2026年人工智能考试综合模拟练习与备考要点含答案

2026年人工智能考试综合模拟练习与备考要点含答案一、单项选择题（每题2分，共20分）1.在深度学习中，若某卷积层输出特征图尺寸为32×32×128，卷积核尺寸为3×3，步长为1，填充为1，则该层输入特征图的通道数应为A.64  B.128  C.256  D.322.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注意力权重B.缩放点积注意力中缩放因子为\sqrt{d_k}C.注意力权重无需归一化即可输入softmaxD.值向量V的维度必须与查询向量Q完全相同3.联邦学习框架中，服务器端聚合本地模型参数最常用的方法是A.加权平均  B.梯度下降  C.投票机制  D.知识蒸馏4.若某强化学习智能体采用ε-greedy策略，ε=0.1，则在一次动作选择中A.有10%概率随机选择动作，90%概率选择当前最优动作B.有90%概率随机选择动作，10%概率选择当前最优动作C.动作选择完全随机D.动作选择完全贪婪5.在生成对抗网络中，若判别器损失长期趋近于0，而生成器损失居高不下，最可能的原因是A.生成器学习率过高  B.判别器过强，生成器梯度消失C.生成器过强，判别器梯度消失  D.判别器学习率过低6.下列关于模型压缩技术中知识蒸馏的说法错误的是A.教师模型通常为大模型，学生模型为小模型B.蒸馏损失仅与软标签的交叉熵有关，与硬标签无关C.温度参数T越高，软标签分布越平滑D.学生模型可通过模仿教师模型logits提升泛化能力7.在图神经网络中，GCN层的前向传播公式H^{(l+1)}=\sigma\left(\tilde{D}^{-\frac12}\tilde{A}\tilde{D}^{-\frac12}H^{(l)}W^{(l)}\right)中，\tilde{A}表示A.原始邻接矩阵  B.添加自环的邻接矩阵C.度矩阵  D.拉普拉斯矩阵8.若某NLP任务采用BERT-base模型，最大序列长度为512，则其位置编码矩阵维度为A.512×768  B.512×512  C.768×768  D.30522×7689.在AutoML框架中，用于搜索神经网络架构的强化学习控制器通常采用A.策略梯度  B.Q-learning  C.Actor-Critic  D.进化策略10.下列关于AI伦理原则“可解释性”的说法正确的是A.所有模型都必须提供全局可解释性B.可解释性越高，模型性能必然下降C.可解释性有助于发现数据偏见D.深度模型无法提供任何可解释性二、多项选择题（每题3分，共15分）11.下列方法可用于缓解过拟合的有A.Dropout  B.L2正则化  C.早停  D.批量归一化12.关于BERT预训练任务，下列说法正确的有A.MLM任务中15%的token被选中，其中80%替换为[MASK]，10%随机替换，10%不变B.NSP任务用于判断两个句子是否相邻C.MLM任务输出层共享输入层词嵌入矩阵D.BERT采用单向语言模型目标13.下列属于无监督学习算法的有A.k-means  B.PCA  C.DBSCAN  D.逻辑回归14.在目标检测模型YOLOv5中，下列组件或技术被采用的有A.FPN  B.Anchor-Free  C.CIOU损失  D.Mosaic数据增强15.关于模型公平性指标，下列说法正确的有A.人口统计奇偶性要求不同群体的预测正例率相等B.机会均等要求真正例率相等C.校准性要求预测概率等于真实概率D.个体公平性要求相似个体获得相似预测三、判断题（每题1分，共10分）16.ReLU激活函数在负区间梯度为0，可能导致神经元死亡。17.梯度爆炸问题可通过梯度裁剪完全消除。18.在卷积神经网络中，空洞卷积可扩大感受野而不增加参数量。19.LSTM中的遗忘门输出越接近0，表示保留越多历史信息。20.集成学习中，Bagging对偏差降低效果优于Boosting。21.在深度强化学习中，经验回放可提高样本效率并打破相关性。22.VisionTransformer的PatchEmbedding层可用卷积实现。23.联邦学习必然保证数据不出本地，因此绝对安全，无需加密。24.对比学习损失InfoNCE中，负样本越多，梯度估计方差越小。25.模型可解释性方法LIME通过局部线性近似解释单个预测。四、填空题（每空2分，共20分）26.若某卷积层输入尺寸为64×64×16，采用64个5×5卷积核，步长为2，填充为2，则输出特征图尺寸为______×______×______。27.在Transformer中，若隐藏维度d_{model}=768，注意力头数h=12，则每个头的维度为______。28.若某模型参数量为1.2×10^8，采用float16存储，则所需显存约为______MB。29.强化学习中，Q-learning的更新公式为Q(s,a)\leftarrowQ(s,a)+\alpha[______+\gamma\max_{a'}Q(s',a')-Q(s,a)]。30.在知识蒸馏中，当温度T→∞时，softmax输出趋近于______分布。31.