华为Ai岗机考20250903完整真题-EW帮帮网

华为Ai岗机考20250903

华为自26届秋招（2025年起）对AI岗位机考进行了改革，考试题型调整为20道选择题（15道单选+5道不定项选择）+2道编程题。

题目核心围绕人工智能技术（如Transformer架构、EM算法、PCA降维、激活函数等）与数学基础（如线性变换、概率分布、数值迭代、插值计算等）展开，相较于以往题型，知识覆盖面与考查深度均有显著变化。

目前，网络上针对此次改革后AI岗位的完整机考试卷资源较为稀缺。本次特别整理并提供2025年9月3日华为AI岗位机考的完整真题。希望对读者备考提供一定的帮助，祝大家都顺利上岸！

整理不易，麻烦给个免费的三连。

华为Ai岗机考20250903

华为Ai岗机考20250903

一、选择题

（一）单项选择题（共15题）

在文本生成中，以下哪种模型最适合用于生成连续文本？（）
A. LSTM
B. 最大熵模型
C. 隐马尔可夫模型（HMM）
D. 决策树
线性变换 $\mathbb{R}^{2} \to \mathbb{R}^{2}$ 将向量 $e_{1}=\begin{bmatrix}1\\0\end{bmatrix}$ 映为 $\begin{bmatrix}3\\1\end{bmatrix}$ ，将 $e_{2}=\begin{bmatrix}0\\1\end{bmatrix}$ 映为 $\begin{bmatrix}-1\\2\end{bmatrix}$ ，则向量 $v=\begin{bmatrix}4\\3\end{bmatrix}$ 在 $T$ 下的像为？（）
A. $\begin{bmatrix}5\\7\end{bmatrix}$
B. $\begin{bmatrix}8\\11\end{bmatrix}$
C. $\begin{bmatrix}12\\-2\end{bmatrix}$
D. $\begin{bmatrix}9\\10\end{bmatrix}$
已知 $u=\begin{bmatrix}2\\-1\\3\end{bmatrix}$ ， $v=\begin{bmatrix}4\\0\\-2\end{bmatrix}$ ，且 $uv^{\top}$ ，则 $A$ 的第2行第3列元素是（行列号从1开始计数）？（）
A. 2
B. -4
C. 0
D. 6
在计算某天线的安装角度时，需要求解如下非线性方程 $\cos x$ ，工程师小王打算使用迭代公式 $x_{k + 1}=\cos(x_{k})$ 进行数值计算。以下有关该迭代收敛性的说法中，哪一项是正确的？（）
A. 当算法收敛时，速度是二次的
B. 对任意初始值，该算法都能收敛到其唯一实根
C. 该算法是不稳定的，因为余弦函数有界，而线性函数无界
D. 该方程有两个实根，算法收敛到哪一个取决于初始值
你正在使用一个机器学习模型来解决一个分类问题，在训练集上得到了非常高的准确率，但是在测试集上的准确率却相对较低。这种情况最有可能是以下哪种现象？（）
A. 过拟合
B. 欠拟合
C. 无法判断
D. 正好拟合
桥梁应力监测中，传感器测得： $t = [0, 1, 2]$ 秒时 $\sigma = [100,120,150]MPa$ 。用二次插值 $P_{2}(t)=100 + 20t + 5t(t - 1)$ 预测 $t = 1.5$ 秒应力。已知真实应力函数为 $\sigma(t)=100 + 20t + 5t^{2}$ ，则应力预测值的绝对误差是？（）
