人工智能考试模拟题与参考答案

人工智能考试模拟题与参考答案一、单项选择题（每题2分，共30分。每题只有一个正确答案，请将正确选项填入括号内）1.在深度学习中，若某卷积层输入特征图尺寸为32×32×64，采用128个3×3卷积核，步长为1，填充为1，则输出特征图的尺寸为（）A.30×30×128  B.32×32×128  C.34×34×128  D.64×64×128【答案】B2.下列关于Transformer位置编码的说法，正确的是（）A.位置编码通过可学习参数直接替换词嵌入B.正弦位置编码的波长与维度索引无关C.相对位置编码在计算注意力时引入可学习的偏差项D.绝对位置编码无法外推到比训练序列更长的文本【答案】D3.在强化学习中，若采用εgreedy策略且ε=0.1，则智能体在第100步选择非最优动作的概率为（）A.0.01  B.0.1  C.0.9  D.0.5【答案】B4.给定一个二分类任务，训练集正负样本比例1:99，若模型将所有样本预测为负类，则F1值为（）A.0  B.0.5  C.0.99  D.1【答案】A5.在生成对抗网络中，若判别器损失突然降至接近0，而生成器损失不断上升，最可能的原因是（）A.生成器学习率过高  B.判别器过拟合  C.梯度惩罚系数过大  D.批归一化参数冻结【答案】B6.下列关于LSTM中门控机制的描述，错误的是（）A.输入门控制当前输入对细胞状态的影响B.遗忘门直接清零上一时刻细胞状态C.输出门决定隐藏状态的输出比例D.门控信号通过sigmoid激活压缩到0~1区间【答案】B7.在联邦学习场景下，客户端本地训练5轮后上传梯度，服务器采用FedAvg聚合，若某客户端数据量占总量1/10，则其权重为（）A.1/10  B.1/5  C.1/2  D.1【答案】A8.使用Adam优化器时，若梯度恒为0，则下列说法正确的是（）A.一阶动量恒为0，二阶动量恒为0B.一阶动量指数衰减，二阶动量指数增长C.学习率自动增大到无穷D.参数更新量保持上一步非零值【答案】A9.在目标检测模型YOLOv5中，若输入图像640×640，下采样倍数为32，则最深层特征图尺寸为（）A.20×20  B.40×40  C.80×80  D.160×160【答案】A10.下列关于自监督学习对比损失InfoNCE的描述，正确的是（）A.温度系数τ越大，对困难负样本的惩罚越强B.损失函数中分母包含正样本对点积C.当批次大小为1时损失仍可计算D.最优表示空间中正负样本余弦相似度相等【答案】B11.在图神经网络中，GCN层对邻接矩阵做归一化时采用的对称归一化形式为（）A.D⁻¹A  B.AD⁻¹  C.D^(1/2)AD^(1/2)  D.I+A【答案】C12.若某模型在ImageNet上Top1准确率为85%，采用CutMix数据增强后提升至86.2%，则该提升主要得益于（）A.增加样本数量  B.缓解标签平滑  C.提升局部感受野多样性  D.降低批归一化噪声【答案】C13.在模型压缩技术中，下列方法属于“训练后量化”的是（）A.QAT  B.LSQ  C.PTQ  D.Dorefa【答案】C14.若某Transformer模型隐藏维度为1024，注意力头数为16，则每个头的维度为（）A.64  B.128  C.256  D.512【答案】A15.在LSH近似注意力中，桶划分的主要目的是（）A.减少参数量  B.降低计算复杂度至O(LlogL)  C.增加非线性  D.提升多头多样性【答案】B二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）16.下列关于深度可分离卷积的描述，正确的有（）A.先逐通道卷积再逐点卷积B.参数量比标准卷积减少约1/C_outC.计算量减少但精度通常下降D.MobileNetV3采用该结构【答案】ACD17.在强化学习策略梯度方法中，下列技巧能够降低方差的有（）A.基线减法  B.优势标准化  C.重要性采样  D.熵正则化【答案】ABD18.下列关于BERT预训练任务MLM的说法，正确的有（）A.每次掩码15%的词元B.被掩码词元80%用[MASK]替换C.被掩码词元10%用随机词替换D.被掩码词元10%保持不变【答案】ABCD19.在模型蒸馏中，下列属于“中间层特征蒸馏”的有（）A.FitNets  B.AttentionTransfer  C.RKD  D.FSP【答案】ABD20.下列关于DiffusionModel前向过程的说法，正确的有（）A.采用马尔可夫链逐步加噪B.噪声调度可学习C.最终分布近似标准高斯D.前向过程需神经网络参与【答案】ABC三、填空题（每空2分，共20分）21.若某卷积层权重张量形状为[64,3,7,7]，则其参数量为______，若采用组卷积且groups=32，则参数量变为______。【答案】9216；28822.在PyTorch中，若需对模型参数执行梯度裁剪，可调用函数______，其参数norm_type=2表示______范数。【答案】torch.nn.utils.clip_grad_norm_；L223.若某Transformer模型最大序列长度4096，采用float16精度，则存储一份selfattention注意力矩阵所需显存约______MB。【答案】12824.在联邦学习安全聚合协议SecAgg中，客户端上传的参数需加上______掩码，服务器在______阶段去除掩码。【答案】随机；聚合25.若某模型采用混合精度训练，损失缩放因子为1024，当检测到梯度溢出时，应将该因子______。