华为2026.6.12机考选择题+编程题【速刷敲黑板】

下面进行华为2026年6月12日AI岗机考题的复盘和关键知识点（重点）深度剖析，笔者7月9-10日刷完选择题和2道算法题。选择题考到图像匹配、线性代数、PCA主成分分析法、MLE估计、梯度计算、CNN卷积、训练优化器、嵌入层与注意力机制、MHA与GQA/MQA和训推优化、优化理论（凸函数）、大模并行训练等知识点。编程题有机器学习和传统的数据结构与算法的考点，一个是K-Means无监督聚类算法（机器学习，自动驾驶点云聚类-物体识别场景）的题目（评级中等），一个是大模型MoE混合专家架构（Transformer Block内部的MLP，拥有更多的数量和更低的维度）相关的优化算法Expert Choice Routing（ECR）的模拟考点的题目（评级困难）。

说明：文章内选择题证明和论述部分的绿色字体是AI生成内容，红色字体是人工增添或重要修改内容。

第一题

第十九题

[代码题1 （中等）](#代码题1 （中等）)

代码题2（困难）

总答题用时：1小时30分钟

选择题

用时24分钟

第一题

图像匹配，正确答案A。

需要先说明哈，这里说余弦相似度"适合度量亮度差异较大的两张图片的内容的相似度"针对的是乘性亮度变化，对于加入一个常量的加性亮度变化一般使用NCC（归一化互相关系数或者Pearson系数），可以规避余弦相似度或者归一化后计算欧氏距离的短板（单调负相关），其实就是零均值化预处理加强版的余弦相似度计算。

学术界和产业界主要有五种图像匹配的方法，按鲁棒性（抗干扰能力）从低到高排序如下：

像素级数值度量（对亮度、噪声极其敏感）

这类指标直接计算像素值的绝对误差，不适合你题目中的亮度差异场景。

MSE（均方误差）：计算对应像素点差的平方。亮度整体提升50，MSE会瞬间暴增，导致误判为"完全不像"；
PSNR（峰值信噪比）：PSNR=10⋅log10()
曼哈顿距离 / 欧氏距离：同样受数值绝对值影响极大，通常只用于图像压缩或去噪算法的质量评估，而非内容相似度。

相关性/线性不变度量

这类指标通过归一化或角度计算，能自动屏蔽亮度和对比度的线性变化。

余弦相似度：如上所述，屏蔽整体亮度缩放。在实际图像检索（CBIR）系统中，如果遇到亮度差异大的情况，常规做法是先对图像做直方图均衡化（Histogram Equalization）或归一化处理，然后再提取特征计算余弦相似度。
关于直方图均衡化的数字图像处理（DIP）方法，大家可以类比参考随机过程里面非固定λ参数（非齐次）泊松过程和齐次泊松过程的积分转化原则。两个累积分布函数之间形成一对一的单调正相关映射。从而实现颜色亮度分布的重塑。对于彩色图像，RGB三个通道可以设置相同的直方图均衡CDF函数，也可以设置不同的CDF函数。
NCC（归一化互相关，Normalized Cross-Correlation）：这是模板匹配中的经典算法。它不仅去除了均值（加性，亮度偏移），还去除了方差（乘性，对比度拉伸），比余弦相似度更强大，是工业界解决"光照不均"问题的常用手段。

结构感知度量（模仿人眼视觉）

这类指标认为像素是有关联的，更看重纹理和结构。

SSIM（结构相似性指数）：它将相似度分解为亮度（L）、对比度（C）和结构（S）三个分量进行比对。虽然它也能处理一定的亮度变化，但它是非线性函数，如果亮度差异极大，SSIM依然会下降，本题语境下不如余弦相似度纯粹。

局部特征点匹配（应对旋转、裁剪、遮挡）

当图片发生了旋转、缩放或部分遮挡时，上面的全局指标全部失效。

SIFT / SURF / ORB：这些算法提取图像中的关键点（如角点、边缘），生成局部特征描述子，然后进行特征点配对。它们对亮度、旋转、尺度都具有极强的鲁棒性，常用于全景拼接、物体空间运动轨迹估计和3D重建（比如Structure From Motion）、图像匹配和检索等领域。

深度学习语义度量（应对"内容相同、表象迥异"）

这是目前最前沿的方法，适合判断两张图是否属于同一类物体或场景。

LPIPS（学习感知图像块相似度）：利用预训练的深度神经网络（如VGG）提取高层语义特征，在特征空间计算距离。它更关注"猫长什么样"而非"像素颜色"，对亮度、纹理变化的容忍度极高。
DreamSim / CLIP：这类多模态模型甚至能判断"一只狗在草地上的照片"和"一只狗在雪地里的简笔画"是相似的，达到了语义级别的理解。

第十九题

二分类问题（正类和负类）混淆矩阵相关衡量指标，正确答案ABC

一般情况下，召回率和TPR（真阳性率）是一个指标。所以B和C都正确。准确率把正负类样本同时纳入计算，正确答案约为0.94。

关于相关指标，主要有准确率（Accuracy）、精确率（Precision/P）、召回率（Recall/R）、真阳性率（TPR）、假阳性率（FPR）、特异性性比率（阴性检测率，TNR）、F1-Score或Dice系数（）、适用于多类别分类的宏平均召回率（Macro-Recall）和微平均召回率（Micro-Recall）等。