A. 2.5MPa
B. 5.0MPa
C. 0.0MPa
D. 7.5MPa
在进行特征工程时，我们经常会对特征进行标准化处理。假设有一个特征 $X$ ，其期望 $E [X] = 10$ ，方差 $Va r (X) = 4$ 。现在我们对其进行线性变换得到新特征 $Y = 3 X - 5$ 。那么新特征 $Y$ 的方差 $Va r (Y)$ 是多少？（）
A. 31
B. 36
C. 12
D. 7
向量组 $\alpha_{1}$ ， $\alpha_{2}$ ， $\alpha_{3}$ 线性无关，已知 $\beta_{1}=k_{1}\alpha_{1}+\alpha_{2}+k_{1}\alpha_{3}$ ， $\beta_{2}=\alpha_{1}+k_{2}\alpha_{2}+(k_{2}+1)\alpha_{3}$ ， $\beta_{3}=\alpha_{1}+\alpha_{2}+\alpha_{3}$ ，若 $\beta_{1}$ ， $\beta_{2}$ ， $\beta_{3}$ 线性相关，则 $k_{1}$ ， $k_{2}$ 的值为（）
A. $k_{1}=1$ 且 $k_{2}=0$
B. $k_{1}=1$ 或 $k_{2}=1$
C. $k_{1}=1$ 且 $k_{2}=1$
D. $k_{1}=1$ 或 $k_{2}=0$
设随机变量 $X$ 的概率密度函数为 $f(x)=\frac{1}{b - a}(a\leq x\leq b)$ ，其他情况为0。该分布是：（）
A. 泊松分布
B. 指数分布
C. 正态分布
D. 均匀分布
关于线性变换 $\mathbb{R}^{n} \to \mathbb{R}^{m}$ ，以下说法正确的是？（）
A. $T (u + v) = T (u) + T (v)$ 仅当 $u\perp v$ 时成立
B. 零向量映射不一定为零向量
C. 线性变换不能改变向量的维度
D. $T (c u) = c T (u)$ 对所有标量 $c$ 和向量 $u$ 成立
关于Transformer解码器的描述错误的是？（）
A. 解码器额外使用编码器-解码器交叉注意力层（Cross - Attention）
B. 第二个Multi - Head Attention层的K、V矩阵使用Encoder的编码信息矩阵进行计算
C. 解码器的第二个Multi - Head Attention采用了Masked掩码操作
D. 解码器包含掩码自注意力层（Masked Self - Attention）
下述检验正态性假设的方法中错误的是（）
A. 直方图方法
B. 拟合优度检验方法
C. 使用偏度系数和峰度系数
D. T检验
某工厂生产的产品次品率为0.02，随机抽取100件产品，次品数 $X$ 近似服从的分布是？（）
A. 均匀分布
B. 伯努利分布
C. 泊松分布
D. 正态分布
用牛顿迭代法求函数 $x + 3)x^{2}=0$ 的根，初值为 $x_{0}=3$ 的情况下，其收敛速度是（）
A. 超线性收敛
B. 二次收敛
C. 线性收敛
D. 对数收敛
在使用PCA（主成分分析）进行降维时，主要依据以下哪一项来选择主成分？（）
A. 样本的分布密度
B. 特征之间的相关性
C. 主成分的方差贡献率
D. 数据的类别分布

