华为Ai岗机考20250903完整真题

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。

一、选择题

（一）单项选择题（共15题）

1. 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

2. 线性变换$T:{\mathbb{R}}^2\to {\mathbb{R}}^2$将向量$e_1=\left[\begin{array}{c}1\\ 0\end{array}\right]$映为$\left[\begin{array}{c}3\\ 1\end{array}\right]$，将$e_2=\left[\begin{array}{c}0\\ 1\end{array}\right]$映为$\left[\begin{array}{c}-1\\ 2\end{array}\right]$，则向量$v=\left[\begin{array}{c}4\\ 3\end{array}\right]$在$T$下的像为？（）
   A. $\left[\begin{array}{c}5\\ 7\end{array}\right]$
   B. $\left[\begin{array}{c}8\\ 11\end{array}\right]$
   C. $\left[\begin{array}{c}12\\ -2\end{array}\right]$
   D. $\left[\begin{array}{c}9\\ 10\end{array}\right]$

3. 已知$u=\left[\begin{array}{c}2\\ -1\\ 3\end{array}\right]$，$v=\left[\begin{array}{c}4\\ 0\\ -2\end{array}\right]$，且$A=u{v}^{\top }$，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

4. 在计算某天线的安装角度时，需要求解如下非线性方程$x=\cos x$，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

5. 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

6. 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

7. 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$Var(X)=4$。现在我们对其进行线性变换得到新特征$Y=3X-5$。那么新特征$Y$的方差$Var(Y)$是多少？（）
   A. 31
   B. 36
   C. 12
   D. 7

8. 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$k_2=0$

9. 设随机变量$X$的概率密度函数为$f(x)=\frac{1}{b-a}(a\le x\le b)$，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

10. 关于线性变换$T:{\mathbb{R}}^n\to {\mathbb{R}}^m$，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. $T(cu)=cT(u)$对所有标量$c$和向量$u$成立

11. 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）

12. 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

13. 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

14. 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

15. 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）

16. 设{N(t),t≥0}\{N(t),t\geq0\}{N(t),t≥0}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

17. 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

18. 下列关于线性变换的说法中，正确的是（）
    A. 设$T:{\mathbb{R}}^2\to {\mathbb{R}}^2$是将向量$\left[\begin{array}{c}x\\ y\end{array}\right]$映射为$\left[\begin{array}{c}2x+y\\ x-3y\end{array}\right]$的变换，则$T$是线性变换
    B. 设$T:{\mathbb{R}}^3\to {\mathbb{R}}^2$是将向量$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]$映射为$\left[\begin{array}{c}x+y+1\\ z-2y\end{array}\right]$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$T:{\mathbb{R}}^n\to {\mathbb{R}}^m$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$T:{\mathbb{R}}^n\to {\mathbb{R}}^m$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$T(k\alpha +m\beta )=kT(\alpha )+mT(\beta )$

19. 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

20. 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$N$（$2\le N\le 100$）；
• 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$M$（$1\le M\le 10$）；
• 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：

1. 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；
2. 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；
3. 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）

1. 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。

2. 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$A=\left[\begin{array}{cc}3& -1\\ 1& 2\end{array}\right]$。向量$v=\left[\begin{array}{c}4\\ 3\end{array}\right]$的像为$A\cdot v=\left[\begin{array}{c}3\times 4+(-1)\times 3\\ 1\times 4+2\times 3\end{array}\right]=\left[\begin{array}{c}9\\ 10\end{array}\right]$，故选择A。

3. 答案：A
   解析：矩阵乘法$A=u{v}^{\top }$中，元素$A_{ij}$为$u$的第$i$个元素与$v$的第$j$个元素乘积。$u=\left[\begin{array}{c}2\\ -1\\ 3\end{array}\right]$、$v^{\top }=\left[\begin{array}{ccc}4& 0& -2\end{array}\right]$，第2行第3列元素为$(-1)\times (-2)=2$，故选择A。

4. 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）。

5. 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。

6. 答案：C
   解析：预测值：$P_2(1.5)=100+20\times 1.5+5\times 1.5\times (1.5-1)=138.75\text{MPa}$；真实值：$\sigma (1.5)=100+20\times 1.5+5\times (1.5{)}^2=138.75\text{MPa}$，绝对误差为0，故选择C。

7. 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$\text{Var}(Y)=3^2\times 4=36$，故选择B。

8. 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。

9. 答案：D
   解析：均匀分布的概率密度函数为$f(x)=\frac{1}{b-a}$（$a\le x\le b$），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。

10. 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$T(cu)=cT(u)$（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）。

11. 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。

12. 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。

13. 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$np$和$n(1-p)$均较大，故选择C。

14. 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。

15. 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）

16. 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）。

17. 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。

18. 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。

19. 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。

20. 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$w=w-\alpha \times \text{gradient}$。

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 npdef 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 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, statselse:return datadef 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0for _ 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 * gradientreturn wdef 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_preddef 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 sysinput_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 += 1train_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 += 1test_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$grou{p}_{s}ize=n//m$，确保每个NPU对应一个包含$grou{p}_{s}ize$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")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()))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")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")returngroup_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_sizeend_idx = start_idx + group_sizegroup_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 = probgroups.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()