于 ModelArts 的开发类型？
A、标准模型开发
B、快速建模
C、零基础建模
答案：C
解析：ModelArts的核心开发类型为标准模型开发和快速建模，而零基础建模不属于其官方分类。
以下哪个选项是错误的标识符命名？
A、if
B、print
C、a0*
D、_0a
答案：C
解析：Python标识符命名规则要求由字母、数字、下划线组成，且不能以数字开头或包含特殊符号。Python官方文档明确限定标识符只能使用La-zA-ZO-9J字符集。选项C中的"a0*"包含星号（特殊符号），违反命名规则。选项A"If"符合大小写规范且非保留字，B"print"属于合法内置函数名，D"_0a"以下划线开头且无非法字符。参考Python 3.11语言规范第2.3节Identifiers。
以下哪个不属于 HiAI 中的开发工具？
A、HiAI Service
B、HiAI Engine
C、HiAI Foundation
D、HiAI IDE
答案：D
TensorFlow是哪个公司开发的？
A、甲骨文
B、Facebook
C、Google
D、英伟达
答案：C
解析：TensorFlow由Google Brain团队开发，最初于2015年开源。Google将其广泛应用于内部机器学习项目，并推动其在学术界和工业界的普及。甲骨文（A）主要业务为企业级数据库，Facebook（B）开发了PyTorch框架，英伟达（D）以GPU硬件及CUDA计算平台著称。Google开发者博客及TensorFlow官方文档均明确其归属。
华为 HiAI 平台中的人脸检测功能属于哪个模块
A、HiAI Engine
B、HiAI Framework
C、HiAI Foundation
D、HiAI Service
答案：A
线性回归在 3 维以上的维度中拟合的模型是？
A、曲面
B、平面
C、超平面
D、超曲面
答案：C
解析：线性回归模型用于建模自变量与因变量之间的线性关系。在低维空间中，二维对应直线，三维对应平面。当维度超过三维时，线性方程形式为y = w1x1 + w2x2 + ... + wnxn + b，其中参数wi和b定义了高维空间中的一个子空间。根据线性代数中的定义，在 n 维空间中，线性方程确定的解集是 n - 1 维的几何对象，称为超平面。选项 C 符合这一数学定义，而其他选项要么仅适用于低维情况，要么涉及非线性结构。参考《机器学习》（周志华）中线性模型的几何解释。
以下哪个激活函数可以有效解决梯度消失问题？
A、Tanh
B、Sigmoid
C、Softsign
D、Relu
答案：D
解析：梯度消失问题主要由激活函数在饱和区的导数趋近于零导致，尤其在深层网络中会阻碍参数更新。
特征是描述数据特性的维度，关于其在传统机器学习和深度学习中的可解释性，以下说法正确的是
A、特征在传统机器学习可解释性强，而在深度学习可解释性弱
B、特征在传统机器学习可解释性弱，而在深度学习可解释性强
C、特征在传统机器学习和深度学习可解释性均弱
D、特征在传统机器学习和深度学习可解释性均强
答案：A
解析：传统机器学习依赖人工设计的特征，特征含义明确，模型结构简单，如线性模型、决策树等，解释性较强。深度学习通过多层非线性变换自动学习特征，这些特征通常是抽象、高维的，难以直观理解，模型结构复杂导致可解释性弱。《深度学习》等文献指出，深度学习模型常被视为“黑箱”，因其内部特征难以直接映射到人类可理解的语义。选项A正确反映了这一差异，其他选项与实际情况不符。
下列选项中不属于华为统栈解决方案范畴的是？
A、应用使能
B、边缘计算
C、开源框架
D、芯片使能
答案：C
华为 HiAI 平台中负责芯片支持的模块是哪一个？
A、HiAI Engine
B、HiAI Foundation
C、HiAI Framework
D、HiAI Service
答案：B
以下哪项问题不属于 RAG 用于解决大模型的问题？
A、幻觉问题
B、数据安全问题
C、时效性问题
D、计算效率问题
答案：D
解析：检索增强生成（RAG）技术通过引入外部知识源来增强大语言模型的生成能力，旨在解决幻觉问题（生成不准确或虚假信息）、数据安全问题（控制输出，避免泄露敏感或不当内容）和时效性问题（提供最新信息）。计算效率问题主要涉及模型推理速度、资源消耗等性能优化，通常通过模型压缩、硬件加速等方法解决，不属于RAG技术直接解决的核心问题范畴。
LoRA 在预测练模型旁加入了 A 和 B 两个结构。A 的输入维度与原模型输入维度相同，B 的输出维度与原模型输出维度相同，而 A 的输出维度和 B 的输入维度远小于原模型的输入 / 输出维度（即低秩分解）。以下哪项是这两个结构的参数初始化方法？
A、A: O B: 高斯分布
B、A: 高斯分布 B: O
C、A: O B: O
D、A: 高斯分布 B: 高斯分布
答案：B
解析：LoRA（Low-Rank Adaptation）的核心是通过低秩分解矩阵实现高效的模型微调。其设计原则是在训练初期确保适配模块对原始模型的干扰最小化，即初始残差ΔW=AB的期望为0。根据LoRA原始论文（arXiv:2106.09685），矩阵A通常使用随机高斯初始化（打破对称性并促进梯度流动），而矩阵B初始化为全零（使得AB初始乘积为零，避免破坏预测级权重初始阶段的输出）。选项B符合这一初始化策略。选项A、C、D的初始化方式会导致AB初始非零或无法有效训练。
以下哪项不属于模型压缩的方法？
A、模型蒸馏
B、模型量化
C、模型剪枝
D、Key Cache
答案：D
解析：Key Cache是推理优化技术，用于加速序列生成（如文本生成时缓存历史 Key/Value，避免重复计算），但不改变模型本身的参数规模或结构，属于运行时优化，不属于模型压缩方法。仅在推理阶段缓存中间结果，优化时间效率，不涉及模型本身的“压缩”。
以下哪项不属于 LangChain 提供的短期记忆管理方式？
A、TimeMemory