（二）不定项选择题（共5题）

设 $\{N(t),t\geq0\}$ 是强度为 $\lambda$ 的泊松过程。以下陈述中，正确的是（）
A. 在区间 $[0, t]$ 内事件数 $N (t)$ 的均值为 $\lambda t$
B. 已知在时间 $[0, t]$ 内发生了 $n$ 个事件，那么这 $n$ 个事件的发生时刻在 $[0, t]$ 上是独立同分布的均匀分布
C. 时间间隔 $T_{1}$ （首次事件到达时间）服从参数为 $\lambda$ 的指数分布
D. 两次连续事件的时间间隔 $T_{2}-T_{1}$ 与 $T_{1}$ 相互独立
在EM算法中，GMM的M - step的解析解需要（）
A. 必须对角协方差
B. 协方差矩阵正定
C. 各成分权重和为1
D. 均值更新为加权平均
下列关于线性变换的说法中，正确的是（）
A. 设 $\mathbb{R}^{2} \to \mathbb{R}^{2}$ 是将向量 $\begin{bmatrix}x\\y\end{bmatrix}$ 映射为 $\begin{bmatrix}2x + y\\x - 3y\end{bmatrix}$ 的变换，则 $T$ 是线性变换
B. 设 $\mathbb{R}^{3} \to \mathbb{R}^{2}$ 是将向量 $\begin{bmatrix}x\\y\\z\end{bmatrix}$ 映射为 $\begin{bmatrix}x + y + 1\\z - 2y\end{bmatrix}$ 的变换，则 $T$ 不是线性变换（因存在常数项1，不满足线性变换“ $T (0) = 0$ ”的性质）
C. 若 $T_{1}$ ， $T_{2}$ 均为 $\mathbb{R}^{n} \to \mathbb{R}^{m}$ 的线性变换，则它们的和 $T(x)=T_{1}(x)+T_{2}(x)$ 仍是线性变换
D. 若 $\mathbb{R}^{n} \to \mathbb{R}^{m}$ 是线性变换，则对于任意向量 $\alpha$ ， $\beta\in \mathbb{R}^{n}$ 和常数 $k$ ， $m\in \mathbb{R}$ ，有 $T(k\alpha + m\beta)=kT(\alpha)+mT(\beta)$
关于深度学习中的激活函数ReLU、Softmax、Sigmoid和Tanh，以下描述正确的是：（）
A. ReLU函数在输入为负时输出为零，而在输入为正时输出为输入值本身
B. Tanh函数的输出值范围在 $[- 1, 1]$ 之间，常用于隐藏层的激活函数
C. Sigmoid函数的导数在输入为0时达到最大值，随着输入值的增大或减小而逐渐减小
D. Softmax函数将输入值归一化为概率分布，所有输出值的和为1
与大语言模型（LLM）相比，以下哪些是多模态大语言模型（MLLM）在处理多模态输入时面临的独特挑战？（）
A. 跨模态的语义理解与生成
B. 多模态输入的实时处理与推理延迟
C. 模型参数量的爆炸式增长
D. 多模态数据的对齐（如图像与文本的语义对齐）

二、编程题（共2题）

21. 云存储设备故障预测

在云存储系统中，需要预测存储设备故障以提前迁移数据。每条设备日志包含：设备ID，写入次数，读取次数，平均写入延迟（ms），平均读取延迟（ms），设备使用年限（年），设备状态（0正常/1故障）。需实现一个设备故障预测系统，包含以下功能：

1. 数据清洗规则

缺失值标记为“NaN”，用该字段有效值的均值填充；
异常值判定与处理：
- 写入次数、读取次数：小于0时为异常值，用该字段有效值的中位数替换；
- 平均写入延迟、平均读取延迟：小于0或大于1000ms时为异常值，用该字段有效值的中位数替换；
- 设备使用年限：小于0或大于20年时为异常值，用该字段有效值的中位数替换。

2. 逻辑回归模型训练要求

训练方法：使用批量梯度下降法（Batch GD），每次迭代使用全部样本；
特征变量：写入次数、读取次数、平均写入延迟、平均读取延迟、设备使用年限；
标签变量：设备状态；
训练参数：迭代次数100次，学习率 $\alpha=0.01$ ，初始权重全为0。

3. 预测输出要求

输出预测结果：0（表示设备正常）或1（表示设备故障）。

输入格式

第一行：训练样本总个数 $N$ （ $2\leq N\leq100$ ）；
第二行至第 $N + 1$ 行：每行包含1个训练样本数据，格式为“设备ID 写入次数读取次数平均写入延迟平均读取延迟设备使用年限状态”；
第 $N + 2$ 行：预测数据总个数 $M$ （ $1\leq M\leq10$ ）；
第 $N + 3$ 行至第 $N + M + 2$ 行：每行包含1个预测样本数据，格式为“设备ID 写入次数读取次数平均写入延迟平均读取延迟设备使用年限状态”（预测时状态字段仅为数据格式统一，无实际意义）。

输出格式

共 $M$ 行，每行输出1个预测结果（0或1），与预测数据的顺序一一对应。

22. 大模型训练MOE场景路由优化算法

MOE模型训练时，token需根据概率发送到top - k个不同的专家进行计算，专家分布在多个NPU卡上。Device - Limited routing算法可将token的路由目标限制在 $p$ 个NPU上，以降低通信成本，具体规则如下：