若某数据集类别不平衡，正例占5%，负例占95%，采用准确率作为评估指标可能产生______问题。32.在图神经网络中，节点表示矩阵H^{(0)}通常由______初始化。33.若某模型训练时损失震荡剧烈，可尝试降低______或增加______。34.在联邦学习中，客户端上传的参数通常为______而非原始数据。35.模型剪枝中，结构化剪枝直接删除整个______或______。五、简答题（每题8分，共24分）36.阐述Transformer位置编码的数学表达式及其作用，并说明为什么BERT采用可学习的位置嵌入而非固定正弦余弦编码。37.描述联邦学习中“客户端漂移”现象的成因，并给出至少两种缓解方法。38.解释对比学习中“对齐性”与“均匀性”指标的定义及其对表示质量的影响。六、计算题（共11分）39.某卷积神经网络前向传播时，输入张量尺寸为1×3×224×224，经过一层卷积：卷积核尺寸7×7，输出通道64，步长2，填充3；随后接BatchNorm2d、ReLU、最大池化核3×3，步长2，填充1。请计算：(1)卷积层输出特征图尺寸；(2)最大池化层输出特征图尺寸；(3)若采用float32，该卷积层参数所需显存（含bias）。七、综合设计题（共20分）40.某市交通管理局拟利用AI实现实时拥堵预测，数据来自1万个路口摄像头，每5秒采集一次图像，分辨率1920×1080，需保护路口隐私。请设计一套端到端方案，涵盖数据采集、模型选择、训练策略、部署与更新、隐私保护、可解释性、公平性评估，并说明理由。———答案与解析———1.B 解析：输出通道数等于卷积核个数，与输入通道无关。2.B 解析：缩放点积注意力缩放因子为\sqrt{d_k}，防止点积过大。3.A 解析：FedAvg采用加权平均，权重与样本量成正比。4.A 解析：ε-greedy以ε概率随机，1-ε概率贪婪。5.B 解析：判别器过强导致生成器梯度消失，无法更新。6.B 解析：蒸馏损失通常同时包含软标签与硬标签交叉熵。7.B 解析：\tilde{A}=A+I，添加自环。8.A 解析：位置编码矩阵维度为max_len×d_{model}=512×768。9.A 解析：NAS采用策略梯度搜索架构。10.C 解析：可解释性帮助发现偏见，而非必然降低性能。11.ABCD 解析：四种方法均可缓解过拟合。12.ABC 解析：BERT采用双向MLM，非单向。13.ABC 解析：逻辑回归为监督学习。14.ACD 解析：YOLOv5仍采用Anchor-Based。15.ABCD 解析：四项均为公平性指标定义。16.√ 17.×（只能缓解） 18.√ 19.×（接近0表示遗忘） 20.×（Bagging降低方差） 21.√ 22.√ 23.×（需加密防梯度泄露） 24.√ 25.√26.32×32×64 解析：输出高=(64+2×2-5)/2+1=32。27.64 解析：768/12=64。28.240 解析：1.2×10^8×2B=2.4×10^8B≈229MB，取最接近240。29.r+\gamma\max_{a'}Q(s',a') 解析：标准Q-learning目标。30.均匀 解析：T→∞时softmax输出均匀分布。31.指标失真/高估性能 解析：负例主导导致准确率高但无意义。32.节点特征或随机初始化 解析：通常用节点原始特征。33.学习率；批量大小 解析：降低学习率或增大batch可缓解震荡。34.模型参数或梯度 解析：不上传原始数据。35.通道；滤波器 解析：结构化剪枝删除整通道或整滤波器。36.位置编码PE_{(pos,2i)}=\sin(pos/10000^{2i/d}),PE_{(pos,2i+1)}=\cos(pos/10000^{2i/d})。作用：为无递归/卷积的Transformer提供位置信息。BERT采用可学习位置嵌入，因预训练序列长度固定为512，可学习嵌入更灵活，且实验表明性能略优。37.客户端漂移：各客户端数据非独立同分布，本地更新方向差异大，导致全局模型发散。缓解：①FedProx加入近端项限制本地更新；②个性化联邦学习，如FedPer，为每个客户端保留部分私有层；③周期性全局蒸馏，统一特征空间。38.对齐性：正样本对在表示空间距离近。均匀性：表示分布均匀覆盖超球面。对齐性高且均匀性好，则类间间隔大、类内聚集，下游任务性能优。39.(1)卷积输出高=(224+2×3-7)/2+1=112，宽同理，输出尺寸1×64×112×112。(2)池化输出高=(112+2×1-3)/2+1=56，输出1×64×56×56。(3)参数量=(3×7×7×64)+64=9408+64=9472，float32占9472×4=37888B≈37kB。40.方案：数据采集：边缘盒子实时解码，本地抽帧，采用差分隐私JPEG压缩，上传前做人脸车牌模糊化。模型选择：轻量级EfficientNet-B3为骨干，加入时间移位模块捕获时序，输出拥堵等级0-4。训练策略：联邦学习+知识蒸馏，服务器维护全局模型，客户端用近3天本地数据微调30步，上传参数；服务器用知识蒸馏将全局模型蒸馏给客户端，减少漂移。部署与更新：TensorRT量化至int8，部署