华为Ai岗机考20250903完整真题

优质文章学习记录

09 Apr 2026 — 31 min read

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(6分)+5道不定项选择(12分)）+2道编程题(150+300)。

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 T : R 2 → R 2 T: \mathbb{R}^{2} \to \mathbb{R}^{2} T:R2→R2将向量 e 1 = [ 1 0 ] e_{1}=\begin{bmatrix}1\\0\end{bmatrix} e1=[10]映为 [ 3 1 ] \begin{bmatrix}3\\1\end{bmatrix} [31]，将 e 2 = [ 0 1 ] e_{2}=\begin{bmatrix}0\\1\end{bmatrix} e2=[01]映为 [ − 1 2 ] \begin{bmatrix}-1\\2\end{bmatrix} [−12]，则向量 v = [ 4 3 ] v=\begin{bmatrix}4\\3\end{bmatrix} v=[43]在 T T T下的像为？（）
A. [ 5 7 ] \begin{bmatrix}5\\7\end{bmatrix} [57]
B. [ 8 11 ] \begin{bmatrix}8\\11\end{bmatrix} [811]
C. [ 12 − 2 ] \begin{bmatrix}12\\-2\end{bmatrix} [12−2]
D. [ 9 10 ] \begin{bmatrix}9\\10\end{bmatrix} [910]
已知 u = [ 2 − 1 3 ] u=\begin{bmatrix}2\\-1\\3\end{bmatrix} u=2−13， v = [ 4 0 − 2 ] v=\begin{bmatrix}4\\0\\-2\end{bmatrix} v=40−2，且 A = u v ⊤ A = uv^{\top} A=uv⊤，则 A A 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 x = cos ⁡ x x = \cos x x=cosx，工程师小王打算使用迭代公式 x k + 1 = cos ⁡ ( x k ) x_{k + 1}=\cos(x_{k}) xk+1=cos(xk)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 ] t = [0,1,2] t=[0,1,2]秒时 σ = [ 100 , 120 , 150 ] M P a \sigma = [100,120,150]MPa σ=[100,120,150]MPa。用二次插值 P 2 ( t ) = 100 + 20 t + 5 t ( t − 1 ) P_{2}(t)=100 + 20t + 5t(t - 1) P2(t)=100+20t+5t(t−1)预测 t = 1.5 t = 1.5 t=1.5秒应力。已知真实应力函数为 σ ( t ) = 100 + 20 t + 5 t 2 \sigma(t)=100 + 20t + 5t^{2} σ(t)=100+20t+5t2，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 X X，其期望 E [ X ] = 10 E[X]=10 E[X]=10，方差 V a r ( X ) = 4 Var(X)=4 Var(X)=4。现在我们对其进行线性变换得到新特征 Y = 3 X − 5 Y = 3X - 5 Y=3X−5。那么新特征 Y Y Y的方差 V a r ( Y ) Var(Y) Var(Y)是多少？（）
A. 31
B. 36
C. 12
D. 7
向量组 α 1 \alpha_{1} α1， α 2 \alpha_{2} α2， α 3 \alpha_{3} α3线性无关，已知 β 1 = k 1 α 1 + α 2 + k 1 α 3 \beta_{1}=k_{1}\alpha_{1}+\alpha_{2}+k_{1}\alpha_{3} β1=k1α1+α2+k1α3， β 2 = α 1 + k 2 α 2 + ( k 2 + 1 ) α 3 \beta_{2}=\alpha_{1}+k_{2}\alpha_{2}+(k_{2}+1)\alpha_{3} β2=α1+k2α2+(k2+1)α3， β 3 = α 1 + α 2 + α 3 \beta_{3}=\alpha_{1}+\alpha_{2}+\alpha_{3} β3=α1+α2+α3，若 β 1 \beta_{1} β1， β 2 \beta_{2} β2， β 3 \beta_{3} β3线性相关，则 k 1 k_{1} k1， k 2 k_{2} k2的值为（）
A. k 1 = 1 k_{1}=1 k1=1且 k 2 = 0 k_{2}=0 k2=0
B. k 1 = 1 k_{1}=1 k1=1或 k 2 = 1 k_{2}=1 k2=1
C. k 1 = 1 k_{1}=1 k1=1且 k 2 = 1 k_{2}=1 k2=1
D. k 1 = 1 k_{1}=1 k1=1或 k 2 = 0 k_{2}=0 k2=0
