2025年大学人工智能（深度学习）期末试题

2025年大学人工智能（深度学习）期末试题

（考试时间：90分钟满分100分）班级______姓名______第I卷（选择题，共30分）答题要求：本卷共6题，每题5分。在每题给出的四个选项中，只有一项是符合题目要求的。1.以下哪种神经网络架构在图像识别任务中表现卓越？A.循环神经网络（RNN）B.卷积神经网络（CNN）C.递归神经网络（RecNN）D.深度信念网络（DBN）2.在深度学习中，用于优化神经网络参数的常用算法是？A.梯度下降法B.牛顿法C.拟牛顿法D.共轭梯度法3.下列关于激活函数的说法，错误的是？A.Sigmoid函数可将输出值映射到(0,1)区间B.ReLU函数在某些情况下能有效缓解梯度消失问题C.Tanh函数的输出值范围是(-1,1)D.激活函数必须是线性函数4.对于一个具有n个输入神经元和m个输出神经元的全连接层，其权重参数的数量是？A.n+mB.nmC.nm+nD.nm+m5.以下哪个数据集常用于图像分类任务的基准测试？A.MNISTB.CIFAR-10C.ImageNetD.IMDb6.在深度学习中，批量归一化（BatchNormalization）的主要作用是？A.加速模型收敛B.增加模型参数数量C.减少模型计算量D.提高模型的泛化能力第II卷（非选择题，共70分）（一）简答题（共20分）答题要求：本大题共2题，每题10分。请简要回答问题。1.简述卷积神经网络（CNN）中卷积层和池化层的作用。2.说明深度神经网络中梯度消失和梯度爆炸问题产生的原因及解决方法。（二）论述题（共15分）答题要求：请详细阐述你对深度学习中模型评估指标的理解，如准确率、召回率、F1值等，并说明它们在不同应用场景下的适用性。（三）算法设计题（共15分）答题要求：请设计一个简单的基于梯度下降的线性回归算法，用于预测房价。假设房价与房屋面积、房龄等因素有关。（四）材料分析题（共15分）材料：在一个图像分类任务中，使用了一个预训练的卷积神经网络模型。该模型在训练集上的准确率达到了90%，在验证集上的准确率为85%，在测试集上的准确率为80%。模型在某些类别上的分类效果较好，但在其他一些类别上存在较多误分类情况。问题1：分析该模型在测试集上准确率低于训练集和验证集的可能原因。问题2：针对模型在某些类别上误分类较多的情况，提出一些改进措施。（五）综合应用题（共15分）材料：某电商平台希望通过用户的历史购买记录、浏览行为等数据，预测用户未来可能购买的商品。问题1：请设计一个深度学习模型来解决这个问题，并简要说明模型的架构和工作原理。问题2：如何对模型进行评估和优化，以提高预测的准确性？答案：第I卷：1.B2.A3.D4.B5.C6.A、D第II卷：（一）1.卷积层通过卷积核在图像上滑动，提取图像的特征。池化层对卷积层输出的特征图进行下采样，减少数据维度，同时保留主要特征，防止过拟合，提高计算效率。2.梯度消失原因：深度神经网络中，误差反向传播时梯度不断连乘，若权重小于1，梯度会逐渐趋近于0。梯度爆炸原因：权重过大，梯度连乘后变得很大。解决方法：梯度裁剪、使用合适的激活函数如ReLU、BatchNormalization等。（二）准确率是分类正确的样本数占总样本数的比例，适用于各类分类场景评估整体分类效果。召回率是预测为正例中实际正例的比例，在关注正例识别时很重要。F1值是准确率和召回率的调和平均，综合考虑两者。在医疗诊断中，召回率更重要；在垃圾邮件过滤中，准确率较关键。（三）设房价为y，房屋面积为x1，房龄为x2，线性回归模型为y=w0+w1x1+w2x2。损失函数采用平方损失函数L=1/nΣ(yi-(w0+w1x1i+w2x2i))^2。通过梯度下降法不断更新w0、w1、w2，使损失函数最小。（四）1.可能原因：测试集与训练集、验证集分布不同；模型过拟合；数据预处理差异等。2.改进措施：增加数据增强；调整模型结构如增加层或神经元；采用正则化；重新划分训练集、验证集和测试集。（五）1.可采用多层感知机（MLP）或循环神经网络（RNN）。MLP通过全连接层对输入数据进行特征提取和分类。RNN适合处理序列数据，能捕捉用户行为的先后顺序。工作原理：将