简介面向HCIA-AI V3.5华为认证人工智能工程师备考人群的模拟考试题库定位于检验人工智能基础理论、系统设计与开发实施能力的练习场景适合准备认证考试或希望梳理知识框架的学习者使用。压缩包内含1个docx文件大小约1.42MB以多选题形式组织题目便于集中刷题、自测与查漏补缺。已有288人学习说明该题库在备考群体中具备一定参考价值。内容覆盖机器学习、深度学习、自然语言处理、计算机视觉等基础概念并延伸到数据预处理、模型训练与优化、监督与非监督学习、卷积与递归神经网络、生成式对抗网络及文本处理等考点可帮助读者按知识模块定位薄弱环节配合认证大纲进行针对性复习提升对人工智能系统设计与实施要点的理解与应试熟练度。1. 先看地图HCIA-AI V3.5 这张卷子在考哪几层能力HCIA-AI V3.5 这套人工智能工程师认证的模拟考试题库主力题型是多选题这大概是最不友好的题型——少选一个算错多选一个也算错蒙对的概率比单选题低得多。把整套题按知识点摊开看它其实是一张三层的能力地图底层考机器学习与深度学习的概念边界中层考算法选型、评估指标和参数口径上层考 AI 系统的设计开发流程以及计算机视觉、自然语言处理的落地场景。适合已经把教材过了一遍、准备集中刷题查漏的人。先把地图画清楚再填细节比一上来就死磕错题效率高得多。2. 基础层机器学习、深度学习与 CV/NLP 的边界划分2.1 AI、机器学习、深度学习不是三个并列的词这组关系几乎是每套题都会碰到的送分点也是最容易反着选的地方。正确的关系是层层包含人工智能是最大的集合机器学习是其中一个分支深度学习又是机器学习的子集。多选题喜欢在这里做手脚比如把选项写成「机器学习是深度学习的一个分支」「深度学习与机器学习是并列的两类方法」读起来很顺但方向是反的。再往下拆一层机器学习内部按「有没有标签」划分成监督、无监督、半监督、强化学习深度学习内部按网络结构划分成卷积网络、循环网络、生成式对抗网络、Transformer 这一类。梳理下来会发现题目的迷惑性往往不在名词本身而在层级关系——把子集说成父集、把并列说成包含只要脑子里那张树状图是清楚的这类选项一眼就能排除。还有一个细节强化学习既不属于监督也不属于无监督它靠与环境交互获得的奖励信号来调整策略很多选项会硬把它塞进监督学习里理由是「有反馈信号就等于有标签」。这个说法站不住脚奖励是标量评价不是样本的正确答案。2.2 计算机视觉与自然语言处理的任务清单计算机视觉和自然语言处理是最常被拿来出场景题的两块。计算机视觉这条线从粗到细可以排成图像分类整张图给一个类别、目标检测框出位置并给类别、语义分割每个像素给类别但不区分个体、实例分割每个像素给类别且区分个体、关键点检测、光学字符识别。题目经常拿「检测」和「分割」互换或者把「语义分割」和「实例分割」的区别藏在一个选项的定语里。自然语言处理这条线则是分词、词性标注、命名实体识别、句法分析、文本分类、情感分析、机器翻译、问答与摘要。前四项属于基础处理后面几项属于应用任务。多选题会故意把「词性标注」写成「给每个词标注它在句子中的语义角色」前半句对、后半句错属于典型的半真半假选项。领域任务输出粒度常见混淆点计算机视觉图像分类整图一个标签与检测混为「定位」计算机视觉目标检测框 类别与分割混为「像素级」计算机视觉语义分割像素类别与实例分割混为「区分个体」自然语言处理命名实体识别词级标签序列与词性标注混为「词性」自然语言处理机器翻译目标语言序列与文本摘要混为「压缩」表格里这五组是最高频的对照。记忆方式不必死背抓住输出粒度这一条主线就够整图、框、像素、词、序列粒度从粗到细任务自然就分开了。复习时如果只能记住一句话就记「看输出是什么形状」比记任务定义管用。2.3 数据预处理在整条流程里的位置系统设计类的题目经常把预处理当成一个可有可无的环节实际上它在流程里的位置非常固定数据采集 → 数据清洗 → 特征工程含编码与缩放→ 数据集划分 → 模型训练 → 评估 → 调优 → 部署。多选题会把「数据集划分」放到「特征缩放」前面这种顺序错误在文字上很隐蔽但在工程上是硬伤。缩放的两种做法必须分清。