2026年《人工智能基础》期末考试试卷附答案

2026年《人工智能基础》期末考试试卷附答案一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项的字母填在题后括号内）1.在深度学习中，若将ReLU激活函数替换为LeakyReLU，其主要目的是（）A.降低模型参数量B.缓解梯度消失问题C.减少过拟合D.提高卷积核感受野2.下列关于Transformer自注意力机制的说法，正确的是（）A.查询向量Q与键向量K的点积直接作为输出B.注意力权重矩阵的每一行和必须为1C.位置编码仅在解码器端使用D.多头注意力无法并行计算3.若某卷积层输入特征图尺寸为112×112×64，采用128个3×3卷积核，步长为2，padding为1，则输出特征图尺寸为（）A.56×56×128B.55×55×128C.56×56×64D.112×112×1284.在强化学习中，使用ε-greedy策略时，ε=0表示智能体（）A.完全随机探索B.完全利用当前最优策略C.采用玻尔兹曼探索D.执行梯度策略更新5.联邦学习框架中，服务器端聚合各客户端梯度最常用的方法是（）A.加权平均B.几何中位数C.联邦随机梯度下降D.局部模型蒸馏6.若某GAN的判别器损失长时间趋近于0，而生成器损失剧烈震荡，最可能的原因是（）A.生成器学习率过高B.判别器过强，生成梯度消失C.采用了Wasserstein损失D.批归一化参数冻结7.在BERT预训练中，MaskedLanguageModel任务随机遮蔽15%的词，其中80%用[MASK]替换，10%用随机词替换，剩余10%保持不变，其主要目的是（）A.减少预训练时间B.缓解预训练与微调阶段不一致C.增加负样本多样性D.降低显存占用8.若某决策树采用C4.5算法，划分属性a的信息增益率为0.35，而属性b的信息增益为0.40，则（）A.必然选择aB.必然选择bC.需比较分裂信息后再决定D.需比较基尼指数后再决定9.在图神经网络中，GraphSAGE采用邻居采样与聚合策略，其主要优势是（）A.降低图存储复杂度至O(1)B.支持归纳式学习C.消除邻接矩阵稀疏性D.避免非线性激活10.若某模型在ImageNet上Top-1准确率达到90.5%，使用知识蒸馏将大模型迁移至小模型时，蒸馏温度T的最佳初始搜索区间通常为（）A.1～2B.3～5C.10～20D.50～100二、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，请将所有正确选项的字母填在题后括号内，漏选、错选均不得分）11.下列方法中，可用于缓解神经网络梯度爆炸的有（）A.梯度裁剪B.权重衰减C.批归一化D.使用tanh替换ReLU12.关于A搜索算法的评价函数f(n)=g(n)+h(n)，下列说法正确的有（）12.关于A搜索算法的评价函数f(n)=g(n)+h(n)，下列说法正确的有（）A.若h(n)可采纳，则A保证找到最优解A.若h(n)可采纳，则A保证找到最优解B.g(n)表示从起点到n的真实代价C.提高h(n)的精度一定能减少扩展节点数D.h(n)为0时，A退化为Dijkstra算法D.h(n)为0时，A退化为Dijkstra算法13.在目标检测模型YOLOv8中，下列组件或策略有助于提升小目标检测精度的有（）A.引入P2级检测头B.采用Anchor-Free机制C.使用SiLU激活函数D.增加高分辨率训练阶段14.下列关于AutoML中神经架构搜索（NAS）的描述，正确的有（）A.基于强化学习的NAS通常将网络结构编码为离散序列B.可微分NAS通过共享权重降低搜索成本C.一旦搜索结束，子网络无需重新训练即可部署D.零样本NAS利用性能预测器避免训练子网15.在联邦学习场景下，参与方数据Non-IID程度加剧可能导致（）A.全局模型收敛速度下降B.本地模型在各自数据上表现更好C.通信轮次显著增加D.服务器端需引入公平性约束三、填空题（每空2分，共20分。请在横线处填写最恰当的内容）16.若某LSTM单元遗忘门输出为0，则上一时刻细胞状态Ct−1对当前细胞状态Ct的影响权重为________。17.在VisionTransformer中，图像块尺寸为16×16，输入图像分辨率为384×384，则序列长度为________。18.若某模型采用混合精度训练，损失缩放因子为1024，当梯度出现NaN时，下一次迭代应将缩放因子调整为________。19.在深度Q网络（DQN）中，目标网络参数每C步硬更新一次，若C过小，则可能导致________不稳定。20.若某卷积神经网络第k层特征图满足Nk=64，Hk=Wk=28，则该层特征图展开成向量后的维度为________。21.在生成扩散模型DDPM中，前向过程第t步的噪声方差β_t通常满足β_1=1×10⁻⁴，β_T=0.02，则当T=1000时，采用________调度策略可保证信噪比单调递减。22.