设随机变量 X X X的概率密度函数为 f ( x ) = 1 b − a ( a ≤ x ≤ b ) f(x)=\frac{1}{b - a}(a\leq x\leq b) f(x)=b−a1(a≤x≤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 T : R n → R m T: \mathbb{R}^{n} \to \mathbb{R}^{m} T:Rn→Rm，以下说法正确的是？（）
A. T ( u + v ) = T ( u ) + T ( v ) T(u + v)=T(u)+T(v) T(u+v)=T(u)+T(v)仅当 u ⊥ v u\perp v u⊥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 ) T(cu)=cT(u) T(cu)=cT(u)对所有标量 c c c和向量 u u 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 X 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 (x + 3)x^{2}=0 (x+3)x2=0的根，初值为 x 0 = 3 x_{0}=3 x0=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 ≥ 0 } \{N(t),t\geq0\} {N(t),t≥0}是强度为 λ \lambda λ的泊松过程。以下陈述中，正确的是（）
A. 在区间 [ 0 , t ] [0,t] [0,t]内事件数 N ( t ) N(t) N(t)的均值为 λ t \lambda t λt
B. 已知在时间 [ 0 , t ] [0,t] [0,t]内发生了 n n n个事件，那么这 n n n个事件的发生时刻在 [ 0 , t ] [0,t] [0,t]上是独立同分布的均匀分布
C. 时间间隔 T 1 T_{1} T1（首次事件到达时间）服从参数为 λ \lambda λ的指数分布
D. 两次连续事件的时间间隔 T 2 − T 1 T_{2}-T_{1} T2−T1与 T 1 T_{1} T1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 T : R 2 → R 2 T: \mathbb{R}^{2} \to \mathbb{R}^{2} T:R2→R2是将向量 [ x y ] \begin{bmatrix}x\\y\end{bmatrix} [xy]映射为 [ 2 x + y x − 3 y ] \begin{bmatrix}2x + y\\x - 3y\end{bmatrix} [2x+yx−3y]的变换，则 T T T是线性变换
B. 设 T : R 3 → R 2 T: \mathbb{R}^{3} \to \mathbb{R}^{2} T:R3→R2是将向量 [ x y z ] \begin{bmatrix}x\\y\\z\end{bmatrix} xyz映射为 [ x + y + 1 z − 2 y ] \begin{bmatrix}x + y + 1\\z - 2y\end{bmatrix} [x+y+1z−2y]的变换，则 T T T不是线性变换（因存在常数项1，不满足线性变换“ T ( 0 ) = 0 T(0)=0 T(0)=0”的性质）
C. 若 T 1 T_{1} T1， T 2 T_{2} T2均为 T : R n → R m T: \mathbb{R}^{n} \to \mathbb{R}^{m} T:Rn→Rm的线性变换，则它们的和 T ( x ) = T 1 ( x ) + T 2 ( x ) T(x)=T_{1}(x)+T_{2}(x) T(x)=T1(x)+T2(x)仍是线性变换
D. 若 T : R n → R m T: \mathbb{R}^{n} \to \mathbb{R}^{m} T:Rn→Rm是线性变换，则对于任意向量 α \alpha α， β ∈ R n \beta\in \mathbb{R}^{n} β∈Rn和常数 k k k， m ∈ R m\in \mathbb{R} m∈R，有 T ( k α + m β ) = k T ( α ) + m T ( β ) T(k\alpha + m\beta)=kT(\alpha)+mT(\beta) T(kα+mβ)=kT(α)+mT(β)
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 ] [-1,1] [−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 α = 0.01 \alpha=0.01 α=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 N N（ 2 ≤ N ≤ 100 2\leq N\leq100 2≤N≤100）；
第二行至第 N + 1 N+1 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 N+2 N+2行：预测数据总个数 M M M（ 1 ≤ M ≤ 10 1\leq M\leq10 1≤M≤10）；
第 N + 3 N+3 N+3行至第 N + M + 2 N+M+2 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 M 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 p p个NPU上，以降低通信成本，具体规则如下：

