quiz.json

{
  "questions": [
    {
      "stage": "pre",
      "question": "张量的“形状（shape）”描述的是什么？",
      "options": [
        "一个列出每个轴上大小的元组",
        "张量中元素的总数",
        "张量元素的数据类型",
        "张量的内存地址"
      ],
      "correct": 0,
      "explanation": "形状是一个列出每个轴上大小的元组。例如，形状为 (2, 3, 4) 的张量在轴 0 上有 2 个元素，轴 1 上有 3 个，轴 2 上有 4 个。"
    },
    {
      "stage": "pre",
      "question": "在 PyTorch 中，图像批次张量默认使用什么布局？",
      "options": [
        "NHWC（批次、高、宽、通道）",
        "NCHW（批次、通道、高、宽）",
        "CHWN（通道、高、宽、批次）",
        "WHCN（宽、高、通道、批次）"
      ],
      "correct": 1,
      "explanation": "PyTorch 默认采用 NCHW（通道优先）布局。TensorFlow 默认采用 NHWC（通道在后）布局。布局不匹配会导致静默错误或性能问题。"
    },
    {
      "stage": "post",
      "question": "对形状为 (8, 1, 6, 1) 和 (7, 1, 5) 的张量做广播时，结果形状是什么？",
      "options": [
        "(8, 7, 6, 1)",
        "(8, 1, 6, 5)",
        "(8, 7, 6, 5)",
        "广播失败——形状不兼容"
      ],
      "correct": 2,
      "explanation": "从右侧对齐形状：(8,1,6,1) 和 (1,7,1,5)。当维度相等或其中一个为 1 时即兼容。结果在每个轴上取最大值：(8, 7, 6, 5)。"
    },
    {
      "stage": "post",
      "question": "在 einsum 表达式 'bhtd,bhsd->bhts' 中，索引 'd' 会怎样？",
      "options": [
        "它作为新的轴保留在输出中",
        "它被求和（收缩），因为它出现在两个输入中但不在输出中",
        "它在两个张量之间被广播",
        "它在两个输入张量之间被转置"
      ],
      "correct": 1,
      "explanation": "在 einsum 中，任何出现在输入中但不在输出中的索引都会被求和。索引 'd' 同时出现在 'bhtd' 和 'bhsd' 中，但不在输出 'bhts' 中，因此它被收缩（相乘并求和）。"
    },
    {
      "stage": "post",
      "question": "在 PyTorch 中对转置后的张量调用 .view() 为什么会失败？",
      "options": [
        "转置后的张量数据类型不同",
        "转置后张量在内存中不连续，而 view 要求数据连续",
        "view 只对二维张量有效",
        "转置改变了元素的总数"
      ],
      "correct": 1,
      "explanation": "转置交换了步长（stride）而不移动数据，使张量变得不连续。.view() 操作要求内存布局连续。请使用 .reshape() 或先调用 .contiguous()。"
    }
  ]
}