2025年大学计算机技术(人工智能基础)试题及答案

2025年大学计算机技术(人工智能基础)试题及答案一、单项选择题（每题2分，共20分）1.在深度学习中，若将ReLU激活函数全部替换为Sigmoid，下列最可能发生的训练现象是A.梯度消失加剧，深层网络几乎无法更新B.训练速度显著加快，因Sigmoid导数恒大于0.1C.损失曲面变得更为平滑，易跳出局部极小D.权重初始化方差可缩小10倍而保持相同收敛速度答案：A解析：Sigmoid在饱和区导数趋近0，反向传播时梯度呈指数级衰减，深层网络底层几乎得不到有效梯度；ReLU在正半轴导数恒为1，可缓解该问题。2.在Transformer的自注意力机制中，若将缩放因子√d_k去除，且d_k=64，当点积结果绝对值普遍大于30时，Softmax输出最接近A.均匀分布B.极端onehot分布C.高斯分布D.双峰分布答案：B解析：点积值过大会使Softmax指数饱和，最大分量趋近1，其余趋近0，形成极端onehot。3.联邦学习场景下，客户端上传本地模型梯度而非参数，主要目的是A.降低服务器显存占用B.避免不同客户端参数空间不一致C.减少通信量并提升隐私安全D.使服务器可直接计算全局损失答案：C解析：梯度通常稀疏且可量化压缩，通信开销小；同时不暴露原始数据与参数绝对值，隐私性更好。4.在AlphaGoZero的自我对弈中，若将MCTS模拟次数从1600降至100，且神经网络评估不变，最可能出现的棋力变化是A.棋力线性下降约3/4B.棋力轻微下降，但残局胜率显著降低C.棋力几乎不变，因网络已足够强D.棋力反而提升，因探索噪声减少答案：B解析：模拟次数减少主要削弱搜索深度与广度，中盘复杂局面易出错；残局因分支少，搜索不足导致胜率估算误差放大。5.若将BatchNorm层从ResNet50中全部移除，并用GroupNorm（32组）替代，在ImageNet训练相同epoch后，Top1准确率最可能A.提升1.5%B.下降0.3%以内C.下降超过2%D.无法收敛答案：B解析：GroupNorm在小batch下稳定，但ImageNet大batch训练时BatchNorm的均值方差估计更准，替换后轻微下降。6.在DQN中，若经验回放池大小从1M降至10K，且batchsize保持32，训练10M帧后，平均Q值估计最可能A.高估且方差增大B.低估且方差减小C.无偏但方差增大D.无偏且方差减小答案：A解析：池变小导致样本重复率高，相关性强，网络过拟合近期策略，出现系统性高估。7.使用BERTbase进行中文命名实体识别时，若将WordPiece最大词长限制从200降至50，且句子长度>50，则F1值最可能A.下降0.5%以内B.下降1%~2%C.下降超过3%D.几乎不变答案：B解析：截断导致尾部上下文丢失，实体边界判断受影响；中文实体常位于句尾，下降明显。8.在卷积神经网络中，若将3×3卷积全部替换为5×5深度可分离卷积，参数量的变化倍率约为A.0.4B.0.6C.1.0D.1.5答案：A解析：5×5深度卷积参数为5×5=25，点后1×1卷积参数不变；原3×3普通卷积参数9×C_in×C_out。整体参数量约减少至0.4倍。9.在生成对抗网络中，若判别器损失快速收敛至0，生成器损失震荡上升，表明A.生成器梯度消失，模式崩溃B.判别器过拟合，生成器无法获得有效梯度C.生成器过强，需减小学习率D.判别器容量不足，需加深网络答案：B解析：判别器完美区分真假，输出饱和，导数趋零，生成器梯度信号消失。10.在AutoML的神经网络架构搜索中，采用DARTS连续松弛后，若架构权重α与网络权重w联合优化，最可能出现的次生问题是A.梯度爆炸导致α迅速onehotB.w与α优化速度不匹配，出现“过拟合”架构C.搜索时间线性增加10倍D.显存占用下降50%答案：B解析：w收敛快于α，训练损失下降但验证损失上升，搜索到的架构在验证集表现差。二、多项选择题（每题3分，共15分）11.下列方法可直接缓解图神经网络中“过度平滑”问题的有A.残差连接B.注意力加权邻居C.增加网络深度至100层D.随机dropedgeE.每层使用不同可学习权重答案：A、B、D解析：残差与注意力保留局部信息；DropEdge随机去边降低平滑；单纯加深或共享权重反而加剧平滑。12.关于对比学习SimCLR，以下说法正确的有A.数据增强组合越强，线性评估准确率一定越高B.投影头去掉后，线性评估准确率下降C.温度系数τ越小，同类样本相似度梯度越大D.batchsize增大可缓解假阴性E.负样本对来自同一图像的不同增强答案：B、C、D解析：A过强增强可能破坏语义；E负样本来自不同图像；τ减小放大梯度；大batch提供更多负样本。13.在强化学习PPO算法中，下列操作可提升样本效率的有A.使用GAE(λ)估计优势函数B.将clip范围从0.2提至0.5C.采用价值函数裁剪D.增加并行环境数E.