专家分组：将 $n$ 个专家平均分配在 $m$ 个NPU上，每个NPU上的专家组成一个组；专家编号为 $N = [0, 1, 2, ..., n - 1]$ ，且每个组内的专家编号连续；
筛选目标NPU：每个专家对应一个被路由到的概率，以每个组内的最大概率作为该组的代表概率；从所有组中选择代表概率最大的 $p$ 个组，其对应的NPU即为路由目标限制NPU；
筛选目标专家：从上述 $p$ 个NPU对应的所有专家中，选择概率最大的 $k$ 个专家，其编号即为最终路由目标。

输入格式

第一行：4个整数，分别表示专家个数 $n$ 、NPU个数 $m$ 、路由目标限制NPU个数 $p$ 、目标路由专家个数 $k$ （均处于区间 $[1, 10000]$ 内）；
第二行： $n$ 个浮点数，分别表示每个专家对应的被路由概率（处于区间 $(0, 1)$ 内），概率与专家编号 $[0, 1, 2, ..., n - 1]$ 一一对应。

输出格式

若 $n$ 不能被 $m$ 整除（无法平均分组），或从目标NPU对应的专家中无法获取到 $k$ 个专家编号，则输出“error”；
若满足条件，则按专家编号从小到大的顺序输出 $k$ 个专家编号，任意相邻两个编号之间用空格分隔，最后一个编号后无空格。

参考答案

答案仅供参考

单项选择题（共15题）

答案：A
解析：LSTM（长短期记忆网络）能捕捉序列数据的长期依赖关系，适合生成连续文本；最大熵模型、隐马尔可夫模型（HMM）更适用于分类、序列标注等任务，决策树主要用于分类和回归，均不擅长连续文本生成。
答案：A
解析：线性变换矩阵 $A$ 由基向量的像构成（列向量为 $T(e_1)$ 、 $T(e_2)$ ），即 $A=\begin{bmatrix}3&-1\\1&2\end{bmatrix}$ 。向量 $v=\begin{bmatrix}4\\3\end{bmatrix}$ 的像为 $\cdot v = \begin{bmatrix}3\times4 + (-1)\times3\\1\times4 + 2\times3\end{bmatrix}=\begin{bmatrix}9\\10\end{bmatrix}$ ，故选择A。
答案：A
解析：矩阵乘法 $uv^{\top}$ 中，元素 $A_{ij}$ 为 $u$ 的第 $i$ 个元素与 $v$ 的第 $j$ 个元素乘积。 $u=\begin{bmatrix}2\\-1\\3\end{bmatrix}$ 、 $v^{\top}=\begin{bmatrix}4&0&-2\end{bmatrix}$ ，第2行第3列元素为 $(-1)\times(-2)=2$ ，故选择A。
答案：B
解析：方程 $x=\cos x$ 仅有1个实根；迭代公式 $x_{k+1}=\cos(x_k)$ 满足压缩映射条件，对任意初始值均收敛到该实根（A错，收敛速度为线性；C错，算法稳定；D错，方程仅1个实根）。
答案：A
解析：过拟合指模型在训练集上拟合过好（准确率高），但对未见过的测试集泛化能力差（准确率低）；欠拟合是训练集和测试集准确率均低，故选择A。
答案：C
解析：预测值： $P_2(1.5)=100 + 20\times1.5 + 5\times1.5\times(1.5-1)=138.75\,\text{MPa}$ ；真实值： $\sigma(1.5)=100 + 20\times1.5 + 5\times(1.5)^2=138.75\,\text{MPa}$ ，绝对误差为0，故选择C。
答案：B
解析：方差性质： $\text{Var}(aX + b)=a^2\text{Var}(X)$ （常数不影响方差）。代入得 $\text{Var}(Y)=3^2\times4=36$ ，故选择B。
答案：D
解析：向量组 $\beta_1,\beta_2,\beta_3$ 线性相关，其组合系数构成的行列式为0。计算得行列式 $k_1-1)(k_2(k_1-1)-k_1)=0$ ，解得 $k_1=1$ 或 $k_2=0$ ，故选择D。
答案：D
解析：均匀分布的概率密度函数为 $f(x)=\frac{1}{b-a}$ （ $a\leq x\leq b$ ），其他区间为0；泊松分布是离散分布，指数分布密度为 $f(x)=\lambda e^{-\lambda x}$ ，正态分布密度为钟形曲线，故选择D。
答案：D
解析：线性变换满足可加性 $T (u + v) = T (u) + T (v)$ （对任意 $u, v$ ，A错）和齐次性 $T (c u) = c T (u)$ （对任意标量 $c$ 、向量 $u$ ，D对）；必满足 $T (0) = 0$ （B错），可改变向量维度（如 $T:\mathbb{R}^3\to\mathbb{R}^2$ ，C错）。
答案：C
解析：Transformer解码器的第一个Multi-Head Attention为Masked Self-Attention（防止未来信息泄露，D对），第二个为Encoder-Decoder Cross-Attention（K、V来自编码器，B对、C错），且额外包含交叉注意力层（A对），故选择C。
答案：D
解析：直方图、拟合优度检验、偏度/峰度系数均用于检验正态性；T检验用于检验均值差异（如两样本均值比较），不用于正态性检验，故选择D。
答案：C
解析：次品数 $X$ 服从二项分布 $B (100, 0.02)$ ，当 $n$ 大、 $p$ 小时，二项分布近似泊松分布（参数 $\lambda=np=2$ ）；均匀分布是连续分布，伯努利分布为单次试验，正态分布需 $n p$ 和 $n (1 - p)$ 均较大，故选择C。
答案：A
解析：函数 $x+3)x^2=0$ 的根为 $x = - 3$ （单根）和 $x = 0$ （二重根）。初值 $x_0=3$ 收敛到 $x = - 3$ ，牛顿迭代法对单根收敛速度为二次，对重根为线性，但本题中 $x = - 3$ 是单根，实际计算中因导数特性呈超线性收敛，故选择A。
答案：C
解析：PCA通过最大化主成分的方差保留数据信息，选择主成分的核心依据是方差贡献率（累计方差贡献率通常需达到80%-90%）；样本分布密度、特征相关性、数据类别分布均非PCA选择主成分的关键，故选择C。

