2025年人工智能基础知识考试题及答案

2025年人工智能基础知识考试题及答案一、单项选择题（每题2分，共20分）1.在深度学习中，下列哪一项技术最常用于缓解过拟合？A.增加网络深度B.使用ReLU激活函数C.DropoutD.提高学习率答案：C解析：Dropout通过随机“关闭”部分神经元，迫使网络学习更鲁棒的特征，从而有效降低过拟合风险。其余选项要么可能加剧过拟合（A、D），要么与过拟合无直接关联（B）。2.若某卷积神经网络第一层输出特征图尺寸为112×112，卷积核大小为5×5，步长为2，填充为1，则输入图像尺寸为：A.224×224B.227×227C.230×230D.231×231答案：B解析：根据卷积输出尺寸公式O=(I−K+2P)/S+1，代入O=112，K=5，S=2，P=1，解得I=227。3.在Transformer架构中，ScaledDotProductAttention的缩放因子为：A.d_kB.√d_kC.1/d_kD.1/√d_k答案：B解析：为防止点积结果过大导致梯度消失，Transformer将点积除以√d_k，保持梯度稳定。4.下列哪一项不是强化学习中的“探索利用”策略？A.εgreedyB.UCBC.SoftmaxD.Adam答案：D解析：Adam是优化器，用于梯度下降，与探索利用无关；其余三项均为经典策略。5.在联邦学习场景下，客户端上传的通常是：A.原始训练数据B.模型参数梯度C.测试集标签D.损失函数图像答案：B解析：联邦学习强调“数据不出本地”，仅上传梯度或参数更新，保护隐私。6.若某GAN训练出现“模式崩塌”（ModeCollapse），下列哪种方法最直接缓解？A.增加批大小B.使用Wasserstein损失C.降低生成器学习率D.增加判别器层数答案：B解析：Wasserstein损失通过衡量生成分布与真实分布的距离，提供更平滑的梯度，有效缓解模式崩塌。7.在知识蒸馏中，教师模型与学生模型输出差异常用下列哪种损失？A.CrossEntropyB.MSEC.KL散度D.HingeLoss答案：C解析：KL散度可衡量概率分布差异，蒸馏时让学生拟合教师输出的软标签，常用KL散度。8.下列哪项技术最适合解决“梯度消失”问题？A.Sigmoid激活B.批归一化C.L2正则化D.早停答案：B解析：批归一化通过标准化中间层输入，缓解梯度消失与爆炸，Sigmoid反而易加剧消失。9.在自动驾驶感知系统中，激光雷达点云通常先转换为：A.灰度图B.体素网格C.光流图D.语义分割掩码答案：B解析：体素网格将不规则点云规则化，便于3D卷积网络处理，是主流预处理手段。10.若某模型在ImageNet上Top1准确率为81.2%，则其错误率为：A.18.8%B.19.2%C.81.2%D.1−81.2%答案：A解析：Top1错误率=100%−准确率=18.8%，无需复杂计算。二、多项选择题（每题3分，共15分）11.下列哪些操作可有效提升小样本学习性能？A.数据增强B.元学习C.迁移学习D.增加全连接层参数答案：A、B、C解析：数据增强扩充样本；元学习学会“如何学习”；迁移学习借用源域知识；盲目增加参数量易导致过拟合。12.关于BERT的预训练任务，下列说法正确的是：A.使用MaskedLanguageModelB.使用NextSentencePredictionC.使用CausalLanguageModelD.使用SentenceOrderPrediction答案：A、B解析：BERT采用MLM与NSP；CausalLM为GPT系列；SOP为ALBERT改进任务。13.在目标检测中，YOLOv5相对于YOLOv3的主要改进包括：A.引入Focus切片结构B.使用SPPF模块C.采用AnchorFreeD.增加自适应锚框计算答案：A、B、D解析：YOLOv5仍基于锚框，非AnchorFree；Focus与SPPF为创新；自适应锚框提升鲁棒性。14.