1、判断算子更接近访存受限（Memory-Bound）还是计算受限（Compute-Bound）时，下列说法正确的是： {{ select(1) }}

• 把 GPU 峰值算力（TFLOPS）再往上堆，对 memory-bound 算子提速最有效
• memory-bound 算子卡在 HBM 带宽上，再增加计算量通常也换不来明显加速
• 深度学习里常见算子一律是 compute-bound 的
• 大 batch 的矩阵乘法通常是典型的 memory-bound 操作

2、用 Word Embedding（词嵌入）把词映射为低维稠密向量时，相对 one-hot 编码，Embedding 的主要好处是？ {{ select(2) }}

• 向量维度更高，因而能覆盖更大词表
• 语义相近的词，其向量往往也更接近
• 不必训练参数，查表即可得到向量
• 前向计算更快，无需矩阵乘法

3、关于逻辑回归如何估计参数，下列说法正确的是： {{ select(3) }}

• 损失函数存在多个局部极小值
• 参数由最大似然估计（MLE）确定，这与最小化交叉熵损失等价
• 只能用随机梯度下降（SGD）求解
• 存在解析解，对设计矩阵求逆即可得到最优权重

4、岭回归（Ridge Regression）中 L2 正则化系数 $\alpha$ 从 0 逐步加大时，会出现什么？ {{ select(4) }}

• 模型会越来越复杂
• 训练集误差会先下降再上升
• 模型逐步偏向欠拟合
• 权重系数会逐渐变大

5、全局特征重要性（global feature importance）指的是？ {{ select(5) }}

• 特征与标签皮尔逊相关系数的绝对值
• 在全体样本上，各特征对模型输出的平均影响
• 单条样本中各特征对该次预测的贡献
• 训练集上回归系数是否通过显著性检验