企业官网建设流程全解析

又到刷题时间。这个系列我自己都想吐槽，说好每周更新一次，结果硬是拖成了"不定期更新"。好在前三次的内容都是实打实的：第一次把Python工具链和NumPy广播机制过了一遍，第二次集中刷了逻辑回归、决策树这些经典算法的推导，第三次用PyTorch完整搭了一个手写数字分类网络。如果你是从第一篇跟到现在的，基础部分基本稳了；如果是中途进来的，直接做第四次这套综合练习，遇到不懂的再回头翻前面的文章补课，效率反而更高。

"AI入试"这个词，我按最宽泛的理解来用：人工智能方向的入学复试、企业算法岗笔试、以及各类AI能力认证考试都算。这类考核有个共同点，就是特别爱考"看起来基础、实际上容易翻车"的问题，而且经常把数学推导、代码实现和概念判断揉在同一道题里。第四次练习我就故意把这种综合题挑出来，做成了带详细解析的练习合集，适合正在备考、或者想检验自己是否真正掌握AI基础的人。整套题不追求偏难怪，而是追求"问到你平时忽略的为什么"。

1. 第四次练习的整体定位与选题思路

1.1 前三次练习留下的"地基"

先简单交代一下系列进度。第一次我带着大家把Python的列表推导式、NumPy的广播机制、矩阵乘法练到闭着眼能写；第二次重点讲逻辑回归和决策树的公式推导，以及它们在真实数据上的表现；第三次主要是用PyTorch搭建全连接网络，把数据加载、模型定义、训练循环完整走了一遍。三轮下来你会发现一个尴尬的事实：单个知识点做题都会，一旦混在一起，脑子就容易卡壳。于是第四次我换了一种玩法，不再按"知识点"为单位出题，而是按"题型"为单位出题——同一个考点，用选择题、推导题、编程题轮番轰炸，看看自己是不是真懂了。

这也是我备考AI入试最真实的需求：考试不会只问"什么是过拟合"，它一定会让你判断"这个现象是不是过拟合"，或者让你想办法减轻过拟合。所以这次练习，每一类题我都尽量做成"概念+推导+场景"的复合结构，而不是孤立的记忆题。做题时你可以先独立完成一遍，再看后面的解析，这样效果比直接阅读答案好得多。

1.2 为什么这轮选题主打"综合+手推"

认真研究过几套相关笔试和复试题目之后，我发现出题人有一个共同偏好：希望筛选出"真懂原理"而不是"背住结论"的人。所以概念题后面往往跟着一个"为什么"，计算题又要求你写出中间步骤。给我的启发是：平时刷题不能只盯着答案对错，而是要练推导速度和表达的严谨性。

第四次的四类题型，我是这样规划的：

选择题检验"你知不知道"，简答题检验"你能不能讲清楚"，计算题检验"你敢不敢动手算"，编程题检验"能不能把公式变成可执行代码"。四类都过一遍，才算真正掌握一个考点。这套思路你在准备任何技术考核时都可以复用。

2. 机器学习基础：概念题与易错点复盘

2.1 类别不平衡下，指标选择是个送命题

先上这道选择题，它在我刷过的题目里出现频率极高。

题目：在一个二分类任务中，正样本仅占1%，你觉得哪个评估指标最不靠谱？

A. Accuracy
B. F1-Score
C. AUC
D. Recall

正确答案是A。原因很简单：如果模型把所有样本都预测为负类，Accuracy能到99%，可这个模型一点用都没有。用生活化的话说，就像天气预报天天报"不下雨"，一个月里虽然只错了两三回，但我们想要的从来不是这种"平均正确率"。在正负样本严重失衡的业务场景里，准确率会被多数类主导，完全掩盖少数类上的表现。

F1-Score是精确率和召回率的调和平均，在这种场景下能反映模型对少数类是否真的捕捉到了；AUC看的是正负样本排序能力，受不平衡影响相对较小；Recall则直接关心"真正的正样本我捞回来多少"。所以看到"类别不平衡"五个字，第一反应应该是排除Accuracy，优先考虑F1、AUC、PRC。这里特别提醒：PRC在正样本极少时比ROC更敏感，很多参考答案不提这一点，但你答出来会是加分项。