不定项选择题（共5题）

答案：ACD
解析：泊松过程中， $N (t)$ 均值为 $\lambda t$ （A对）；已知 $n$ 个事件时，发生时刻服从均匀分布的顺序统计量，非独立同分布（B错）；首次到达时间 $T_1$ 及相邻间隔均服从参数 $\lambda$ 的指数分布，且相互独立（C、D对）。
答案：BCD
解析：GMM的M-step中，协方差矩阵需正定（否则无意义，B对），各成分权重和为1（约束条件，C对），均值更新为加权平均（权重为后验概率，D对）；协方差矩阵可非对角（A错），故选择BCD。
答案：ACD
解析：A满足线性变换的可加性和齐次性（对）；B含常数项1，不满足 $T (0) = 0$ （错）；线性变换的和仍为线性变换（C对）；D是线性变换的定义式（对），故选择ACD。
答案：ABCD
解析：ReLU在输入负时输出0、正时输出自身（A对）；Tanh输出范围 $[- 1, 1]$ ，常用于隐藏层（B对）；Sigmoid导数在 $x = 0$ 时最大（0.25），随 $∣ x ∣$ 增大而减小（C对）；Softmax将输入归一化为概率分布，和为1（D对），故选择ABCD。
答案：ABD
解析：MLLM的独特挑战包括跨模态语义理解与生成（A对）、多模态实时处理延迟（B对）、多模态数据对齐（D对）；模型参数量增长是LLM和MLLM共有的挑战（非独特，C错），故选择ABD。

编程21

一、解题思路

1. 数据读取与预处理

读取输入：先读取训练样本数量 $N$ 及对应的 $N$ 条训练数据，再读取预测样本数量 $M$ 及对应的 $M$ 条预测数据，数据需按“设备ID、写入次数、读取次数、平均写入延迟、平均读取延迟、设备使用年限、状态”的格式解析。
缺失值处理：将数据中的缺失值（标记为“NaN”）用对应字段有效值的均值填充，需先筛选出各字段非“NaN”的有效数据，计算均值后替换缺失值。
异常值处理：根据规则判定异常值（写入/读取次数<0；平均写入/读取延迟<0或>1000；使用年限<0或>20），用对应字段有效值的中位数替换异常值，同样需先筛选有效数据计算中位数。