归一化把数据压到固定区间公式是 (x − min) / (max − min)适合特征量纲差异大且分布不接近高斯的场景标准化把数据变成均值 0、方差 1公式是 (x − μ) / σ对异常值相对不敏感是大多数模型的默认选择。题目常问「哪种方法受异常值影响更大」答案是归一化因为极值直接决定了分母。提示缩放的均值和方差只能从训练集计算再套用到验证集和测试集。用全量数据算参数属于数据泄漏这条在系统设计题里几乎年年出现。缺失值处理也有对应的判断标准缺失比例低且随机分布时均值、中位数、众数填充都可用缺失比例高时直接删除列或引入缺失指示变量更稳妥。类别特征用独热编码处理无大小关系的类别用序数编码处理有明确顺序的等级。这些内容单独看都不难凑在一起出多选题时错误选项往往只改一个限定词比如把「无序类别用独热」写成「有序类别用独热」。3. 算法层监督、无监督、半监督的判定与选型3.1 三种学习范式的判定标准判定一个任务属于哪种范式只看一个东西训练数据里有没有人工标注的目标值。有标签是监督学习典型任务是分类与回归没有标签是无监督学习典型任务是聚类、降维、异常检测一部分有标签、大部分没标签是半监督学习常见于标注成本高的场景比如医学影像。这里有一个高频陷阱半监督和自监督不是一回事。半监督是「少量标签 大量无标签」一起训练自监督是「从无标签数据里自己构造监督信号」比如遮住句子中的一个词让模型预测它或者把图片旋转后让模型判断旋转角度。前者是数据标注程度的描述后者是训练目标构造的方式。题目如果把两者写成同义直接排除。强化学习则单独成一类它没有静态数据集靠智能体与环境的交互序列学习。四个要素——状态、动作、奖励、策略——经常被拆成选项考察其中「奖励」是即时反馈「策略」是从状态到动作的映射两者不能互换。3.2 常见算法的适用场景对照选型题的问法通常是「下列场景最适合用哪种算法」答案往往取决于数据形态和任务目标而不是算法本身的先进程度。下面这张表按「任务类型—是否需要标签—典型场景—易混点」四列整理覆盖了题库里出现频率最高的十来个算法。算法任务类型需要标签典型场景易混点线性回归回归是连续值预测与逻辑回归混为分类逻辑回归分类是二分类概率输出名字带回归实为分类决策树分类/回归是规则可解释场景与随机森林混为单模型随机森林分类/回归是特征维度高、噪声多与 boosting 混为并行集成支持向量机分类/回归是小样本高维核函数选择被忽略K 近邻分类/回归是样本量小、无训练过程被称为「懒惰学习」朴素贝叶斯分类是文本分类基线特征独立假设被当成事实K 均值聚类否球形簇、簇数已知与分类混为有监督DBSCAN聚类否任意形状簇、含噪声与 K 均值混为需指定簇数主成分分析降维否特征压缩、可视化与特征选择混为一谈表格里最值得盯的是两行逻辑回归虽然名字带「回归」但输出经 sigmoid 映射后用于分类K 均值属于无监督题目常把它包装成「先聚类再打标签所以是监督学习」这个推理是错的打标签发生在聚类之后不改变训练阶段无标签的事实。支持向量机那一行的易混点也值得展开。核函数决定了模型能不能处理非线性可分的数据线性核适合特征维度已经很高的情况径向基核适合样本量中等、边界复杂的场景。选项里如果说「支持向量机只能处理线性问题」那是在描述线性核不是算法整体。3.3 评估指标准确率之外还得看什么类别不平衡是评估指标题的核心背景。假设一个二分类任务里正样本只占 2%模型把所有样本都判为负准确率仍有 98%但这个模型毫无用处。所以题库里只要出现「样本极度不平衡」正确选项基本都指向精确率、召回率、F1 或 AUC而不是准确率。混淆矩阵是这套指标的根TP 是正例判正FP 是负例判正FN 是正例判负TN 是负例判负。精确率 TP / (TP FP)衡量「判为正的里面有多少是真的正」召回率 TP / (TP FN)衡量「真的正例里有多少被找出来了」。两者此消彼长F1 是它们的调和平均用来在两者之间取平衡。