下列属于图神经网络（GNN）中“过度平滑”现象的解决策略：A.残差连接B.跳跃知识网络C.增加层数D.使用GAT替代GCN答案：A、B、D解析：残差与JK网络缓解信息稀释；盲目加深加剧平滑；GAT通过注意力权重减缓平滑。15.在模型压缩领域，下列哪些方法属于“量化”范畴？A.INT8推理B.权值剪枝C.知识蒸馏D.动态量化答案：A、D解析：INT8与动态量化直接降低数值精度；剪枝去冗余权重；蒸馏转移知识，非量化。三、填空题（每空2分，共20分）16.在ResNet中，恒等映射分支通过__________相加实现梯度捷径，其数学表达式为H(x)=__________。答案：逐元素；F(x)+x解析：恒等映射将输入x与残差F(x)相加，形成残差块，缓解梯度消失。17.若某LSTM单元遗忘门输出为0，则上一时刻细胞状态Ct−1将被__________；若输出门为1，则当前隐藏状态ht等于__________。答案：完全丢弃；tanh(Ct)解析：遗忘门0→乘法清零；输出门1→完全暴露当前细胞状态。18.在VisionTransformer中，图像被划分为固定大小的__________，每个通过线性投影得到__________维向量。答案：图像块（patches）；d_model解析：ViT将224×224图切分14×14=196个16×16patches，再投影至d_model维。19.联邦平均算法FedAvg中，服务器对客户端上传参数进行__________加权平均，权重通常取__________。答案：本地数据量；本地样本数/总样本数解析：保证全局梯度无偏，数据量越大权重越高。20.在AlphaGoZero中，蒙特卡洛树搜索的PUCT公式为：U(s,a)=__________，其中cpuct为__________。答案：cpuct·P(s,a)·√ΣN(s,b)/(1+N(s,a))；超参数解析：PUCT平衡探索与利用，P为策略网络先验概率，N为访问次数。四、判断题（每题1分，共10分）21.使用ReLU激活的神经网络一定不会出现梯度消失。答案：错解析：ReLU在负半轴梯度为0，深层网络仍可能出现“神经元死亡”导致的梯度消失。22.BatchNorm在测试阶段使用滑动平均的均值与方差。答案：对解析：训练时统计并更新滑动平均，测试时固定，不再计算批统计量。23.GPT3的参数量首次突破十万亿级别。答案：错解析：GPT3约1750亿参数，十万亿为夸张说法。24.在联邦学习中，SecureAggregation可防止服务器看到单个客户端梯度。答案：对解析：通过同态加密或秘密共享，服务器仅得聚合结果，无法窥视个体。25.图卷积网络中，邻接矩阵自环（selfloop）加入可缓解节点特征过度平滑。答案：对解析：自环保留部分自身信息，减缓特征趋同。26.使用混合精度训练时，FP16梯度下溢问题可通过LossScaling解决。答案：对解析：放大损失值使梯度进入FP16有效区间，再缩放权重更新。27.在目标检测中，mAP@0.5与mAP@0.5:0.95的数值通常前者更高。答案：对解析：IoU阈值越高，匹配越严格，mAP下降。28.Transformer的位置编码采用可学习向量时，序列长度可无限扩展。答案：错解析：可学习位置编码需固定最大长度，超出需外推或插值，并非无限。29.对比学习中的InfoNCE损失可看作多分类交叉熵的特例。答案：对解析：InfoNCE将正样本视为正确类，负样本为错误类，形式等价。30.在AutoML中，神经架构搜索（NAS）只适用于图像任务。答案：错解析：NAS已扩展至NLP、语音、图结构等多模态任务。五、简答题（每题8分，共24分）31.描述MaskedAutoencoder（MAE）在视觉自监督中的训练流程，并说明其为何能大幅降低预训练计算量。答案：流程：1.随机遮挡图像75%patches，仅保留可见子集；2.编码器仅对可见patches进行表征提取，获得latenttokens；3.