再补一道延伸思考：如果业务场景是"识别交易欺诈"，正样本就是欺诈交易，非常稀少，你会更看重Precision还是Recall？答案取决于代价。如果一次误判会把正常用户冻住，损失很大，那就往Precision偏；如果要尽可能抓住所有欺诈，不管误伤，就主攻Recall。所以考试里不要只背指标公式，还要学会结合场景说取舍。

2.2 偏差-方差分解，简答题这样答才能拿全分

第二道高频简答题：请用偏差-方差分解解释过拟合与欠拟合。

我的建议答题框架分四步。第一步直接写公式：泛化误差 = 偏差^2 + 方差 + 噪声。第二步说清偏差和高低：欠拟合模型太简单，对训练数据都拟合不好，属于高偏差、低方差；过拟合模型把训练数据里的噪声都学进去了，属于低偏差、高方差。第三步举一个具体例子佐证，比如用线性模型去拟合二次函数，偏差很大、方差不大；用九次多项式拟合少量点，偏差小、方差极大。第四步给对策：高偏差时增加模型复杂度、加特征、减少正则化；高方差时增加训练数据、降低模型复杂度、加正则化、做交叉验证。四步说完，基本就是个小满分答案。

我在批改自己练习时发现一个常见错误：很多同学把"偏差"理解成"预测值和真实值的差"，这没错，但在机器学习语境下，偏差描述的是模型在大量不同训练集上的平均预测与真实值的差异；方差描述的是模型在不同训练集上的变动程度。这两个概念一定要从"多次采样训练集"的角度理解，否则一旦被追问"为什么增加数据能减小方差"就会卡住。事实上，数据增多时，模型见过的样本分布更接近真实分布，它对训练集具体样本的依赖变小，方差自然下降。

2.3 梯度下降的"变体们"别只记名字

这种题通常以填空或选择形式出现。比如：比较批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（Mini-batch GD）的优缺点。

批量梯度下降每次用全量数据计算梯度，方向最准，但数据量大时速度慢，而且容易停在局部极小；随机梯度下降每次用一个样本更新，快但震荡剧烈，带噪声反而有机会跳出局部极小；小批量梯度下降折中，每次用一小批，兼顾稳定与速度，是实际深度学习训练最常用的方式。答题时最好补一句：现代框架里的SGD默认指小批量随机梯度下降，而不是严格意义上的单样本更新。这种"抠定义"的小细节，很容易让阅卷人觉得你确实动过手。

这里再补充一个常被追问的点：学习率怎么设。学习率太大，损失曲线会震荡甚至发散；太小又收敛慢。常见的做法是用余弦退火或warmup加动态衰减，初始学习率一般取0.01到0.001之间，再根据验证集损失做调整。回答这类问题时，只要把"控制更新步长"这个本质讲明白，再给出一个具体量级和调整方向，会显得很有实操感。

3. 深度学习与神经网络：手推反向传播

3.1 从零手推一个神经元，不再怕链式法则

AI入试里，手推反向传播基本是必考项。很多同学一看公式就头大，其实只用记住一句话：梯度是损失对参数的偏导，链式法则就是"逐层求导再相乘"。我们来看经典的最小例子。设输入 x=2，目标 y=0.5，初始参数 w=1.0，b=0.5，激活函数是Sigmoid，损失函数是均方误差MSE。前向传播的计算为：

z = wx + b = 1.0 × 2 + 0.5 = 2.5 a = sigmoid(z) = 1 / (1 + e^(-2.5)) ≈ 0.924 L = 0.5 × (a - y)^2 = 0.5 × (0.924 - 0.5)^2 ≈ 0.0899

反向计算 dL/dw 时，按照链式法则拆成三段：

dL/da = a - y ≈ 0.424 da/dz = a(1 - a) ≈ 0.924 × 0.076 ≈ 0.0702 dz/dw = x = 2

相乘得到 dL/dw ≈ 0.424 × 0.0702 × 2 ≈ 0.0595。偏置的梯度是 dL/db ≈ 0.424 × 0.0702 ≈ 0.0298。如果学习率设为0.1，参数更新为 w_new ≈ 1.0 - 0.1 × 0.0595 = 0.99405，b_new ≈ 0.5 - 0.1 × 0.0298 = 0.49702。