from sklearn.metrics import confusion_matrix, precision_score, recall_score, f1_score # y_true 为真实标签y_pred 为模型预测标签1 代表正类 y_true [1, 0, 1, 1, 0, 1, 0, 0, 1, 0] y_pred [1, 0, 0, 1, 0, 1, 0, 1, 1, 0] # 混淆矩阵的行是真实类别列是预测类别 tn, fp, fn, tp confusion_matrix(y_true, y_pred).ravel() print(精确率:, precision_score(y_true, y_pred)) # TP / (TP FP) print(召回率:, recall_score(y_true, y_pred)) # TP / (TP FN) print(F1:, f1_score(y_true, y_pred)) # 2PR / (P R)这段代码的作用是把三个指标一次算出来方便对照题目里的手工计算。参数说明y_true是标签列表y_pred是预测列表两者长度必须一致confusion_matrix(...).ravel()按 TN、FP、FN、TP 的顺序展开这个顺序在不同库里有差异sklearn 返回的 2×2 矩阵是行真实、列预测展开后正好是这四项。手工做题时如果要算建议先在草稿纸上画 2×2 格子再填数比直接套公式少出错。回归任务的指标则是另一套MSE 对误差取平方放大大误差的影响MAE 取绝对值对异常值更稳健R² 衡量模型解释了多少方差取值可以为负负值说明模型比直接用均值预测还差。题目如果说「R² 一定在 0 到 1 之间」这是错的这句话只在线性回归加截距的特定条件下成立。4. 深度层CNN、RNN、GAN 的结构与参数4.1 卷积层的四个关键超参数卷积这块要记的东西不多但每一个都容易被改写。卷积核大小决定感受野步长决定滑动的跨度填充决定边缘信息保留多少通道数决定输出特征图的厚度。输出尺寸的公式是输出 ⌊(输入 2 × 填充 − 卷积核) / 步长⌋ 1。这个公式几乎每年都考错法集中在填充是否乘 2、向下取整还是向上取整。def conv_output(size, kernel, stride1, padding0): 计算卷积后特征图的空间尺寸 size: 输入边长 kernel: 卷积核边长 stride: 步长 padding: 单边填充量公式里要乘 2 return (size 2 * padding - kernel) // stride 1 print(conv_output(32, 3, 1, 1)) # 32same padding 保持尺寸 print(conv_output(32, 3, 2, 1)) # 16步长为 2 时尺寸减半 print(conv_output(224, 7, 2, 3)) # 112经典骨干网络的首层配置这段代码把公式固化成函数三个调用分别对应「保持尺寸」「下采样一半」「大核大步长」三种典型配置。参数说明padding传的是单边填充量公式内部自动乘 2整除符号//对应向下取整这正是公式里 ⌊ ⌋ 的含义。如果题目给的是「填充为 1卷积核 3步长 2输入 32」手算结果是 ⌊(322−3)/2⌋1 16和代码一致。池化层的考点相对简单最大池化取局部最大值平均池化取均值池化没有可学习参数主要作用是降维和提供一定的平移不变性。易错点在于「池化可以改变通道数」这个说法池化只在空间维度上操作通道数保持不变。4.2 循环网络与长依赖问题循环网络处理的是序列核心是隐藏状态在时间步之间传递。朴素 RNN 的隐藏状态更新是 h_t tanh(W·[h_{t-1}, x_t] b)结构简单但反向传播时梯度要沿时间步连乘序列一长就会出现梯度消失模型记不住早期信息。LSTM 用门控解决这个问题。遗忘门决定丢掉多少旧记忆输入门决定写入多少新信息输出门决定当前输出多少三者都是 sigmoid 输出 0 到 1 之间的权重。GRU 是简化版把三个门合并成更新门和重置门两个参数更少、训练更快在多数中等长度序列任务上效果与 LSTM 接近。多选题在这里的常见错法是「LSTM 完全解决了梯度消失」正确说法是「缓解」。任何基于连乘的反向传播都存在衰减只是门控结构让梯度有了一条更短的传递路径。另一个错法是「GRU 的门比 LSTM 多」事实相反。这类题不需要推导记住门的数量和名称就能判断。4.3 生成式对抗网络的对抗训练生成式对抗网络由生成器和判别器组成生成器把随机噪声映射成假样本判别器判断输入是真是假两者目标相反训练过程是一个极小极大博弈生成器想最小化判别器识破的概率判别器想最大化区分能力。