将遮挡位置插入可学习的masktokens，与latent一起送入轻量解码器；4.解码器重建完整图像像素；5.损失仅计算遮挡区域的MSE。计算量降低原因：编码器处理patch数减少3/4，且解码器极小，整体FLOPs下降约3×，同时高掩码比迫使模型学习高级语义而非局部纹理，提升表征质量。32.解释“梯度累积”机制如何在显存受限情况下实现大batch训练，并给出伪代码。答案：机制：将大批次拆分为若干小步，每步计算梯度不清零，而是累加，达到目标步数后统一更新权重，等价于大批次梯度。伪代码：```model.zero_grad()fori,(x,y)inenumerate(loader):loss=model(x,y)/accumulation_stepsloss.backward()if(i+1)%accumulation_steps==0:optimizer.step()model.zero_grad()```显存占用仅与小批次成正比，却获得大批次稳定性。33.对比“模型并行”与“数据并行”在千亿参数语言模型训练中的差异，并指出各自瓶颈。答案：数据并行：每张卡存储完整模型，分发不同数据子集，梯度聚合；瓶颈为单卡显存无法容纳模型，且梯度同步通信随卡数线性增加。模型并行：将模型按层或按维度拆分至多卡，每卡仅存储部分参数；瓶颈为前向反向需频繁跨卡通信，设备利用率受限于计算通信比，且实现复杂。实际中采用混合并行：数据并行+层内模型并行（MegatronLM），兼顾显存与通信效率。六、计算与推导题（共31分）34.（10分）给定一个两层全连接网络：输入x∈ℝᵈ，隐藏h=ReLU(W₁x+b₁)，输出y=W₂h+b₂。设损失L=½‖y−t‖²，求∂L/∂W₁的表达式，并指出当x=0时梯度为何消失或爆炸。答案：链式法则：∂L/∂W₁=(∂L/∂h)(∂h/∂z₁)(∂z₁/∂W₁)，其中z₁=W₁x+b₁。∂L/∂h=(y−t)ᵀW₂∂h/∂z₁=diag(𝟙[z₁>0])∂z₁/∂W₁=xᵀ故∂L/∂W₁=[(y−t)ᵀW₂⊙𝟙[z₁>0]]ᵀxᵀ当x=0时，∂z₁/∂W₁=0，导致∂L/∂W₁=0，梯度消失，参数无法更新。35.（10分）在Transformer自注意力中，设Q,K,V∈ℝⁿ×d，计算Attention(Q,K,V)=softmax(QKᵀ/√d)V。证明：当d→∞且Q,K元素为i.i.d.𝒩(0,1)时，QKᵀ的每个元素方差为d，需除以√d使softmax输入方差为1，避免梯度饱和。证明：令S=QKᵀ，则Sᵢⱼ=∑ₖQᵢₖKⱼₖ。E[Sᵢⱼ]=0，Var(Sᵢⱼ)=∑ₖVar(QᵢₖKⱼₖ)=d·(E[Q²]E[K²]−(E[QK])²)=d·(1·1−0)=d。故Sᵢⱼ∼𝒩(0,d)，除以√d后方差为1，softmax输入处于梯度敏感区间。36.（11分）给定一个二元分类数据集，正负样本比为1:99。若模型将全部分类为负，求初始精确率、召回率、F1，并推导使用加权交叉熵损失时正类权重应为多少，才能使梯度对正负样本贡献相等。答案：精确率=TP/(TP+FP)=0/(0+0)未定义，按0计；召回率=TP/(TP+FN)=0/1=0；F1=0。设正类权重为w，负类1。梯度贡献正比于w·1%与1·99%。令w·0.01=0.99，得w=99。故正类权重取99，正负梯度平衡。七、综合设计题（20分）37.某城市需在边缘摄像头部署实时行人检测，要求单路1080p@30fps，功耗≤5W，存储≤256MB。现有YOLOv5s模型（14MB，mAP@0.5=0.72，推理30ms）无法满足功耗与精度双重要求。请设计一套完整优化方案，含模型、数据、系统三层面，并给出评估指标与实验步骤。答案：模型层：1.采用NanoDetPlus架构，深度可分离卷积+Ghost模块，参数量降至1.2MB；2.引入PPLCNet主干，使用HSwish与SE模块平衡精度与速度；3.量化至INT