专家分组：将 n n n个专家平均分配在 m m 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 ] N=[0,1,2,...,n-1] 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 p 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 p p个NPU对应的所有专家中，选择概率最大的 k k 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 n n、NPU个数 m m m、路由目标限制NPU个数 p p p、目标路由专家个数 k k k（均处于区间 [ 1 , 10000 ] [1,10000] [1,10000]内）；
第二行： n n 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 ) (0,1) (0,1)内），概率与专家编号 [ 0 , 1 , 2 , . . . , n − 1 ] [0,1,2,...,n-1] [0,1,2,...,n−1]一一对应。

输出格式

若 n n n不能被 m m 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 k 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 k 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 A A由基向量的像构成（列向量为 T ( e 1 ) T(e_1) T(e1)、 T ( e 2 ) T(e_2) T(e2)），即 A = [ 3 − 1 1 2 ] A=\begin{bmatrix}3&-1\\1&2\end{bmatrix} A=[31−12]。向量 v = [ 4 3 ] v=\begin{bmatrix}4\\3\end{bmatrix} v=[43]的像为 A ⋅ v = [ 3 × 4 + ( − 1 ) × 3 1 × 4 + 2 × 3 ] = [ 9 10 ] A \cdot v = \begin{bmatrix}3\times4 + (-1)\times3\\1\times4 + 2\times3\end{bmatrix}=\begin{bmatrix}9\\10\end{bmatrix} A⋅v=[3×4+(−1)×31×4+2×3]=[910]，故选择A。
答案：A
解析：矩阵乘法 A = u v ⊤ A = uv^{\top} A=uv⊤中，元素 A i j A_{ij} Aij为 u u u的第 i i i个元素与 v v v的第 j j j个元素乘积。 u = [ 2 − 1 3 ] u=\begin{bmatrix}2\\-1\\3\end{bmatrix} u=2−13、 v ⊤ = [ 4 0 − 2 ] v^{\top}=\begin{bmatrix}4&0&-2\end{bmatrix} v⊤=[40−2]，第2行第3列元素为 ( − 1 ) × ( − 2 ) = 2 (-1)\times(-2)=2 (−1)×(−2)=2，故选择A。
答案：B
解析：方程 x = cos ⁡ x x=\cos x x=cosx仅有1个实根；迭代公式 x k + 1 = cos ⁡ ( x k ) x_{k+1}=\cos(x_k) xk+1=cos(xk)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 × 1.5 + 5 × 1.5 × ( 1.5 − 1 ) = 138.75 MPa P_2(1.5)=100 + 20\times1.5 + 5\times1.5\times(1.5-1)=138.75\,\text{MPa} P2(1.5)=100+20×1.5+5×1.5×(1.5−1)=138.75MPa；真实值： σ ( 1.5 ) = 100 + 20 × 1.5 + 5 × ( 1.5 ) 2 = 138.75 MPa \sigma(1.5)=100 + 20\times1.5 + 5\times(1.5)^2=138.75\,\text{MPa} σ(1.5)=100+20×1.5+5×(1.5)2=138.75MPa，绝对误差为0，故选择C。
答案：B
解析：方差性质： Var ( a X + b ) = a 2 Var ( X ) \text{Var}(aX + b)=a^2\text{Var}(X) Var(aX+b)=a2Var(X)（常数不影响方差）。代入得 Var ( Y ) = 3 2 × 4 = 36 \text{Var}(Y)=3^2\times4=36 Var(Y)=32×4=36，故选择B。
答案：D
解析：向量组 β 1 , β 2 , β 3 \beta_1,\beta_2,\beta_3 β1,β2,β3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 (k_1-1)(k_2(k_1-1)-k_1)=0 (k1−1)(k2(k1−1)−k1)=0，解得 k 1 = 1 k_1=1 k1=1或 k 2 = 0 k_2=0 k2=0，故选择D。
答案：D
解析：均匀分布的概率密度函数为 f ( x ) = 1 b − a f(x)=\frac{1}{b-a} f(x)=b−a1（ a ≤ x ≤ b a\leq x\leq b a≤x≤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 ) = λ e − λ x f(x)=\lambda e^{-\lambda x} f(x)=λe−λx，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 ) T(u+v)=T(u)+T(v) T(u+v)=T(u)+T(v)（对任意 u , v u,v u,v，A错）和齐次性 T ( c u ) = c T ( u ) T(cu)=cT(u) T(cu)=cT(u)（对任意标量 c c c、向量 u u u，D对）；必满足 T ( 0 ) = 0 T(0)=0 T(0)=0（B错），可改变向量维度（如 T : R 3 → R 2 T:\mathbb{R}^3\to\mathbb{R}^2 T:R3→R2，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 X X服从二项分布 B ( 100 , 0.02 ) B(100,0.02) B(100,0.02)，当 n n n大、 p p p小时，二项分布近似泊松分布（参数 λ = n p = 2 \lambda=np=2 λ=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 np np和 n ( 1 − p ) n(1-p) n(1−p)均较大，故选择C。
答案：A
