2026年ai基础考试试题及答案

2026年ai基础考试试题及答案一、单项选择题（每题2分，共30分）1.在深度学习中，若某卷积层输入特征图尺寸为64×64×3，卷积核尺寸为5×5×3，共128个卷积核，步长为1，填充为2，则输出特征图的尺寸为A.64×64×128  B.60×60×128  C.66×66×128  D.62×62×1282.下列关于Transformer中自注意力机制的说法，正确的是A.自注意力权重仅由查询向量决定B.自注意力计算复杂度与序列长度呈线性关系C.缩放点积注意力中缩放因子为d_k^{-1/2}D.多头注意力必须保持各头维度一致且等于模型维度3.若某GAN的判别器损失函数为L_D=-\mathbb{E}_{x\simp_{data}}[\logD(x)]\mathbb{E}_{z\simp_z}[\log(1-D(G(z)))]则在理想平衡状态下，D(x)与D(G(z))的期望值分别趋近于A.0,0  B.0.5,0.5  C.1,0  D.1,14.在强化学习中，采用ε-greedy策略时，若ε=0.1，则智能体在第100步选择随机动作的概率为A.0.01  B.0.1  C.0.9  D.1-(0.9)^{100}5.下列关于BERT预训练任务的说法，错误的是A.MLM任务中15%的token被选中作为候选B.NSP任务输入为两个句子对，预测其是否相邻C.MLM任务对所有被选token均替换为[MASK]D.采用WordPiece分词以缓解未登录词问题6.若某LSTM单元遗忘门输出f_t=0，输入门输出i_t=1，候选记忆c̃_t=2，上一时刻记忆c_{t-1}=3，则当前记忆c_t为A.0  B.2  C.3  D.57.在联邦学习场景下，采用FedAvg算法，若本地epoch=5，客户端学习率η=0.01，则全局模型更新量等于A.所有客户端本地更新量的加权平均B.所有客户端本地模型参数的加权平均C.所有客户端本地梯度之和D.服务器随机挑选一个客户端的更新量8.下列关于VisionTransformer(ViT)的说法，正确的是A.图像块尺寸越小，模型参数量一定越少B.分类token在最后一层仅与自身注意力有关C.位置编码可采用一维可学习向量D.必须使用LayerNorm前置于MSA模块9.若某模型在ImageNet上Top-1准确率为76.3%，其单张224×224图像推理耗时为8ms，则其理论每秒可处理图像数约为A.125  B.64  C.1000  D.810.在扩散模型DDPM中，若前向过程方差调度为线性β_t∈[1×10^{-4},2×10^{-2}]，T=1000，则β_{500}的取值为A.1×10^{-4}  B.1.005×10^{-2}  C.2×10^{-2}  D.1×10^{-2}11.下列关于模型量化的说法，错误的是A.INT8量化可将权重存储减少为原来的1/4B.对称量化零点偏移量恒为0C.量化感知训练需在前向过程引入伪量化D.KL散度校准法以最小化浮点与量化输出分布差异为目标12.若某优化器更新规则为m_t=\beta_1m_{t-1}+(1-\beta_1)g_tv_t=\beta_2v_{t-1}+(1-\beta_2)g_t^2\theta_t=\theta_{t-1}\eta\frac{m_t/\sqrt{v_t}+\epsilon}则该优化器为A.SGD  B.AdaGrad  C.RMSprop  D.Adam13.在目标检测任务中，若采用YOLOv5的CIoU损失，其惩罚项不包含A.中心点距离  B.长宽比一致性  C.预测框置信度  D.重叠面积14.下列关于PromptTuning的说法，正确的是A.仅更新预训练模型全部参数B.软提示长度增加一定带来性能提升C.可视为一种参数高效微调方法D.不能与LoRA同时应用15.若某GPU显存为24GB，混合精度训练下模型权重占用12GB，激活值峰值占用8GB，则理论上最大batchsize还受限于A.优化器状态与梯度占用  B.数据加载线程数  C.CPU内存大小  D.磁盘I/O带宽二、多项选择题（每题3分，共15分）16.下列技术可有效缓解神经网络过拟合的有A.Dropout  B.BatchNorm  C.L2正则  D.Earlystopping  E.