【答案】减半26.在图像分割任务中，Dice系数公式为______，当预测与真值完全重叠时其值为______。【答案】2|X∩Y|/(|X|+|Y|)；127.若某GPU的TensorCore支持TF32计算，其累加器精度为______位，乘法精度为______位。【答案】32；1928.在强化学习PPO算法中，剪切参数ε通常取值为______，其作用是限制______比值范围。【答案】0.2；重要性采样29.在知识图谱嵌入模型RotatE中，关系被建模为______空间中的______变换。【答案】复数；旋转30.若某模型采用StochasticDepth正则化，对于ResBlock设置生存概率p_L=0.5，则训练时期望有效深度为原始深度的______倍。【答案】0.5四、判断题（每题1分，共10分。正确打“√”，错误打“×”）31.使用ReLU激活的神经网络，其损失曲面必然非凸。  （）【答案】√32.BatchNorm在训练与推理阶段使用相同的均值与方差。  （）【答案】×33.在图注意力网络GAT中，同一层的多头注意力可以并行计算。  （）【答案】√34.模型参数量越大，其VapnikChervonenkis维必然越高。  （）【答案】√35.采用混合精度训练时，PyTorch自动为所有算子启用TensorCore。  （）【答案】×36.在自监督学习SimCLR中，温度系数τ越小，对比损失对负样本的区分度越弱。  （）【答案】×37.联邦学习中的“梯度泄露”攻击可通过差分隐私噪声防御。  （）【答案】√38.使用EarlyStopping时，验证损失连续上升3次即停止训练，等价于正则化手段。  （）【答案】√39.在目标检测中，mAP@0.5指标越高，模型在更严格IoU阈值下表现一定更好。  （）【答案】×40.DiffusionModel的反向去噪过程可以视为逐步求解随机微分方程。  （）【答案】√五、简答题（每题8分，共24分）41.描述Transformer中缩放点积注意力的数学形式，并解释缩放因子√d_k的作用。【答案】缩放点积注意力公式为Attention(Q,K,V)=softmax(QK^T/√d_k)V其中Q∈R^(L×d_k)，K,V∈R^(L×d_v)。缩放因子√d_k用于抵消维度增大时点积方差增大的问题，避免softmax进入饱和区，使梯度稳定。当d_k较大时，点积绝对值变大，softmax输出接近onehot，梯度趋近0，缩放后可保持分布方差为1，确保训练稳定性。42.对比知识蒸馏与模型剪枝在“保持精度”与“推理加速”两方面的差异，并给出典型实验数据。【答案】知识蒸馏通过教师模型软标签迁移，把大模型知识压缩到小模型，保持精度能力较强，ImageNet上ResNet50→MobileNetV3可保持1%内下降，加速比3×。剪枝直接去除冗余参数，非结构化剪枝90%参数可带来2×加速，但需硬件支持稀疏计算；结构化剪枝50%通道可获1.5×加速且精度下降2%内。蒸馏侧重精度保持，剪枝侧重硬件友好加速，二者可叠加使用，如先剪枝再蒸馏，MobileNetV3剪枝30%后再蒸馏，ImageNet精度提升0.8%，加速1.8×。43.解释联邦学习中的“非独立同分布”（NonIID）挑战，并给出两种量化指标及一种缓解算法。【答案】NonIID指客户端数据分布P(x,y)互不相同，导致全局模型偏向数据量大的客户端分布。量化指标：①地球mover距离EMD=∑|P_k(y)−P_global(y)|，衡量标签分布偏移；②权重散度WD=∑‖∇F_k(θ)−∇F(θ)‖，衡量梯度方向差异。缓解算法：FedProx，在本地目标增加近端项μ/2·‖θ−θ^t‖²，限制本地更新偏离全局模型，实验显示μ=0.01时，NonIIDCIFAR10准确率提升11.2%，通信轮数减少40%。六、计算与推导题（共31分）44.（10分）给定一个两层MLP，隐藏层128单元，输入维度784，输出维度10，采用ReLU激活与交叉熵损失。若批大小为256，请计算：(1)一次前向传播的浮点运算量（FLOPs）；(2)若使用Adam优化器，额外存储一阶、二阶动量，求参数内存占用（float32）。【答案】(1)第一层：权重矩阵乘256×784×128=25.69M，加偏置256×128=0.03M，ReLU比较256×128=0.03M，计25.75MFLOPs；第二层：256×128×10=0.33M，加偏置0.003M，计0.33M；总计26.08MFLOPs。(2)参数量：W1=784×128=100352，b1=128，W2=128×10=1280，b2=10，共101770个参数。Adam存储两倍参数，101770×2×4B=814160B≈0.78MB。45.（10分）考虑一个二维卷积，输入特征图5×5，单通道，零填充1，卷积核3×3，步长2，求输出特征图尺寸，并给出输出中心点对应输入区域的索引坐标（左上角为(0,0)）。【答案】输出尺寸：⌊(5+2×1−3)/2⌋+1=3，即3×3。中心点输出坐标(1,1)对应输入中心区域，左上角索引(1,1)，右下角索引(3,3)，即输入子矩阵[1:4,1:4]。46.（11分）在强化学习MDP中，状态空间S={s₁,s₂}，动作空间A={a₁,a₂}，折扣因子γ=0.9，转移与奖励如下：s₁,a₁→s₂,r=+1；s₁,a₂→s₁,r=0；s₂,a₁→s₁,r=−1；s₂,a₂→s₂,r=+2。求：(1)写出Bellma