2. 逻辑回归模型训练（批量梯度下降）

特征与标签提取：从预处理后的训练数据中提取特征（写入次数、读取次数、平均写入延迟、平均读取延迟、设备使用年限）和标签（设备状态，0为正常、1为故障）。
特征标准化：为提升梯度下降收敛速度，对特征进行标准化（均值归一化，即 $X_{norm}=\frac{X - \mu}{\sigma}$ ， $\mu$ 为特征均值， $\sigma$ 为特征标准差）。
批量梯度下降迭代：初始权重 $w$ 全为0，学习率 $\alpha=0.01$ ，迭代100次。每次迭代计算预测值（通过sigmoid函数 $h_\theta(x)=\frac{1}{1+e^{-\theta^T x}}$ ）、损失函数梯度，更新权重 $\alpha \times \text{gradient}$ 。

3. 预测与输出

预测数据预处理：对预测数据执行与训练数据相同的缺失值、异常值处理及特征标准化（使用训练数据的特征均值和标准差，避免数据泄露）。
结果预测：将预处理后的预测特征代入训练好的逻辑回归模型，通过sigmoid函数得到概率，概率≥0.5预测为1（故障），否则预测为0（正常），按顺序输出预测结果。

二、Python代码实现

import numpy as np

def preprocess_data(data, train_stats=None, is_train=True):
    """
    数据预处理：处理缺失值和异常值，训练数据计算统计量，预测数据使用训练统计量
    data: 输入数据（二维列表，每行对应一条数据，列：[写入次数, 读取次数, 平均写入延迟, 平均读取延迟, 设备使用年限]）
    train_stats: 训练数据的统计量（均值、中位数、标准差），is_train=False时需传入
    is_train: 是否为训练数据（True/False）
    return: 预处理后的数据，训练数据时额外返回统计量
    """
    data = np.array(data, dtype=np.float64)
    n_features = data.shape[1]
    stats = {}  # 存储训练数据的统计量：mean（均值）、median（中位数）、std（标准差）
    
    if is_train:
        # 计算训练数据各字段的均值、中位数、标准差（忽略NaN）
        for i in range(n_features):
            valid = data[~np.isnan(data[:, i]), i]
            stats[f'mean_{i}'] = np.mean(valid)
            stats[f'median_{i}'] = np.median(valid)
            stats[f'std_{i}'] = np.std(valid) if len(valid) > 1 else 1.0  # 避免标准差为0
    else:
        # 预测数据使用训练数据的统计量
        stats = train_stats
    
    # 处理缺失值（用均值填充）
    for i in range(n_features):
        data[np.isnan(data[:, i]), i] = stats[f'mean_{i}']
    
    # 处理异常值（用中位数填充）
    # 特征0：写入次数，特征1：读取次数（异常值<0）
    for i in [0, 1]:
        data[data[:, i] < 0, i] = stats[f'median_{i}']
    # 特征2：平均写入延迟，特征3：平均读取延迟（异常值<0或>1000）
    for i in [2, 3]:
        mask = (data[:, i] < 0) | (data[:, i] > 1000)
        data[mask, i] = stats[f'median_{i}']
    # 特征4：设备使用年限（异常值<0或>20）
    mask = (data[:, 4] < 0) | (data[:, 4] > 20)
    data[mask, 4] = stats[f'median_4']
    
    # 训练数据标准化（预测数据后续用训练统计量标准化）
    if is_train:
        normalized_data = (data - np.array([stats[f'mean_{i}'] for i in range(n_features)])) / \
                          np.array([stats[f'std_{i}'] for i in range(n_features)])
        return normalized_data, stats
    else:
        return data

def sigmoid(z):
    """sigmoid激活函数，避免数值溢出"""
    return np.where(z >= 0, 1 / (1 + np.exp(-z)), np.exp(z) / (1 + np.exp(z)))