手推这种题有几个坑。第一个是搞混损失对输出的导数：交叉熵配合Sigmoid时推导会简洁很多，但这里用的是MSE，必须老老实实算。第二个是参数更新的方向：梯度下降是减去梯度，方向别反。第三个是Sigmoid在z较大时梯度接近0，这就是梯度消失的雏形，手推题里如果激活输出接近1或0，梯度值会非常小，要能意识到并说明。我的习惯是前向把 z 和 a 分别存成中间变量，反向直接取用，这样既快又少出错。备考时建议把"用乘法链写清每一步偏导"当成固定书写格式，阅卷人看着清晰，自己也容易发现错误。

3.2 特征图尺寸与感受野：别再被padding和stride绕晕

这个知识点几乎每次笔试都会出现，考法通常是给输入尺寸、卷积核大小、padding和stride，让你算输出特征图尺寸，或者反过来求某个参数。

通用公式是：

输出尺寸 = floor((W + 2P - F) / S) + 1

其中W是输入边长，P是padding单边填充数，F是卷积核大小，S是stride步长。为什么加2P？因为padding是在左右两侧都填充。为什么最后加1？因为卷积核要覆盖到最后一个可行位置，类似"从0开始的计数"。用floor还是ceil取决于框架，PyTorch默认是floor，手算结果和机器结果一致。

比如输入32x32，3x3卷积，padding=1，stride=2：先算32 + 2×1 - 3 = 31，除以2得到15.5，向下取整15，再加1得到16，输出是16x16。再堆一层同样参数：16 + 2 - 3 = 15，除以2得7.5，取整7，加1得8，输出8x8。很多同学在15.5这里直接四舍五入成16，然后忘记再加1，得出17，这是最常见的错误。我建议用直觉检查：stride为2时，输出尺寸大致接近输入的一半。32变成16，符合直觉；如果算出来是17或33，大概率是取整和加1的顺序错了。

池化层公式通常是 floor((W - F) / S) + 1，没有padding。比如14x14输入，2x2池化，stride=2，输出是7x7，因为(14-2)/2+1=7。真题里还喜欢让你比较"最大池化"和"平均池化"在梯度传播上的差异：最大池化梯度只会回传到前向中选中的那个位置，平均池化则把梯度均匀分配到各位置。这些小点都答上，说明你不是只会算尺寸。

3.3 用感受野解释为什么CNN喜欢堆小卷积核

再补充一道简答题：感受野是什么意思？怎么理解"为什么很多网络堆好几层3x3卷积，而不是直接用一个大卷积核"？

感受野指某层特征图上每个像素对应原图区域的尺寸。两个3x3卷积堆叠，特征图上的一个点其实可以看到原图5x5的区域，参数量却是2×(3×3×C×C)=18C^2，而一个5x5卷积的参数是25C^2。所以小卷积核堆叠在相同感受野下更省参数，还引入了更多非线性层，表达能力更强。计算参数量时注意不要漏掉输入输出通道：单个卷积核的参数量是F×F×C_in×C_out，有偏置还要加C_out。以上就是这类简答题的完整答法，先给定义，再给参数对比，最后说非线性带来的收益。

4. 数学基础与编程实战：从推导到实现

4.1 特征值特征向量，PCA的前置考点

矩阵特征值是线性代数部分的重头戏，考法很直白：给你一个2x2矩阵，求特征值和对应的特征向量。例题：A = [[2,1],[1,2]]。

先写特征方程 det(A - λI) = 0：

(2-λ)(2-λ) - 1×1 = 0 化简得 (2-λ)^2 - 1 = 0 解得 λ = 1 或 λ = 3。

λ=1时，代入 A - I = [[1,1],[1,1]]，解方程 (A-I)v=0 得到 x1 + x2 = 0，所以取一个特征向量 v = [1,-1]，单位化就是 [1/√2, -1/√2]。λ=3时，代入 A - 3I = [[-1,1],[1,-1]]，解方程得到 x1 - x2 = 0，取 v = [1,1]，单位化 [1/√2, 1/√2]。