理想状态是纳什均衡此时判别器对真假样本的输出都接近 0.5。训练不稳定的原因在于两个网络同时更新一方过强另一方就学不动。常见现象是模式崩溃——生成器反复产出少数几种样本因为只要骗过当前判别器就够了多样性不是它的优化目标。缓解手段包括调整两者的学习率比例、加噪声、用 Wasserstein 距离替代原始 JS 散度目标这些在选项里经常被写成「增加生成器层数可以解决模式崩溃」属于无效方案。判别器的输出层用 sigmoid 是因为要输出 0 到 1 的概率如果用 softmax 多分类形式通常对应条件生成或多类别判别。这个细节在参数题里偶尔出现判断依据是「二分类用 sigmoid多分类用 softmax」和普通分类网络没有区别。5. 易错点清单多选题里最容易翻车的五处5.1 概念包含关系被反向描述易漏点AI、机器学习、深度学习三者的上下位关系被写反。为什么漏这类选项通常只改一个「是……的分支」其余文字完全正确读起来非常顺眼睛容易直接跳过。怎么补做题时看到包含关系就停下来画箭头父集指向子集画完再判断不要靠语感。5.2 半监督与自监督混为一谈易漏点把「用无标签数据构造训练目标」说成半监督学习。为什么漏两者都涉及无标签数据字面上高度相似教材里也常常挨着讲。怎么补抓住区分点——半监督是标签数量少自监督是标签由数据自身生成前者描述数据后者描述目标构造方式。5.3 类别不平衡时误用准确率易漏点在不平衡数据上用准确率作为主要评估指标。为什么漏准确率是最熟悉的指标看到「评估模型性能」就条件反射选它。怎么补题干里出现正负样本比例悬殊、欺诈检测、疾病筛查这类词直接跳到精确率、召回率、F1、AUC 那组选项。5.4 卷积输出尺寸公式的参数位置记错易漏点填充忘记乘 2或者把步长放在分子上。为什么漏公式平时用代码算手算时凭印象拼凑。怎么补固定一个记忆锚点比如「输入 32、卷积核 3、步长 1、填充 1输出还是 32」用这个例子反推公式结构比背符号可靠。5.5 把聚类结果当成分类标签易漏点认为先聚类再给簇编号就是监督学习。为什么漏簇编号看起来像标签流程上又确实产生了「标签」很容易被绕进去。怎么补判断标准只看训练阶段有没有真实标签参与损失计算聚类阶段没有所以是无监督后续用簇编号训练分类器那是另一个阶段的事。6. 复习清单三轮刷题的顺序与查漏补缺的方法刷题不是刷数量是刷覆盖面和错误类型。我的做法是把复习切成三轮每轮目标不同判断是否过关的标准也不同。轮次目标具体做法过关标准第一轮摸清知识分布按章节顺序做不限时错题只标不改每章错题数能画出一条分布曲线第二轮消灭概念型错误只做错题每道题写一句错因同一知识点不再连错两次第三轮模拟真实节奏限时整套做训练多选题的取舍稳定在目标分数区间波动小于 5 分第一轮最容易被跳过很多人上来就限时模考结果错题散落在十几个知识点上根本看不出薄弱环节在哪。按章节顺序做一遍错题分布会自然暴露问题——如果基础概念那一块错得特别集中说明教材没读透得回去补如果错在参数和公式上说明是记忆精度问题靠专项练习就能解决。第二轮的关键动作是写错因一句话就够比如「把 GRU 的门数记成三个」「填充没乘 2」。写下来的过程就是二次加工比单纯看解析有效得多。梳理下来会发现同一类错误反复出现的概率远高于随机分布错因写够二十条之后规律自己就浮出来了。第三轮要练的是多选题的答题策略。多选题的评分规则决定了「不确定的选项要不要选」是个真问题如果少选能得部分分保守一点更划算如果少选也算错那就得按「有把握才选」的原则来。答题前先确认评分规则这个比多做十道题有用。最后一个技巧是建立自己的「错题索引」不抄题只记三样东西知识点名称、错因关键词、对应的教材章节。二十到三十条就足够覆盖大部分盲区考前翻一遍比重新刷一遍题快得多。我自己的习惯是每道错题都在旁边标一个来源标记是概念不清、公式记错还是审题失误考前一天只看「概念不清」那一类因为另外两类在考场上靠细心就能规避。从那以后我每次做这套题库都会强制走一遍「先画知识地图、再按章刷、最后写错因」的流程没有再出现过刷了一堆题却说不清自己弱在哪的情况。希望帮到你。本文还有配套的精品资源点击获取