增加网络深度17.关于自监督学习中的对比学习方法，正确的有A.SimCLR使用同一图像的不同增强视图作为正样本对B.MoCo采用动量更新编码器C.BYOL依赖负样本对D.SwAV引入聚类约束E.BarlowTwins优化互相关矩阵18.在模型部署阶段，下列做法可提升推理速度的有A.算子融合  B.权重稀疏化  C.动态batching  D.使用FP64精度  E.TensorRT引擎缓存19.下列关于AI伦理的说法，符合《人工智能伦理规范》要求的有A.保障人类自主权  B.提升算法黑箱化程度  C.尊重隐私  D.确保可追溯性  E.强化歧视性标注20.若某文本生成模型出现“幻觉”现象，可采取的缓解策略有A.增加后验校验模块  B.引入检索增强生成  C.提高解码温度  D.使用事实一致性奖励微调  E.扩大模型参数量至10倍三、判断题（每题1分，共10分）21.在ReLU激活函数下，神经元死亡是指梯度恒为0且无法恢复。22.残差连接的主要作用是增加网络深度从而提升参数量。23.联邦学习必然保证数据不出本地。24.扩散模型反向过程可用DDIM采样加速。25.知识蒸馏中，学生模型logits接受的温度系数越高，软标签越尖锐。26.LayerNorm在RNN中通常应用于时间步维度。27.在VisionTransformer中，去掉位置编码会导致模型无法区分图像块顺序。28.使用混合精度训练时，损失缩放因子过大可导致梯度下溢。29.模型剪枝后无需任何微调即可保持原精度。30.采用GroupNorm时，批量大小为1也能稳定训练。四、填空题（每空2分，共20分）31.若交叉熵损失为-\sum_{i=1}^Cy_i\logp_i，当真实标签为one-hot形式且类别数为10，预测概率分布为[0.1,0.1,…,0.1]时，损失值为__________。32.在Transformer中，若隐藏维度d=512，注意力头数h=8，则每个头的维度为__________。33.若某卷积层输出尺寸公式为O=\lfloor(I+2P-K)/S\rfloor+1，当I=127，K=7，S=2，P=3时，O=__________。34.若采用cosine学习率调度，初始学习率η_0=0.1，总步数T=100，当前步数t=40，则η_t=__________。35.在DDPM中，若α_t=1-β_t，则前向过程单步转移方差为__________。36.若某模型参数量为1.2×10^8，采用FP16存储，则权重占用显存__________MB。37.若梯度裁剪阈值为1.0，某参数梯度范数为2.5，则裁剪后梯度乘以系数__________。38.在BERT-base中，Transformer层数为__________。39.若某图像被划分为14×14的patches，每个patch尺寸为16×16，则原图尺寸为__________。40.若某检测框坐标为(x1,y1,x2,y2)=(100,150,200,250)，则其面积为__________。五、计算与推导题（共25分）41.（8分）给定一个两层的全连接神经网络，输入维度d_0=4，隐藏层维度d_1=3，输出维度d_2=2，采用Sigmoid激活，损失为MSE。(1)写出前向传播表达式；(2)推导输出层对隐藏层权重W^(2)的梯度；(3)若输入x=[1,2,3,4]^T，真实标签y=[0,1]^T，学习率η=0.1，请手工计算一步梯度下降后W^(2)第一行第一列元素更新值（初始W^(2)全为0.1）。42.（7分）在强化学习中，已知MDP状态空间S={s1,s2}，动作空间A={a1,a2}，折扣因子γ=0.9，转移与奖励如下：P(s1|s1,a1)=0.8,P(s2|s1,a1)=0.2,r(s1,a1)=1；P(s1|s1,a2)=0.5,P(s2|s1,a2)=0.5,r(s1,a2)=0；P(s2|s2,a1)=0.1,P(s1|s2,a1)=0.9,r(s2,a1)=-1；P(s2|s2,a2)=0.6,P(s1|s2,a2)=0.4,r(s2,a2)=2。求：在策略π(a1|s)=0.5，π(a2|s)=0.5下，状态s1的价值函数V^π(s1)。