这一题在考试里往往只是起点，后续会问：用特征值大小说明矩阵性质。最大特征值3对应方差最大的方向，如果把这个矩阵当成某个数据的协方差矩阵，主成分方向就是 [1,1] 方向，它解释了总方差的 3/(3+1)=75%。这就是PCA的底层逻辑：找到协方差矩阵特征值最大的几个方向，实现降维。

我备考时总结的答题模板是：写特征方程、求λ、逐个代回求特征向量、说明几何含义。千万不要只求λ就完事，特征向量才是后续问题的关键。另外注意，特征向量可以乘任意非零常数，写"一个特征向量为...，也可乘以任意非零常数"，既严谨又能避免和标准答案有出入。

4.2 信息熵与基尼指数：决策树计算题怎么拿分

决策树计算题在AI入试中属于送分题，前提是公式记熟并能手算。给一个常见考法：给定划分前后的纯度指标，判断哪个特征更好。假设一个二分类数据集有15个样本，其中正例9个、负例6个。某个特征把数据划分为两个子节点：第一个子节点包含6个样本，正负各3个；第二个子节点包含9个样本，正例6个、负例3个。请计算基尼指数。

先算划分前的基尼指数：

Gini(D) = 1 - (9/15)^2 - (6/15)^2 = 1 - 0.36 - 0.16 = 0.48

划分后按样本量加权：

Gini(D1) = 1 - (3/6)^2 - (3/6)^2 = 0.5 Gini(D2) = 1 - (6/9)^2 - (3/9)^2 = 1 - 4/9 - 1/9 ≈ 0.444 Gini_after = (6/15)×0.5 + (9/15)×0.444 ≈ 0.467

基尼系数下降量 = 0.48 - 0.467 = 0.013。做特征选择时，应该选让基尼系数下降量最大的特征。同样，如果题里用信息熵，就是用信息增益表示下降量。这两种指标本质都衡量"划分前后不确定性减少多少"。

这类题最容易出错的地方有两个：一是忘记按样本数量加权，直接把两个子节点的纯度做平均；二是把"基尼指数最小"和"基尼指数下降量最大"搞混。决策树在CART里建树时，是遍历特征和阈值，选择下降量最大的切分点，所以如果问"哪个特征更好"，比的是下降量，不是节点纯度的绝对值。我在实际练习中会把这类题写在错题本上，重点标记"加权平均"四个字。

4.3 朴素贝叶斯：一个条件概率的应用题

朴素贝叶斯高频考点集中在贝叶斯公式和"朴素"的由来。例题：已知 P(A|B)=0.8，P(B)=0.3，P(A|非B)=0.2，求 P(B|A)。

根据贝叶斯公式：

P(B|A) = [P(A|B)P(B)] / [P(A|B)P(B) + P(A|非B)P(非B)] = (0.8×0.3) / (0.8×0.3 + 0.2×0.7) = 0.24 / 0.38 ≈ 0.6316

这道题考的不只是公式，还考分母是否写全。分母里必须包含互补条件下的全概率项，也就是 P(A|非B)P(非B)，很多同学会漏掉这一项。另一个常考的点是"朴素"二字的含义，即特征之间条件独立的假设：P(x1,x2|y)=P(x1|y)P(x2|y)。回答时说明这个假设简化了联合概率计算，虽然实际很难完全满足，但很多场景下效果依然不错，所以被称为"朴素"。

4.4 编程题：手写K折交叉验证，不调库

最后是一道代码题。我选了K折交叉验证，因为它在笔试里出现频率高，而且手写能检验你对数据切片、随机种子、循环流程是否真正理解。用NumPy手写一个简单的切分函数：

import numpy as np def kfold_split(n_samples, k, shuffle=True, seed=42): index = np.arange(n_samples) if shuffle: rng = np.random.default_rng(seed) rng.shuffle(index) # 每折至少 n_samples // k 个样本，余数从第一折开始分配 fold_sizes = np.full(k, n_samples // k, dtype=int) fold_sizes[: n_samples % k] += 1 folds = [] current = 0 for fold_size in fold_sizes: folds.append(index[current:current + fold_size]) current += fold_size return folds