解析：函数 ( x + 3 ) x 2 = 0 (x+3)x^2=0 (x+3)x2=0的根为 x = − 3 x=-3 x=−3（单根）和 x = 0 x=0 x=0（二重根）。初值 x 0 = 3 x_0=3 x0=3收敛到 x = − 3 x=-3 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 x=-3 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 ) N(t) N(t)均值为 λ t \lambda t λt（A对）；已知 n n 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 T_1 T1及相邻间隔均服从参数 λ \lambda λ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 T(0)=0 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 ] [-1,1] [−1,1]，常用于隐藏层（B对）；Sigmoid导数在 x = 0 x=0 x=0时最大（0.25），随 ∣ x ∣ |x| ∣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 N N及对应的 N N N条训练数据，再读取预测样本数量 M M M及对应的 M M 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 n o r m = X − μ σ X_{norm}=\frac{X - \mu}{\sigma} Xnorm=σX−μ， μ \mu μ为特征均值， σ \sigma σ为特征标准差）。
批量梯度下降迭代：初始权重 w w w全为0，学习率 α = 0.01 \alpha=0.01 α=0.01，迭代100次。每次迭代计算预测值（通过sigmoid函数 h θ ( x ) = 1 1 + e − θ T x h_\theta(x)=\frac{1}{1+e^{-\theta^T x}} hθ(x)=1+e−θTx1）、损失函数梯度，更新权重 w = w − α × gradient w = w - \alpha \times \text{gradient} w=w−α×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 defpreprocess_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 inrange(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)iflen(valid)>1else1.0# 避免标准差为0else:# 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 inrange(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 inrange(n_features)]))/ \ np.array([stats[f'std_{i}']for i inrange(n_features)])return normalized_data, stats else:return data defsigmoid(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)))deftrain_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0for _ inrange(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 defpredict(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 inrange(n_features)]))/ \ np.array([train_stats[f'std_{i}']for i inrange(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 defmain():# 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 _ inrange(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 _ inrange(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 n n是否能被NPU个数 m m 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 k 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 n-1 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 g r o u p s i z e = n / / m group_size = n // m groupsize=n//m，确保每个NPU对应一个包含 g r o u p s i z e group_size groupsize个连续编号专家的组（如 n = 6 n=6 n=6、 m = 2 m=2 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 p p个组（即概率最大的 p p 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 p 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 k k个专家（若专家池总数不足 k k k，输出“error”）。
结果格式化：将选中的 k k 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

defmain():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()]iflen(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]）ifnot(1<= n <=10000and1<= m <=10000and1<= p <=10000and1<= k <=10000):print("error")returnexcept 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()))iflen(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:ifnot(0< prob <1):print("error")returnexcept 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 inrange(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 inrange(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）iflen(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()