(2025年)人工智能期末考试试题及答案

(2025年)人工智能期末考试试题及答案一、单项选择题（每题2分，共20分）1.以下关于监督学习与无监督学习的描述，错误的是（）A.监督学习需要标注数据，无监督学习不需要B.K-means属于无监督学习，支持向量机（SVM）属于监督学习C.监督学习的目标是学习输入到输出的映射，无监督学习的目标是发现数据内在结构D.提供对抗网络（GAN）同时涉及监督学习与无监督学习2.在训练深度神经网络时，若损失函数在迭代过程中突然变为NaN（非数字），最可能的原因是（）A.学习率过小导致梯度消失B.激活函数选择不当（如ReLU在负值区域导数为0）C.梯度爆炸导致参数更新过大D.批量归一化（BatchNorm）层未正确初始化3.关于Transformer模型中的多头注意力（Multi-HeadAttention），以下说法正确的是（）A.多头注意力通过多个独立的注意力头提取不同子空间的特征，最后拼接后线性变换B.多头注意力的每个头共享相同的查询（Query）、键（Key）、值（Value）矩阵C.多头注意力仅用于编码器（Encoder），解码器（Decoder）使用单向注意力D.多头注意力的计算复杂度与序列长度成线性关系4.以下哪种方法最适合解决卷积神经网络（CNN）中的过拟合问题？（）A.增加网络层数B.引入Dropout层C.增大学习率D.减少训练数据量5.在强化学习中，智能体（Agent）的目标是最大化（）A.即时奖励（ImmediateReward）B.折扣累积奖励（DiscountedCumulativeReward）C.状态价值函数（StateValueFunction）D.动作价值函数（ActionValueFunction）6.决策树中使用信息增益（InformationGain）作为分裂标准时，可能导致的问题是（）A.倾向于选择取值较多的特征B.对缺失值敏感C.无法处理连续型特征D.容易陷入局部最优7.提供对抗网络（GAN）中，提供器（Generator）和判别器（Discriminator）的训练目标分别是（）A.提供器最小化判别器的分类准确率，判别器最大化提供样本与真实样本的区分能力B.提供器最大化判别器的分类错误率，判别器最大化对真实样本的正确分类率C.提供器试图让判别器无法区分提供样本与真实样本，判别器试图正确区分两者D.提供器和判别器共同最小化交叉熵损失8.卷积神经网络中的池化层（PoolingLayer）主要作用是（）A.增加特征图的通道数B.减少空间维度（降维），同时保留主要特征C.引入非线性变换D.防止梯度消失9.贝叶斯网络（BayesianNetwork）是一种（）A.有向无环图（DAG），用于表示变量间的概率依赖关系B.无向图，用于表示变量间的统计相关性C.全连接神经网络，用于概率密度估计D.递归神经网络，用于时序数据建模10.在自然语言处理（NLP）中，词嵌入（WordEmbedding）的主要目的是（）A.将离散的词语转换为连续的向量表示，捕捉语义相关性B.增加文本的长度以适配模型输入C.去除文本中的停用词和噪声D.将句子分割为独立的词语单元二、填空题（每空2分，共10分）1.梯度下降算法的参数更新公式为：θ=θ-η·∇_θJ(θ)，其中η表示______。2.长短期记忆网络（LSTM）通过______、遗忘门（ForgetGate）和输出门（OutputGate）控制信息的传递。3.BERT（BidirectionalEncoderRepresentationsfromTransformers）的预训练任务包括______和下一句预测（NextSentencePrediction）。4.YOLO（YouOnlyLookOnce）目标检测模型的核心思想是将目标检测转化为______问题。5.强化学习中，折扣因子γ（Gamma）的取值范围是______，其作用是______。三、简答题（每题8分，共40分）1.对比随机梯度下降（SGD）、批量梯度下降（BatchGD）和小批量梯度下降（Mini-BatchGD）的优缺点。2.解释Transformer模型中“自注意力机制”（Self-Attention）的计算过程，并说明其相对于循环神经网络（RNN）的优势。3.简述如何通过交叉验证（CrossValidation）选择机器学习模型的超参数（如SVM的正则化参数C）。4.提供对抗网络（GAN）在训练过程中常出现“模式崩溃”（ModeCollapse）现象，试分析其原因及可能的解决方法。5.描述迁移学习（TransferLearning）的核心思想，并举例说明其在计算机视觉或自然语言处理中的应用场景。四、算法题（每题10分，共20分）1.推导线性回归模型的最小二乘法（LeastSquares）参数解。假设训练数据集为{(x₁,y₁),(x₂,y₂),…,(xₙ,yₙ)}，其中xᵢ∈ℝᵈ，yᵢ∈ℝ，模型假设为y=wᵀx+b，损失函数为均方误差（MSE）。要求写出推导过程，并说明解存在的条件。2.设计一个基于卷积神经网络（CNN）的图像分类模型结构（针对CIFAR-10数据集，输入为32×32×3的彩色图像，输出为10类标签）。要求：（1）列出各层的类型、参数（如卷积核大小、步长、填充）及作用；（2）说明选择激活函数和优化器的理由。五、综合应用题（20分）随着医疗AI的发展，设计一个基于深度学习的智能医疗诊断系统，用于辅助医生对肺部X光片进行肺炎检测。