使用逻辑很简单。n_samples=20、k=5时，每折大小是4；n_samples=23时，前3折大小为5，后2折大小为4。训练循环里，把验证折以外的所有索引拼成训练集：

folds = kfold_split(23, 5) for i in range(5): val_idx = folds[i] train_idx = np.concatenate([folds[j] for j in range(5) if j != i]) # 在这里训练模型，用 train_idx 训练，用 val_idx 验证

注意 np.concatenate 传入的是一个列表，列表里每个元素是一个数组，不要用列表相加，否则会变成嵌套而不是扁平化。实践里最常见的错误是忘记shuffle，导致有序数据直接按类别块切分，验证集就会全是同一类，评估结果虚高或虚低。另一个细节是使用 np.random.default_rng(seed) 而不是 np.random.seed + np.random.shuffle，这样可以避免污染全局随机状态，在多次重复实验时尤其重要。如果笔试要求的是严格的Stratified KFold，还需要按类别比例逐层分配样本，手写复杂度会高很多，先写出基础版并说明"若要保证类别比例还需分层抽样"，已经能拿到大部分分数。

5. 易错点与应试策略踩坑记录

5.1 AI入试笔试最常见的三个丢分位置

根据我自己的练习记录和身边备考者的反馈，丢分往往不在难题，而在基础题三个位置。第一个是概念混淆：Bagging和Boosting搞反、L1和L2正则化说不清、归一化和标准化用错场景。解决方法是画一张对比表，把相似概念的区别写清楚，考前只看这张表。第二个是计算粗心：特征图尺寸公式里漏了padding的2倍、特征值方程展开错符号、基尼指数忘记加权。解决方法是每道计算题都先写公式再带入，不要跳步。第三个是代码细节：手写交叉验证时忘记shuffle，梯度下降里把梯度和参数更新方向搞反。这些坑在平时刷题时发现，比考试时丢分更值钱。我建议把错题按"概念型/计算型/代码型"分类记录，考前只看错误原因栏，效率极高。

5.2 我的答题顺序与时间分配建议

AI入试这类综合性笔试，时间通常比较紧。我的习惯是先用2分钟扫一遍所有题目，标记哪些是需要长时间计算的、哪些是概念题。做题顺序上先做计算题和编程题，因为它们需要大脑在高唤醒状态下手算，越做到后面越容易疲劳和粗心；概念简答题放中间，用来调剂节奏；最后留10分钟检查计算题的符号和公式。

单题时间控制上，选择题不超过3分钟，简答题5分钟左右，计算题可以放到8分钟，编程题最多15分钟。如果一道题卡了超过预计时间的一半，果断先跳过，后面有时间再补。这套节奏在多次模拟练习里让我保持了较高完成度，推荐你也试试。你可以根据自己强弱项微调顺序，但核心原则是：不要在低分值的难题上耗尽脑力，影响后面更多基础题的得分。

5.3 如何把错题变成真正属于自己的东西

我不太建议反复刷同一套题，那会产生"假性记忆"。更有效的做法是把做错的题改造成变体：比如把K折交叉验证里n_samples从23改成100，要求写出每折样本数；把特征图尺寸里的padding改成0，重新算一遍。这样比再做一次原题更能检验你是否真的掌握。

我也习惯在题干旁边写一句话，标记这道题在真实项目中对应什么场景。比如特征图尺寸计算，对应"改网络结构时确认维度是否匹配"；反向传播手推，对应"调参时理解梯度异常来自哪里"。备考不是任务，而是把知识内化成工具。带着这个心态，AI入试的题目会越做越顺，而且工作里遇到类似问题，你也更容易想到用哪个知识点去解。

第四次练习到这里就结束了。说实话，每次整理这些题，我自己也能复习一遍，尤其是手推反向传播和交叉验证，哪怕写过很多遍，偶尔还是会踩到符号和维度的坑。所以我的个人建议是：题不在多，把每一道综合题真正手推、手写一遍，比泛泛刷十道题更有用。下次第五次，我打算加入Transformer的Self-Attention手推和常见激活函数对比，如果你已经把这次的内容消化完，我们下一步见。