若某模型采用FocalLoss处理类别不平衡，当γ=2时，易分类样本的权重衰减系数为________（保留两位小数）。23.在图卷积网络GCN中，若邻接矩阵A未自环，则添加自环后的新邻接矩阵为________。24.若某模型参数量为1.2×10⁸，采用FP16存储，则显存占用约为________MB（1MB=1024×1024Byte）。25.在模型压缩技术中，KnowledgeDistillation的损失函数通常表示为L=αL_CE+βL_KD，若教师模型Softmax输出为q，学生模型Softmax输出为p，温度T=4，则L_KD=________（用LaTeX公式表示）。四、简答题（每题8分，共24分。请给出关键推导或解释）26.推导BatchNormalization在训练阶段对单个神经元输出x_i的归一化过程，并说明其在测试阶段如何使用滑动平均的μ和σ。27.解释Transformer中ScaledDot-ProductAttention的缩放因子√d_k的数学来源，并说明当d_k过大时若不缩放会导致何种数值问题。28.对比分析模型剪枝中的magnitude-basedpruning与gradient-basedpruning在稀疏结构、恢复能力、计算开销三方面的差异。五、综合应用题（共21分）29.某研究团队希望在边缘设备上部署实时语义分割模型，输入分辨率为512×1024，类别数19，模型需满足：（1）单帧延迟≤30ms（GPU为RTX3060，FP16）；（2）显存占用≤1GB；（3）mIoU≥75%。现有基线模型SegFormer-B3在该分辨率下mIoU=78.2%，单帧延迟28ms，显存占用1.1GB。请设计一套改进方案，包含网络结构调整、损失函数、训练策略、推理优化四方面，给出定量分析并证明满足全部约束。要求：（1）给出关键模块的参数量与计算量公式，使用LaTeX表示；（2）说明如何在不降低mIoU的前提下压缩显存至1GB以内；（3）给出最终模型在验证集上的mIoU、延迟、显存三项指标的预测值，并给出误差上界估计。——————————答案与解析——————————一、单项选择题1.B2.B3.A4.B5.C6.B7.B8.C9.B10.C解析：1.LeakyReLU在负半轴引入小斜率，避免ReLU的“神经元死亡”，从而缓解梯度消失。3.输出尺寸公式：⌊(N+2P−K)/S⌋+1=⌊(112+2−3)/2⌋+1=56。6.判别器损失趋零说明判别器过强，生成器梯度被抑制，出现梯度消失。10.蒸馏温度过低则分布过于尖锐，过高则过于平坦，10～20为经验最佳区间。二、多项选择题11.AC12.ABD13.ABD14.ABD15.ACD解析：11.梯度裁剪直接限制梯度范数；批归一化将输出归一化，间接稳定梯度。13.P2级检测头引入更高分辨率特征图；Anchor-Free减少超参；高分辨率训练阶段提升小目标特征。15.Non-IID导致本地梯度方向差异大，全局更新冲突，需更多通信轮次收敛，且可能需公平性约束。三、填空题16.017.57618.51219.训练20.5017621.linear22.0.1423.A+I24.228.8825.L_KD=−∑_iq_i^{(T)}\logp_i^{(T)}，其中q_i^{(T)}=\exp(z_i^T/T)/\sum_j\exp(z_j^T/T)解析：17.(384/16)²=24²=576。22.(1−0.5)^2=0.25，再乘以(1−pt)^γ，pt≈0.9，则系数≈0.14。24.1.2×10⁸×2Byte/1024²≈228.88MB。四、简答题26.训练阶段：μ_B=1/m∑_{i=1}^mx_i,σ_B²=1/m∑_{i=1}^m(x_i−μ_B)²\hat{x}_i=(x_i−μ_B)/√(σ_B²+ε)y_i=γ\hat{x}_i+β测试阶段：使用滑动平均μ̂,σ̂²替代μ_B,σ_B²，固定参数不再计算批统计量。27.缩放因子来源：Attention(Q,K,V)=softmax(QK^⊤/√d_k)V若d_k大，点积方差随d_k线性增大，导致softmax输入值过大，梯度趋近0，出现梯度消失；缩放后方差为1，保持数值稳定。28.差异对比表：magnitude-based：基于权重大小，稀疏结构规则，恢复能力弱，计算开销O(n)。gradient-based：基于损失对权重梯度，稀疏结构不规则，恢复能力强，需计算二阶信息，开销O(n×k)。五、综合应用题29.方案要点：（1）网络结构：将SegFormer-B3的Transformer编码器层数由{3,6,18,3}减为{2,4,12,2}，嵌入维度由768降至576；解码器采用轻量MLP，通道压缩至128。参数量公式：P=∑_{l=1}^4N_l×(4d²+2d×d_{ff})，其中d_{ff}=4d，N_l为第l阶段块数。计算量：FLOPs≈2×P×H×W/r²，r为下采样率。（2）损失函数：采用OhemCE+Dice混合损失，比例