要求：（1）说明数据预处理的关键步骤（如数据清洗、增强）；（2）选择适合的模型架构（如CNN、Transformer或其变体），并解释原因；（3）列出主要的评估指标（如准确率、召回率、F1值），并说明选择依据；（4）讨论该系统在实际应用中需要考虑的伦理与法律问题（如数据隐私、模型可解释性）。答案及解析一、单项选择题1.D（GAN属于无监督学习的一种变体，不直接依赖标注数据）2.C（梯度爆炸会导致参数更新过大，引发数值溢出）3.A（多头注意力通过不同头提取多维度特征，最后拼接后线性变换）4.B（Dropout通过随机失活神经元减少过拟合）5.B（强化学习目标是最大化长期累积奖励）6.A（信息增益倾向于选择取值多的特征，如ID3算法的缺陷）7.C（提供器试图“欺骗”判别器，判别器试图区分真假样本）8.B（池化层通过降维减少计算量，保留空间不变性）9.A（贝叶斯网络是有向无环图，表示变量间的概率依赖）10.A（词嵌入将词语映射到低维连续空间，捕捉语义）二、填空题1.学习率（或步长）2.输入门（InputGate）3.掩码语言模型（MaskedLanguageModel，MLM）4.回归（或单次检测）5.[0,1]（或0≤γ≤1）；平衡即时奖励与未来奖励的权重三、简答题1.三者对比：-批量梯度下降（BatchGD）：使用全部训练数据计算梯度，更新稳定但计算成本高，收敛速度慢；-随机梯度下降（SGD）：使用单个样本计算梯度，更新速度快但波动大，可能陷入局部最优；-小批量梯度下降（Mini-BatchGD）：折中方案，使用部分样本（如32-256个）计算梯度，兼顾速度与稳定性，是实际中最常用的方法。2.自注意力计算过程：对输入序列中的每个元素，计算其与所有元素的注意力分数（通过Query与Key的点积），归一化后与Value加权求和得到输出。优势：（1）并行计算，解决RNN的长依赖问题；（2）直接捕捉序列中任意位置的依赖关系，不受序列长度限制；（3）计算复杂度与序列长度平方相关（优于RNN的线性复杂度，但通过多头注意力优化后效率更高）。3.步骤：（1）将数据集划分为k个互不重叠的子集（如k=5）；（2）对每个超参数候选值（如C=0.1,1,10），依次用k-1个子集训练模型，用剩余1个子集验证，记录验证性能；（3）取k次验证性能的平均值作为该超参数的评估指标；（4）选择平均性能最优的超参数作为最终选择。4.模式崩溃原因：提供器可能仅提供有限的样本类型，无法覆盖真实数据分布，通常由于判别器过强或提供器梯度消失。解决方法：（1）使用WassersteinGAN（WGAN）通过地球移动距离（EM距离）优化，稳定训练；（2）引入梯度惩罚（GradientPenalty）约束判别器；（3）设计更平衡的提供器与判别器架构（如使用更深的网络）；（4）采用条件GAN（CGAN）引入额外信息引导提供。5.核心思想：将从源任务（如大量标注的自然图像分类）学习到的知识迁移到目标任务（如少量标注的医学图像分类），解决目标任务数据不足的问题。应用场景：（1）计算机视觉中，用ImageNet预训练的ResNet迁移到医学影像分析（如皮肤癌检测）；（2）自然语言处理中，用BERT预训练模型迁移到特定领域的文本分类（如医疗对话意图识别）。四、算法题1.线性回归最小二乘法推导：模型假设：y=wᵀx+b，可将b合并到w中（增加x₀=1），则模型为y=wᵀX（X为增广特征向量）。均方误差损失函数：J(w)=(1/(2n))Σ(yᵢ-wᵀxᵢ)²（乘以1/2为求导方便）。对w求导并令梯度为0：∇_wJ(w)=(1/n)Σ(wᵀxᵢ-yᵢ)xᵢ=0→XᵀXw=Xᵀy（X为n×(d+1)的设计矩阵）。当XᵀX满秩（即列满秩）时，解为w=(XᵀX)⁻¹Xᵀy。若XᵀX不可逆（如特征冗余），可通过正则化（如岭回归）添加λI使矩阵可逆。2.CNN模型设计（CIFAR-10）：-输入层：32×32×3（彩色图像）；-卷积层1：3×3卷积核，64个滤波器，步长1，填充same，激活函数ReLU（引入非线性，避免梯度消失）；-最大池化层1：2×2池化核，步长2（降维至16×16×64）；-卷积层2：3×3卷积核，128个滤波器，步长1，填充same，ReLU激活；-最大池化层2：2×2池化核，步长2（降维至8×8×128）；-全连接层1：Flatten后接512个神经元，ReLU激活，Dropout=0.5（防止过拟合）；-输出层：10个神经元，Softmax激活（多分类）。优化器选择Adam（自适应学习率，收敛更快），损失函数为交叉熵（多分类任务）。五、综合应用题1.数据预处理：-清洗：去除模糊、标注错误的X光片，统一灰度范围（如0-255）；-增强：旋转（±15°）、翻转（水平/垂直）、缩放（0.8-1.2倍）、亮度调整（±20%），增加数据多样性；-标准化：对每个像素值减去均值、除以标准差，加速模型收敛。2.模型架构选择：采用改进的ResNet-50（残差网络），原因：（1）残差连接解决深层网络梯度消失问题，适合医学影像的复杂特征提取；（2）预训练于ImageNet的ResNet可迁移视觉特征，减少肺炎数据标注需求；（3）可通过微调（Fine-tuning）适配肺部X光片的特定特征（如纹理、病灶边界）。3.评估指标：-准确率（Accuracy）：总体分类正确比例，反映模型整体性能；-召回率（Recall）：真阳性率（TPR），关注肺炎病例的漏诊率（降低假阴性，避免延误治疗）；-F1值：精确率与召回率的调和平均，平衡两者以避免模型偏向某一类；-AUC-ROC：衡量模型在不同阈值下的分类能力，尤其适用于正负样本不平衡的医疗数据。4.