B、ConversionIMemory (ConversationMemory)
C、BufferMemory
D、BufferWindowIMemory
答案：A
解析：在LangChain框架中，常见的短期记忆（或对话记忆）管理方式包括ConversationMemory、BufferMemory和BufferWindowMemory，用于在对话链中存储和管理上下文信息。TimeMemory并非LangChain提供的标准记忆类型。
以下哪个选项是 MindFormers 大模型套件提供的高效低参微调工具？
A、Trainer
B、MindPet
C、Pipeline
D、AutoClass
答案：B
解析：MindFormers 中专门用于高效低参微调的工具是 MindPet，其设计目标是在保持大模型性能的同时，通过减少可训练参数规模（如 LoRA 的低秩分解）实现低成本微调。其他选项均不具备这一核心功能。
当模型较大导致单卡无法加载时，使用 MindSpore 进行多卡分布式推理。若需将模型权重均匀切分到 2 张卡进行分布式推理，且不进行批量（Batch）推理（即每次仅处理单个输入），以下关于 config 配置参数的描述，正确的是哪一项？
A、data parallel: 2 Model parallel: 1 Pipeline_stage: 1
B、data parallel: 2 Model_parallel: 2 Pipeline_stage: 1
C、data_parallel: 1 Model_parallel: 2 Pipeline_stage: 2
D、data_parallel: 1 Model parallel: 2 Pipeline_stage: 1
答案：D
解析：不拆分数据（data_parallel: 1），拆分模型到 2 卡（model_parallel: 2），不使用流水线并行（pipeline_stage: 1）。
Huggingface PEFT和MindPet都是常用的大模型训练套件，关于 Huggingface PEFT 和 MindPet 的描述，错误的是哪一项？
A、PEFT基于PyTorch实现，MindPet基于Mindspore实现
B、PEFT和MindPet都支持LORA,Prefix Tunining等微调算法
C、PEFT和MindPet都是用于对大模型低参微调的套件
D、PEFT是开源套件，MindPet是闭源套件
答案：D
解析：MindPet（若指 MindSpore 官方的 PEFT 实现）同样属于开源生态的一部分，因为 MindSpore 框架本身是开源的，其配套工具（如参数高效微调模块）通常随框架一同开源，供社区使用。
以下哪项问题不属于 RAG 用于解决大模型的问题
A、计算效率问题
B、幻觉问题
C、时效性问题
D、数据安全问题
答案：A
解析：检索增强生成（RAG）技术主要通过检索外部知识源来增强大语言模型的生成，旨在解决幻觉问题（生成不准确信息）、时效性问题（知识过时）和数据安全问题（可控生成，避免敏感信息泄露）。计算效率问题（如推理速度、资源消耗）通常属于模型优化、硬件加速或模型压缩范畴，RAG反而可能因增加检索环节而略微降低效率，因此计算效率问题不属于RAG直接解决的核心问题。
选取部分参数更新（Selection-Based）：仅更新模型中的特定参数子集。引入重参数化（Reparametrization-Based）：通过参数分解或结构重组，将模型参数表示为更高效的形式。问题：以下哪项属于引入重参数化（Reparametrization-Based）方法？
A、BitFit
B、Prefix Tuning
C、LoRA
D、RLHF
答案：C
解析：LoRA通过引入两个低秩矩阵（A和B）来近似表示预测练模型权重的更新量（ΔW=AB），这属于一种参数分解或结构重组的重参数化方法。BitFit仅更新模型的偏置参数，属于选取部分参数更新的方法。Prefix Tuning是在输入序列前添加可训练的软提示向量，属于添加额外参数的方法。RLHF（基于人类反馈的强化学习）是一种训练范式，不属于参数高效微调的结构化方法。
ZeRO 分析了模型训练中内存的主要消耗在 Model States 和 Residual States：
Model States 指与模型直接相关、必须存储的状态；
Residual States 指并非模型必需，但在训练过程中额外产生的中间状态（如反向传播所需的激活值，可在计算后释放）。
请问以下哪项不属于 Model States？
A、模型参数
B、激活值
C、模型梯度
D、优化器状态
答案：B
解析：Model States是与模型直接相关、训练过程中必须长期存储的状态，包括模型参数、模型梯度和优化器状态。激活值是在正向传播中生成，用于反向传播计算梯度，属于计算过程中的中间状态，可以在反向传播结束后释放，因此它属于Residual States，而非必须长期保留的Model States。
LoRA 在预测练好的模型结构旁边加入了 A 和 B 两个结构。A 的输入维度和输出维度分别与原始模型的输入输出维度相同，而 B 的输入维度和输出维度是一个远小于原始模型输入输出维度的值。这体现了 LoRA 的低秩特性。以下关于这两个结构的参数初始化方法，正确的是：
A、A O -B O
B、A 高斯分布 -B 高斯分布
C、A 高斯分布 -B O
D、A O -B 高斯分布
答案：C
解析：LoRA（Low-Rank Adaptation）通过引入两个低秩矩阵A和B（初始ΔW = AB）来微调模型权重。根据原始论文，矩阵A使用随机高斯分布初始化以打破对称性并促进学习，矩阵B初始化为零矩阵，使得训练开始时AB为零，从而不对预测练模型的原有输出造成初始扰动。选项C（A高斯分布，B零初始化）是正确的策略。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