def train_logistic_regression(X, y, epochs=100, alpha=0.01):
    """
    批量梯度下降训练逻辑回归模型
    X: 标准化后的训练特征（n_samples × n_features）
    y: 训练标签（n_samples × 1）
    epochs: 迭代次数
    alpha: 学习率
    return: 训练好的权重w
    """
    n_samples, n_features = X.shape
    # 初始化权重（含偏置项，故特征维度+1，先给X添加偏置列）
    X_with_bias = np.hstack([np.ones((n_samples, 1)), X])  # (n_samples, n_features+1)
    w = np.zeros((n_features + 1, 1))  # 初始权重全0
    
    for _ in range(epochs):
        # 计算预测概率
        y_pred_prob = sigmoid(np.dot(X_with_bias, w))
        # 计算梯度（批量梯度，使用全部样本）
        gradient = (1 / n_samples) * np.dot(X_with_bias.T, (y_pred_prob - y.reshape(-1, 1)))
        # 更新权重
        w -= alpha * gradient
    
    return w

def predict(w, X_test, train_stats):
    """
    模型预测
    w: 训练好的权重
    X_test: 预处理后的预测特征（未标准化）
    train_stats: 训练数据的统计量（用于标准化）
    return: 预测结果（0/1）
    """
    n_features = X_test.shape[1]
    # 用训练数据的均值和标准差标准化预测特征
    X_test_norm = (X_test - np.array([train_stats[f'mean_{i}'] for i in range(n_features)])) / \
                  np.array([train_stats[f'std_{i}'] for i in range(n_features)])
    # 添加偏置列
    X_test_with_bias = np.hstack([np.ones((X_test_norm.shape[0], 1)), X_test_norm])
    # 计算预测概率并转为标签（≥0.5为1，否则为0）
    y_pred_prob = sigmoid(np.dot(X_test_with_bias, w))
    y_pred = (y_pred_prob >= 0.5).astype(int).flatten()
    return y_pred

def main():
    # 读取输入（注意：实际考试中需从标准输入读取，此处模拟输入格式）
    import sys
    input_lines = [line.strip() for line in sys.stdin if line.strip()]
    ptr = 0
    
    # 读取训练数据
    N = int(input_lines[ptr])
    ptr += 1
    train_data = []
    train_labels = []
    for _ in range(N):
        parts = input_lines[ptr].split()
        ptr += 1
        # 提取特征（索引1-5：写入次数、读取次数、平均写入延迟、平均读取延迟、设备使用年限）
        features = [float(p) if p != 'NaN' else np.nan for p in parts[1:6]]
        # 提取标签（索引6：设备状态）
        label = int(parts[6])
        train_data.append(features)
        train_labels.append(label)
    
    # 读取预测数据
    M = int(input_lines[ptr])
    ptr += 1
    test_data = []
    for _ in range(M):
        parts = input_lines[ptr].split()
        ptr += 1
        # 提取特征（同训练数据，状态字段无意义）
        features = [float(p) if p != 'NaN' else np.nan for p in parts[1:6]]
        test_data.append(features)
    
    # 1. 预处理训练数据
    X_train_norm, train_stats = preprocess_data(train_data, is_train=True)
    y_train = np.array(train_labels)
    
    # 2. 训练逻辑回归模型
    w = train_logistic_regression(X_train_norm, y_train, epochs=100, alpha=0.01)
    
    # 3. 预处理预测数据并预测
    X_test_processed = preprocess_data(test_data, train_stats=train_stats, is_train=False)
    y_pred = predict(w, X_test_processed, train_stats)
    
    # 4. 输出预测结果
    for pred in y_pred:
        print(pred)

if __name__ == "__main__":
    main()

编程22

一、解题思路

1. 输入校验与初始化

核心校验：首先判断专家总数 $n$ 是否能被NPU个数 $m$ 整除（若不能，直接输出“error”），确保专家可平均分配到每个NPU形成连续编号的专家组；同时后续需确认目标NPU对应的专家总数不小于 $k$ （若不足，同样输出“error”）。
数据初始化：读取专家概率列表，与专家编号（0到 $n - 1$ ）一一对应，便于后续按概率筛选专家。

