2026年人工智能基础与应用技能考试题目集

2026年人工智能基础与应用技能考试题目集一、单项选择题（每题2分，共20分）1.在卷积神经网络中，若输入特征图为32×32×3，采用64个5×5卷积核，步长为1，零填充为2，则输出特征图的尺寸为A.30×30×64  B.32×32×64  C.34×34×64  D.28×28×642.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的点积结果直接作为输出B.缩放点积注意力中缩放因子为\sqrt{d_k}C.注意力权重矩阵的每一行之和为0D.多头注意力只能用于编码器3.在联邦学习场景下，客户端上传的是A.原始训练数据  B.模型参数梯度  C.测试集准确率  D.损失函数值4.若某深度强化学习智能体采用DDPG算法，其策略网络输出层的激活函数通常选用A.Sigmoid  B.Tanh  C.ReLU  D.Softmax5.当使用混合精度训练时，下列哪项操作可有效防止梯度下溢A.权重衰减  B.LossScaling  C.梯度裁剪 D.学习率预热6.在生成对抗网络中，若判别器损失迅速降至接近零，而生成器损失居高不下，则最可能出现A.模式坍塌  B.梯度爆炸  C.过拟合  D.梯度消失7.下列关于知识蒸馏的说法，错误的是A.学生网络通常比教师网络容量小B.蒸馏损失只与软标签有关，与硬标签无关C.温度参数T越大，软标签分布越平滑D.蒸馏可视为一种模型压缩手段8.在自动驾驶感知系统中，将激光雷达点云投影到图像平面后，常用的补全缺失深度信息的方法是A.最近邻插值  B.双边滤波  C.深度补全网络 D.直方图均衡9.若某模型在ImageNet上Top-1准确率为76.3%，采用CutMix数据增强后重新训练，最可能的结果是A.准确率下降2% B.准确率不变 C.准确率提升1%~1.5% D.训练时间缩短30%10.在边缘设备部署INT8量化模型时，下列哪项技术可最大限度降低精度损失A.训练后量化 B.动态量化 C.量化感知训练 D.权重共享二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列属于无监督域适应策略的有A.CORAL  B.DANN  C.MMD  D.MixUp  E.Self-Ensembling12.关于BERT模型微调，下列做法可能导致下游任务性能下降的有A.冻结所有Transformer层只训练分类头B.使用最大序列长度512却将batchsize设为2C.学习率设为5e-5且采用线性衰减D.在文本分类任务中保留NSP任务E.采用权重衰减系数0.0113.在目标检测模型YOLOv8中，下列组件或策略可直接提升小目标检测召回率的有A.引入CBAM注意力模块B.使用SIoU损失替换CIoUC.增加P2级检测头D.采用Mosaic+MixUp联合增强E.将NMS阈值从0.5降至0.314.关于AlphaFold2蛋白质结构预测，下列说法正确的有A.使用Evoformer模块处理MSA和配对表示B.结构模块输出的是Cα坐标C.利用模板信息时必须满足序列一致性>30%D.通过循环迭代更新可进一步提升精度E.最终模型以均方根偏差（RMSD）作为损失函数15.在DiffusionModel采样阶段，下列技巧可加速生成的有A.DDIM采样 B.ProgressiveDistillation C.Classifier-FreeGuidance D.LangevinDynamics E.ConsistencyModels三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在模型剪枝中，magnitude-basedpruning一定比梯度-basedpruning的压缩比更高。17.使用Swish激活函数相较于ReLU可缓解神经元“死亡”问题。18.在联邦学习中，FedAvg算法对非独立同分布（Non-IID）数据天然鲁棒，无需任何修正。19.VisionTransformer(ViT)在小型数据集上从头训练往往不如ResNet系列。20.采用混合专家模型（MoE）可在不显著增加推理时间的前提下扩大模型容量。21.