📘 模块五：工程与编程常识 扩展题（50题）

Python 编程（1–10）

Q1. 在 Python 中，with open("file.txt", "r") as f: 的作用是：

• A. 打开文件但不关闭
• B. 打开文件并在使用完自动关闭
• C. 只写文件
• D. 只读二进制

✅ 答案：B

Q2. Python 的 GIL (全局解释器锁) 的主要影响是：

• A. 限制多线程并行执行 Python 字节码
• B. 限制多进程执行
• C. 提高执行速度
• D. 防止内存泄漏

✅ 答案：A

Q3. 在 Python 中，生成器（generator）的优势是：

• A. 节省内存，惰性计算
• B. 提高精度
• C. 自动并行
• D. 增加模型容量

✅ 答案：A

Q4. 列表推导式 [x**2 for x in range(5)] 的输出是：

• A. [0,1,2,3,4]
• B. [1,4,9,16,25]
• C. [0,1,4,9,16]
• D. [2,4,6,8,10]

✅ 答案：C

Q5. *args 和 **kwargs 的作用是：

• A. *args 接收位置参数，**kwargs 接收关键字参数
• B. *args 接收关键字参数，**kwargs 接收位置参数
• C. 二者相同
• D. 仅用于类

✅ 答案：A

Q6. deepcopy 和 shallow copy 的区别是：

• A. 前者只复制引用，后者复制所有层级对象
• B. 前者复制所有层级对象，后者只复制引用
• C. 二者相同
• D. 都不复制

✅ 答案：B

Q7. Python 的 dict 在 Python3.7+ 中：

• A. 无序
• B. 有序（保持插入顺序）
• C. 按键排序
• D. 按值排序

✅ 答案：B

Q8. enumerate(["a","b"]) 的结果是：

• A. (0,"a"), (1,"b")
• B. ("a",0), ("b",1)
• C. [0,"a","b"]
• D. 报错

✅ 答案：A

Q9. Python 的垃圾回收主要依赖于：

• A. 手动释放
• B. 引用计数 + 循环检测
• C. 内存映射
• D. 内核调度

✅ 答案：B

Q10. NumPy 中矩阵点乘使用：

• A. *
• B. @ 或 np.dot()
• C. /
• D. //

✅ 答案：B

---

C++ 编程与复杂度（11–20）

Q11. C++ 中 std::map 的底层实现是：

• A. 哈希表
• B. 红黑树
• C. 链表
• D. 二叉堆

✅ 答案：B

Q12. std::unordered_map 的查找复杂度通常是：

• A. O(1)
• B. O(log n)
• C. O(n)
• D. O(n log n)

✅ 答案：A

Q13. C++11 引入的智能指针 unique_ptr 的特点是：

• A. 可拷贝
• B. 独占所有权，不可拷贝
• C. 引用计数
• D. 循环引用

✅ 答案：B

Q14. C++11 中的 move 语义主要用于：

• A. 深拷贝对象
• B. 避免不必要的拷贝，提高效率
• C. 自动垃圾回收
• D. 并行计算

✅ 答案：B

Q15. STL 容器中，随机访问效率最高的是：

• A. std::vector
• B. std::list
• C. std::deque
• D. std::set

✅ 答案：A

Q16. 堆排序的时间复杂度是：

• A. O(n)
• B. O(n log n)
• C. O(n²)
• D. O(log n)

✅ 答案：B

Q17. 二分查找的时间复杂度是：

• A. O(1)
• B. O(log n)
• C. O(n)
• D. O(n log n)

✅ 答案：B

Q18. 哈希表在最坏情况下的查找复杂度是：

• A. O(1)
• B. O(log n)
• C. O(n)
• D. O(n²)