使用熵正则化答案：A、C、D、E解析：clip范围扩大反而降低稳定性；其余均有效。14.关于VisionTransformer，下列结论在实验中被验证的有A.去掉位置编码后，分类准确率下降超过5%B.使用16×16patch优于32×32patchC.在ImageNet预训练后，冻结patchembedding仅微调MLPhead，Top1可提升1%D.深层attentionmap出现局部化现象E.增加head数量可降低训练时间答案：A、B、D解析：C冻结后反而下降；E增加head增加计算；小patch提供更多token，性能更好；深层关注局部边缘。15.下列技术可用于防御对抗样本攻击的有A.输入随机化B.对抗训练C.梯度掩蔽D.像素值截断E.模型集成答案：A、B、E解析：C梯度掩蔽可欺骗评估但非真正防御；D截断对范数攻击无效。三、填空题（每空2分，共20分）16.在LSTM中，遗忘门向量f_t计算公式为f_t=σ(W_f·[h_(t1),x_t]+b_f)，其中σ表示________函数，输出值域为________。答案：sigmoid，(0,1)17.若卷积输入尺寸为112×112，核大小5×5，stride2，padding2，则输出特征图尺寸为________。答案：56×5618.在BERT预训练中，MaskedLM的掩码比例设为________%，NextSentencePrediction的正例比例约为________%。答案：15，5019.若某深度网络使用He初始化，卷积层输出通道数为128，核大小3×3，则该层权重初始方差为________。答案：2/(3×3×128)=2/1152≈0.00173620.在DQN中，目标网络参数每C步硬更新一次，若C=1000，学习率为0.00025，则目标网络相当于做了________次指数移动平均，衰减系数约为________。答案：1000，0.99921.若GraphSAGE采用均值聚合，邻居特征为{[1,2],[3,4],[5,6]}，则聚合结果为________。答案：[3,4]22.在StyleGAN2中，映射网络将latentz∈R^512映射到中间latentw∈R^512，其深度为________层，每层使用________激活。答案：8，EqualizedLR+LeakyReLU23.若FocalLoss中γ=2，某样本预测概率为0.1，则其交叉熵损失权重被缩放为________倍。答案：(10.1)^2=0.8124.在知识蒸馏中，温度T=4时，softmax输出q_i=exp(z_i/T)/∑_jexp(z_j/T)，当T→∞，分布趋近于________分布。答案：均匀25.若使用混合精度训练，lossscaling因子为128，在反向传播中发现梯度溢出，则下一次迭代应将该因子调整为________。答案：64四、简答题（每题8分，共24分）26.描述Transformer中“缩放点积注意力”与“加性注意力”在计算复杂度与显存占用上的差异，并说明为何Transformer选择前者。答案：缩放点积注意力计算复杂度O(n²d)，显存O(n²)，加性注意力需额外可学习参数W_a，计算复杂度O(n²d+n²d_a)，显存亦更高。点积注意力无额外参数，且矩阵乘法高度优化，GPU并行效率远高于加性注意力中的前馈网络，故选择前者。27.解释为什么“权重衰减”在Adam优化器中常被实现为L2正则，而非直接对参数做θ=θλθ。答案：Adam引入一阶二阶动量，直接θ=θλθ会改变动量历史，使等效衰减系数随时间变化；将L2正则加入损失，则梯度含λθ项，Adam对其自适应缩放，保持与SGD+momentum相似的隐式调度，实验更稳定。28.对比“模型剪枝”与“知识蒸馏”在压缩流程、性能损失与部署友好度三方面的差异。答案：剪枝通过移除冗余权重或通道，需再训练恢复精度，压缩比高，性能损失可<1%，但需稀疏库支持；蒸馏训练小模型模仿大模型，无需特殊硬件，部署友好，但压缩比受限于小模型容量，性能损失通常1%~3%。五、综合设计题（21分）29.某城市需在边缘摄像头部署实时行人重识别（ReID）系统，要求单摄像头端延迟<30ms，带宽<100kbps，服务器端可复用多摄像头特征进行检索。设计一套端云协同方案，包含：(1)端侧模型架构与量化策略；(2)特征压缩与传输协议；(3)云侧检索引擎与更新机制；(4)隐私合规措施。答案：(1)端侧采用OSNetAIN，宽度乘子0.5，输入256×128，输出128维float16特征；使用QAT整数量化至INT8，激活用KL散度校准，权重用MSE校准，延迟降至22ms。(2)特征采用PQ编码，128维分8子空间，每子空间256码字，压缩后16字节；再用LZ4二次压缩，平均14字节；协议基于MQTToverTLS1.3，每包含camera_id、timestamp、feature、hash，带宽约70