在强化学习中，重要性采样比率\rho_t=\frac{\pi_{old}(a_t|s_t)}{\pi_{new}(a_t|s_t)}用于校正策略梯度偏差。22.对比学习损失InfoNCE的分子部分只包含正样本对。23.在模型量化时，对称量化比非对称量化更适合权重分布以0为中心的情况。24.使用知识蒸馏时，教师网络必须与学生网络具有相同的输入分辨率。25.在图神经网络中，GCN的层数越深，节点表示一定会因过平滑而性能下降。四、填空题（每空2分，共20分）26.若某卷积层输入特征图尺寸为H×W×C，卷积核尺寸k×k，步长s，零填充p，则输出特征图高度为________。27.Transformer中，若隐藏层维度d_{model}=768，则传统多头注意力采用8头时，每个头的维度为________。28.在强化学习策略梯度定理中，目标函数J(\theta)对参数\theta的梯度可写为\nabla_\thetaJ(\theta)=\mathbb{E}_{\tau\sim\pi_\theta}\left[\sum_{t=0}^T\nabla_\theta\log\pi_\theta(a_t|s_t)\cdot________\right]。29.若采用FocalLoss处理类别不平衡，当\gamma=2且某样本为易分负例时，其损失权重相较于交叉熵将________（填“增大”或“减小”）。30.在模型蒸馏中，温度参数T趋近于无穷大时，软标签分布趋近于________分布。31.若某LSTM单元遗忘门输出f_t=0，则上一时刻细胞状态C_{t-1}对当前细胞状态C_t的贡献为________。32.在图像分割任务中，Dice系数计算公式为\frac{2|X\capY|}{|X|+|Y|}，当预测结果与真值完全重合时，其值为________。33.使用Adam优化器时，若一阶梯度矩估计系数\beta_1=0.9，则偏差修正后第t步的系数为________。34.在语音合成模型VITS中，随机时长预测器（StochasticDurationPredictor）采用________流建模时长分布。35.若某模型参数量为1.2×10^9，采用FP16存储，则理论内存占用约为________GB（保留两位小数）。五、简答题（每题8分，共24分）36.简述对比学习中“负样本”数量对模型性能的影响机制，并给出两种缓解高维空间中负样本不足的方法。37.说明在边缘端部署Transformer模型时，如何通过“动态长度裁剪”与“注意力稀疏化”协同降低推理延迟，并给出伪代码片段。38.给出一种基于梯度一致性的联邦学习防御方案，用于抵御拜占庭攻击，要求写出关键公式并解释其容错阈值。六、计算与推导题（共31分）39.（10分）某ResNet-50模型在ImageNet上的Top-1准确率为76.1%，现引入SE模块后重新训练，得到准确率为77.3%。若测试集共50000张图像，计算SE模块带来的绝对正确分类图像增加量，并给出SE模块参数量计算过程（输入通道为C，压缩比为16）。40.（10分）给定一个二分类任务，采用逻辑回归模型，训练集包含n个样本\{(x_i,y_i)\}_{i=1}^n，其中y_i\in\{0,1\}。（1）写出带L2正则化的负对数似然损失函数；（2）推导权重w的梯度表达式；（3）若n=10^6，特征维度d=512，batchsize=256，采用分布式数据并行（DDP）在8张GPU上训练，求每张GPU在一次迭代中处理的样本数及梯度同步时的通信量（以字节为单位，假设FP32）。41.（11分）在强化学习SoftActor-Critic(SAC)中，策略目标函数为J_\pi=\mathbb{E}_{(s_t,a_t)\sim\mathcal{D}}\left[\alpha\log\pi_\theta(a_t|s_t)-Q_\phi(s_t,a_t)\right].（1）给出策略网络重参数化技巧下的动作采样方式；（2）推导策略梯度\nabla_\thetaJ_\pi的表达式；（3）若\alpha为可学习参数，给出其梯度更新公式并说明自动调节熵温度的意义。七、综合设计题（20分）42.某市计划利用AI对老旧小区加装电梯的民意进行调查。给定多模态数据：①居民文本留言；②入户调研语音录音；③楼栋外观无人机图像。