✅ 答案：C

Q19. C++ 编译器优化中，内联函数的作用是：

• A. 增加代码大小，减少函数调用开销
• B. 减少代码大小，增加调用开销
• C. 提高内存使用
• D. 降低性能

✅ 答案：A

Q20. C++ RAII 的思想是：

• A. 手动释放资源
• B. 通过对象生命周期自动管理资源
• C. 不需要释放资源
• D. 强制垃圾回收

✅ 答案：B

---

工程实践（21–30）

Q21. 在深度学习中，Gradient Clipping 的作用是：

• A. 加快训练
• B. 防止梯度爆炸
• C. 减少内存占用
• D. 增加参数量

✅ 答案：B

Q22. Dropout 的本质作用是：

• A. 数据增强
• B. 模拟模型集成，防止过拟合
• C. 提高计算效率
• D. 替代 BatchNorm

✅ 答案：B

Q23. Early Stopping 的主要作用是：

• A. 防止过拟合
• B. 提高计算效率
• C. 增加模型容量
• D. 减少梯度消失

✅ 答案：A

Q24. Batch Size 增大通常会：

• A. 提高收敛稳定性，但泛化能力下降
• B. 提高泛化能力
• C. 降低显存使用
• D. 增加正则化

✅ 答案：A

Q25. Learning Rate Warmup 的主要作用是：

• A. 过拟合
• B. 在训练初期避免梯度不稳定
• C. 降低显存占用
• D. 提高推理速度

✅ 答案：B

Q26. 在分布式训练中，AllReduce 的作用是：

• A. 参数聚合
• B. 模型剪枝
• C. 模型蒸馏
• D. 数据增强

✅ 答案：A

Q27. 数据并行 (Data Parallel) 与模型并行 (Model Parallel) 的区别是：

• A. 前者分数据，后者分模型参数
• B. 前者分模型，后者分数据
• C. 二者相同
• D. 前者慢，后者快

✅ 答案：A

Q28. 在大规模数据训练中，最常见的数据加载优化是：

• A. 使用 GPU 加载
• B. 多进程 DataLoader + 预取
• C. 全部读入内存
• D. 使用 JSON 存储

✅ 答案：B

Q29. Mixed Precision 训练的核心技术是：

• A. 半精度 (FP16) + 损失缩放
• B. 双精度 (FP64)
• C. 整数运算
• D. 定点计算

✅ 答案：A

Q30. BatchNorm 在小 Batch 情况下的替代方法是：

• A. LayerNorm / GroupNorm
• B. Dropout
• C. ReLU
• D. Data Augmentation

✅ 答案：A

---

模型部署（31–40）

Q31. 模型量化的主要作用是：

• A. 提高训练速度
• B. 减小模型大小，提升推理效率
• C. 增加模型容量
• D. 防止过拟合

✅ 答案：B

Q32. 模型剪枝 (Pruning) 的核心思想是：

• A. 移除冗余参数或连接
• B. 增加层数
• C. 提高正则化
• D. 使用更大 Batch

✅ 答案：A

Q33. 知识蒸馏 (Knowledge Distillation) 中，学生模型的学习目标是：

• A. 直接拟合数据标签
• B. 拟合教师模型输出分布
• C. 提高训练速度
• D. 增加参数量

✅ 答案：B

Q34. ONNX 的优势是：

• A. 模型跨框架兼容与部署
• B. 仅支持 PyTorch
• C. 仅支持 TensorFlow
• D. 增加模型容量

✅ 答案：A

Q35. TensorRT 的优化不包括：

• A. 运算融合
• B. 精度校准
• C. 网络剪枝
• D. 自动混合精度

✅ 答案：C

Q36. 在边缘设备部署模型时，常见优化方法是：

• A. 模型压缩、量化、蒸馏
• B. 增加模型层数
• C. 使用双精度计算
• D. 使用大型 GPU

✅ 答案：A

Q37. Serving 系统中常用的 API 部署方式是：

• A. REST / gRPC
• B. FTP
• C. SSH
• D. SMTP

✅ 答案：A

Q38. Docker 在模型部署中的优势是：

• A. 模型精度更高
• B. 环境隔离与可移植性
• C. 增加 GPU 数量
• D. 降低显存占用

✅ 答案：B

Q39. Kubernetes 在 AI 部署中的主要作用是：

• A. 容器编排与弹性伸缩
• B. 增加模型层数
• C. 模型剪枝
• D. 数据增强

✅ 答案：A

Q40. 在推理优化中，常用的 batch 技术是：

• A. Micro-batching
• B. Gradient Accumulation
• C. Checkpointing
• D. Layer Freezing

✅ 答案：A

---

工程综合（41–50）

Q41. CI/CD 在 AI 工程中的主要作用是：

• A. 自动化训练
• B. 自动化测试与部署流水线
• C. 提高 GPU 利用率
• D. 增加模型参数

✅ 答案：B

Q42. Git 中，git rebase 的作用是：

• A. 合并分支并保持提交记录线性
• B. 删除分支
• C. 回滚提交
• D. 创建新分支

✅ 答案：A

Q43. 在大规模分布式训练中，常见的通信瓶颈是：

• A. I/O 延迟
• B. GPU 计算
• C. CPU 使用率
• D. 内存占用

✅ 答案：A

Q44. Checkpointing 的主要作用是：

• A. 保存模型状态，支持断点续训
• B. 减少参数
• C. 增加推理速度
• D. 模型压缩

✅ 答案：A

Q45. 模型推理延迟的常见优化不包括：

• A. 使用更快硬件
• B. 模型压缩
• C. 增加层数
• D. batch 优化

✅ 答案：C

Q46. 面向生产环境的日志系统需要具备：

• A. 可追踪、持久化、查询
• B. 提高训练速度
• C. 减少参数
• D. 增加模型容量

✅ 答案：A

Q47. 在 AI 工程中，A/B 测试的作用是：

• A. 比较不同模型或策略在真实环境下的表现
• B. 提高训练速度
• C. 增加数据量
• D. 减少显存

✅ 答案：A

Q48. 迁移学习在工程中的好处是：

• A. 在小数据集上快速得到较好效果
• B. 增加参数量
• C. 减少推理延迟
• D. 防止过拟合

✅ 答案：A

Q49. 大规模推荐系统中，常见的特征存储系统要求是：

• A. 高吞吐、低延迟、可扩展
• B. 增加模型层数
• C. 减少梯度爆炸
• D. 提高正则化

✅ 答案：A

Q50. 在工程实践中，常见的模型监控指标包括：

• A. 延迟、吞吐量、准确率
• B. 学习率、权重衰减
• C. 层数、参数量
• D. 文件大小

✅ 答案：A