43.（10分）在VisionTransformer中，假设输入图像为224×224×3，patch尺寸为16×16，隐藏维度d=768，分类token1个，MLP扩展比为4，注意力头数12，Transformer层数L=12。(1)计算patchembeddings参数量；(2)计算所有MSA模块的QKV投影总参数量；(3)计算所有MLP块总参数量；(4)若采用FP16推理，批量大小为32，忽略激活值，求权重占用显存（MB）。六、综合设计题（共30分）44.（15分）某城市希望部署一套实时交通违法检测系统，要求单路口摄像头≥4路1080p@30fps，检测类别包括车辆、行人、非机动车、红绿灯、车牌，延迟≤200ms，边缘设备算力为30TOPSINT8，内存8GB。请设计一套端到端方案，涵盖：(1)模型选择与优化策略；(2)数据增强与微调流程；(3)推理框架与流水线并行；(4)效果与性能评估指标；(5)后续迭代升级机制。45.（15分）某医疗影像公司计划开发一款低剂量CT肺结节筛查助手，数据来自全球6家医院，共5万例DICOM，标签含结节位置、直径、恶性概率。因隐私限制，数据无法集中。请设计一套联邦学习方案，要求：(1)联邦模式与客户端选择策略；(2)模型架构及参数高效微调；(3)非独立同分布(non-IID)数据缓解方法；(4)差分隐私与梯度压缩机制；(5)临床验证与监管合规流程。答案与解析1.A 解析：输出尺寸=(64+2×2−5)/1+1=64，通道128。2.C 解析：缩放因子为d_k^{-1/2}防止点积过大。3.B 解析：理想平衡时D无法区分真假，输出均为0.5。4.B 解析：ε-greedy每步随机概率恒为ε。5.C 解析：15%候选token中仅80%替换为[MASK]，10%随机，10%不变。6.B 解析：c_t=f_t⊙c_{t-1}+i_t⊙c̃_t=0+2=2。7.B 解析：FedAvg对本地模型参数加权平均。8.C 解析：ViT常用一维可学习位置编码。9.A 解析：1000ms/8ms=125。10.B 解析：线性调度β_t=1e-4+(2e-2−1e-4)·t/1000，t=500得1.005e-2。11.A 解析：INT8存储为1字节，FP32为4字节，减少为1/4。12.D 解析：含m_t、v_t校正，为Adam。13.C 解析：CIoU不含置信度项。14.C 解析：PromptTuning冻结原模型，仅训练提示向量，属参数高效微调。15.A 解析：Adam优化器需保存一阶二阶动量，占用显存。16.ACD 解析：Dropout、L2、Earlystopping直接缓解过拟合；BatchNorm有轻微正则效果，但非主要目的；增加深度可能加剧过拟合。17.ABDE 解析：BYOL无需负样本。18.ABCE 解析：FP64精度降低速度。19.ACD 解析：B、E与伦理规范相悖。20.ABD 解析：提高温度或盲目扩大模型可能加剧幻觉。21.√ 22.× 23.√ 24.√ 25.× 26.× 27.√ 28.× 29.× 30.√31.2.3026 解析：−log(0.1)=2.3026。32.64 解析：512/8=64。33.64 解析：(127+6−7)/2+1=64。34.0.0951 解析：cosine(40/100·π)=0.309，0.5(1+cos)=0.6545，η_t=0.1×0.6545/0.5=0.0951。35.β_t 解析：q(x_t|x_{t-1})=N(\sqrt{1-β_t}x_{t-1},β_tI)。36.228.9 解析：1.2e8×2byte≈240MB，1MB=1024×1024byte，得228.9MB。37.0.4 解析：乘以1/2.5=0.4。38.1239.224×224 解析：14×16=224。40.10000 解析：(200−100)×(250−150)=100×100=10000。41.(1)z^{(1)}=W^{(1)}x+b^{(1)},a^{(1)}=\sigma(z^{(1)}),z^{(2)}=W^{(2)}a^{(1)}+b^{(2)},\haty=\sigma(z^{(2)})(2)∂L/∂W^{(2)}=(\ha