TPR（召回率） = （分母是所有真实正样本）
FPR（假阳性率） =（分母是所有真实负样本）
FPR=1−特异性比率（TNR）

宏平均召回率和微平均召回率都和各类别（本类别和非本类别，按照二分类处理）的TPR相关。微平均召回率的计算容易受到数据分布中大样本数量的类别的TPR的影响，而宏平均召回率在多个类别中算术平均，和类别信息丰富度无关。具体说明如下：
假设有 A、B、C 三类样本，模型预测结果如下（三分类混淆矩阵）：

真实 \ 预测	A类	B类	C类
A类 (100个)	90 (TP)	5	5 (FN=10)
B类 (10个)	0	1 (TP)	9 (FN=9)
C类 (20个)	0	0	20 (TP, FN=0)

首先，分别计算每个类别的 TPR（召回率）：

A类的 TPR = 90 / (90+10) = 0.90
B类的 TPR = 1 / (1+9) = 0.10
C类的 TPR = 20 / (20+0) = 1.00

Micro-Recall（微平均召回率）------ 看"总数"

它先把所有类别的 TP 加起来，所有类别的 FN 加起来，最后只算一次除法。
公式：

总 TP = 90 + 1 + 20 = 111
总真实样本 = 100 + 10 + 20 = 130
Micro-Recall = 111 / 130 ≈ 0.85

Macro-Recall（宏平均召回率）------ 看"平均"

它先把每个类别的 TPR 单独算出来，最后对所有类别的 TPR 取算术平均值。
公式：

Macro-Recall = (0.90 + 0.10 + 1.00) / 3 ≈ 0.67

代码题1 （中等）

用时23分钟，单考点：K-means聚类（自动驾驶场景），全部AC

python 复制代码

def code():
    import copy
    N, K = map(int, input().split())
    data = []
    for i in range(N):
        data.append(list(map(float, input().split())))

    initial_centers = list(range(K))
    centers = [data[ic][:] for ic in initial_centers]
    clusters = {i: [] for i in range(K)}
    for e in range(100):
        clusters = {i: [] for i in range(K)}
        last_centers = copy.deepcopy(centers)
        for n in range(N):
            dists = []
            min_id = 0
            for c in centers:
                dists.append(sum([(c[k] - data[n][k]) ** 2 for k in range(3)]) ** 0.5)
                if dists[-1] < dists[min_id]:
                    min_id = len(dists) - 1
            clusters[min_id].append(n)
        for k, v in clusters.items():
            if len(v) > 0:
                for t in range(3):
                    centers[k][t] = sum(data[ve][t] for ve in v) / len(v)
        flag = True
        for k in range(K):
            if max([abs(last_centers[k][t] - centers[k][t]) for t in range(3)]) > 1e-6:
                flag = False
                break
        if flag:
            break

    results = {}
    for k, v in clusters.items():
        for ve in v:
            results[ve] = k

    for n in range(N):
        print(results[n])

代码题2（困难）

用时43分钟，单考点：模拟，全部AC

python 复制代码

def code2():
    try:
        N, d, E, S = map(int, input().split())
    except:
        print(0)
    else:
        if min([N, d, E, S]) <= 0 or S > N:
            print(0)
        else:
            import math
            tokens = []
            Wg = []
            We = []
            for n in range(N):
                tokens.append(list(map(float, input().split())))
            for di in range(d):
                Wg.append(list(map(float, input().split())))
            for e in range(E):
                Wei = []
                for di in range(d):
                    Wei.append(list(map(float, input().split())))
                We.append(Wei)
            # token对专家注意力分配处理
            scores = []
            for t in tokens:
                att_score = []
                for e in range(E):
                    att_score.append(sum([t[di] * Wg[di][e] for di in range(d)]))
                att_score = [math.exp(ats) for ats in att_score]
                total = sum(att_score)
                att_score = [ats / total for ats in att_score]
                scores.append(att_score)
            # top-s选择
            scores2 = [[0 for i in range(N)] for j in range(E)]
            for i in range(N):
                for j in range(E):
                    scores2[j][i] = scores[i][j]
            expert_tops = []
            for e in range(E):
                # 确保序号小的排前面
                inds = list(range(N - 1, -1, -1))
                inds.sort(key=lambda x: scores2[e][x], reverse=True)
                tops = []
                for f in range(N):
                    if f in inds[:S]:
                        tops.append(1)
                    else:
                        tops.append(0)
                expert_tops.append(tops)
            # print(expert_tops)
            # MoE计算
            res = []
            for n in range(N):
                s = [0 for i in range(d)]
                for e in range(E):
                    for t in range(d):
                        s[t] += expert_tops[e][n] * scores[n][e] * sum(
                            [tokens[n][di] * We[e][di][t] for di in range(d)])
                res.append(s)

            # 输出处理
            res = [["{:.2f}".format(si) for si in s] for s in res]
            for s in res:
                print(" ".join(s))