2. 专家分组（按NPU划分）

计算每组专家数：每组专家数量 $group_size = n // m$ ，确保每个NPU对应一个包含 $group_size$ 个连续编号专家的组（如 $n = 6$ 、 $m = 2$ 时，组1为专家0-2，组2为专家3-5）。
构建分组数据：遍历所有专家，按编号归属划分到对应组，同时记录每组的最大概率（作为该组的“代表概率”，用于筛选目标NPU）。

3. 筛选目标NPU

按组概率排序：将所有组按“代表概率”降序排列，选择前 $p$ 个组（即概率最大的 $p$ 个组），其对应的NPU即为路由目标限制NPU。
收集目标专家池：汇总这 $p$ 个目标组内的所有专家（含编号和概率），形成待选专家池。

4. 筛选目标专家与输出

按专家概率排序：将待选专家池中的专家按概率降序排列，选择前 $k$ 个专家（若专家池总数不足 $k$ ，输出“error”）。
结果格式化：将选中的 $k$ 个专家按编号从小到大排序，用空格分隔输出，确保行尾无空格。

二、Python代码实现

def main():
    import sys
    # 读取输入（第一行：n, m, p, k；第二行：n个专家概率）
    input_lines = [line.strip() for line in sys.stdin if line.strip()]
    if len(input_lines) < 2:
        print("error")
        return
    
    # 解析第一行参数（专家数n、NPU数m、目标NPU数p、目标专家数k）
    try:
        n, m, p, k = map(int, input_lines[0].split())
        # 校验参数范围（题目规定区间[1,10000]）
        if not (1 <= n <= 10000 and 1 <= m <= 10000 and 1 <= p <= 10000 and 1 <= k <= 10000):
            print("error")
            return
    except ValueError:
        print("error")
        return
    
    # 解析第二行专家概率（n个浮点数，区间(0,1)）
    try:
        probs = list(map(float, input_lines[1].split()))
        if len(probs) != n:
            print("error")
            return
        # 校验概率范围（题目规定(0,1)，此处允许微小精度误差）
        for prob in probs:
            if not (0 < prob < 1):
                print("error")
                return
    except ValueError:
        print("error")
        return
    
    # 第一步：校验专家能否平均分配到NPU（n必须被m整除）
    if n % m != 0:
        print("error")
        return
    group_size = n // m  # 每个NPU对应的专家数量（每组专家数）
    
    # 第二步：构建专家组（按NPU分组，记录每组的专家编号、概率及组最大概率）
    groups = []  # 元素格式：(组最大概率, 组内专家列表)，组内专家格式：(专家编号, 专家概率)
    for group_idx in range(m):
        # 计算当前组专家的编号范围（连续编号）
        start_idx = group_idx * group_size
        end_idx = start_idx + group_size
        group_experts = []
        max_prob_in_group = 0.0
        # 遍历组内专家，收集编号、概率并找组内最大概率
        for expert_idx in range(start_idx, end_idx):
            prob = probs[expert_idx]
            group_experts.append((expert_idx, prob))
            if prob > max_prob_in_group:
                max_prob_in_group = prob
        groups.append((max_prob_in_group, group_experts))
    
    # 第三步：筛选概率最大的p个组（目标NPU对应的组）
    # 按组最大概率降序排序，取前p个组
    groups_sorted = sorted(groups, key=lambda x: x[0], reverse=True)
    target_groups = groups_sorted[:p]
    
    # 第四步：收集目标组内的所有专家，形成待选专家池
    candidate_experts = []
    for _, experts in target_groups:
        candidate_experts.extend(experts)
    
    # 校验待选专家数是否足够k个（不足则输出error）
    if len(candidate_experts) < k:
        print("error")
        return
    
    # 第五步：按专家概率降序排序，选择前k个专家，再按编号升序排列
    # 先按概率降序，概率相同则按编号升序（避免概率一致时排序混乱）
    candidate_experts_sorted = sorted(candidate_experts, key=lambda x: (-x[1], x[0]))
    selected_experts = candidate_experts_sorted[:k]
    # 按专家编号升序排列输出
    selected_ids = sorted([expert[0] for expert in selected_experts])
    
    # 第六步：格式化输出（空格分隔，行尾无空格）
    print(' '.join(map(str, selected_ids)))

if __name__ == "__main__":
    main()

华为Ai岗机考20250903完整真题