请设计一套端到端系统，要求：（1）给出数据预处理与隐私保护方案；（2）说明多模态融合模型架构，需包含至少两种跨模态交互机制；（3）给出模型可解释性方案，确保街道办可查看关键决策依据；（4）评估指标需覆盖模型公平性，防止对老年人群体产生偏见；（5）估算边缘设备（NVIDIAJetsonOrinNano8GB）上的推理延迟与内存占用，并给出优化策略。卷后答案与解析一、单项选择题1.B 解析：输出尺寸=\lfloor\frac{32+2\times2-5}{1}\rfloor+1=32。2.B 解析：缩放点积注意力除以\sqrt{d_k}防止梯度消失。3.B 解析：联邦学习只上传梯度或参数，保护隐私。4.B 解析：DDPG输出连续动作，Tanh将动作限幅。5.B 解析：LossScaling放大梯度防止FP16下溢。6.A 解析：判别器过强导致生成器无法欺骗，出现模式坍塌。7.B 解析：蒸馏损失通常结合硬标签与软标签。8.C 解析：深度补全网络可融合多模态信息。9.C 解析：CutMix在ImageNet上可提升1%左右。10.C 解析：量化感知训练使模型适应INT8表示。二、多项选择题11.ABCE 12.ABD 13.ACD 14.ADE 15.ABE三、判断题16× 17√ 18× 19√ 20√ 21× 22√ 23√ 24× 25×四、填空题26.\frac{H+2p-k}{s}+1 27.96 28.G_t(\gamma)或回报 29.减小 30.均匀 31.0 32.1 33.\frac{1-\beta_1^t}{1-\beta_1} 34.扩散（Diffusion） 35.2.40五、简答题36.负样本数量不足会导致InfoNCE估计偏差，温度系数难以调节，模型易崩溃。缓解方法：①采用memorybank存储大量负样本；②使用momentumencoder动态更新负样本表示，如MoCo。37.动态长度裁剪：根据输入序列重要性分数截断至固定长度L；注意力稀疏化：保留Top-k相似度条目。伪代码：```score=softmax(QK^T/sqrt(d))topk_idx=topk(score,k=int(0.1L),dim=-1)topk_idx=topk(score,k=int(0.1L),dim=-1)mask=zeros_like(score)mask.scatter_(-1,topk_idx,1)score=scoremaskscore=scoremaskout=score@V```两者协同可将推理延迟降低35%以上。38.梯度一致性防御：服务器接收m个客户端梯度\{g_i\}，计算两两余弦相似度S_{ij}，剔除与多数方向余弦<τ的梯度，聚合剩余梯度。关键公式：\bar{g}=\frac{1}{|\mathcal{M}|}\sum_{i\in\mathcal{M}}g_i,\quad\mathcal{M}=\{i\mid\frac{1}{m}\sum_j\cos(g_i,g_j)\geq\tau\}.容错阈值：拜占庭比例<\frac{1}{2}(1-\tau)。六、计算与推导题39.绝对增加量=(0.773-0.761)×50000=600张。SE模块参数量：2×C×C/16=C^2/8。以ResNet-50中间层C=512为例，参数量=512^2/8=32768。40.（1）L(w)=-\frac{1}{n}\sum_{i=1}^n[y_i\log\sigma(w^\topx_i)+(1-y_i)\log(1-\sigma(w^\topx_i))]+\frac{\lambda}{2}\|w\|^2.（2）\nabla_wL=\frac{1}{n}\sum_{i=1}^n(\sigma(w^\topx_i)-y_i)x_i+\lambdaw.（3）每张GPU样本数=256/8=32；梯度通信量=512×4×8=16384字节（AllReduce双向需×2，实际32768字节）。41.（1）a_t=\tanh(\mu_\theta(s_t)+\sigma_\theta(s_t)\odot\epsilon),\quad\epsilon\sim\mathcal{N}(0,I).（2）\nabla_\thetaJ_\pi=\mathbb{E}[\nabla_\theta\log\pi_\theta(a_t|s_t)(\alpha