2026年人工智能考试核心内容巩固练习题及参考答案

2026年人工智能考试核心内容巩固练习题及参考答案一、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112×112，卷积核大小为3×3，步长为2，填充为1，则该层输入特征图尺寸为A.224×224  B.223×223  C.225×225  D.226×2262.强化学习中，Q-learning更新公式为A.QB.QC.QD.Q3.下列关于Transformer自注意力机制的描述，错误的是A.计算复杂度与序列长度呈线性关系B.可并行计算C.使用缩放点积注意力D.允许任意位置直接交互4.在联邦学习场景下，为防止模型泄露用户隐私，最常用的保护手段是A.同态加密  B.差分隐私  C.安全多方计算  D.梯度压缩5.若某GAN的判别器损失突然降为0，而生成器损失居高不下，最可能的原因是A.生成器过拟合  B.判别器过强  C.梯度消失  D.模式崩塌6.在BERT预训练中，MaskedLanguageModel（MLM）任务掩码比例通常设置为A.5%  B.10%  C.15%  D.20%7.下列哪项技术最适合解决“类别极度不平衡”的二分类问题A.FocalLoss  B.Dropout  C.BatchNorm  D.L2正则化8.对于高维稀疏特征，工业界推荐系统最常用的embedding压缩方法是A.哈希技巧  B.矩阵分解  C.自动编码器  D.低秩分解9.在模型蒸馏中，温度参数T的作用是A.控制教师模型容量  B.软化softmax分布  C.调整学习率  D.限制参数量10.若某模型在ImageNet上Top-1准确率达85.2%，但部署到边缘设备时延迟超标，首选优化策略是A.知识蒸馏  B.网络剪枝  C.数据增强  D.超参数重调二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列属于无监督学习算法的是A.k-means  B.DBSCAN  C.PCA  D.GMM  E.SVM12.关于AUC-ROC曲线，下列说法正确的是A.随机分类器对应AUC=0.5B.AUC=1表示完美分类C.适用于不平衡数据D.对正负样本比例敏感E.可比较不同阈值下的模型性能13.在自动驾驶感知模块中，激光雷达点云常见的深度学习模型有A.PointNet++  B.VoxelNet  C.YOLOv5  D.CenterPoint  E.DeepLabv3+14.以下操作能够缓解神经网络过拟合的是A.Earlystopping  B.DropBlock  C.Labelsmoothing  D.Mixup  E.增加网络深度15.关于大语言模型（LLM）推理加速，可行的工程方案包括A.KV-cache复用  B.动态批处理  C.8-bit权重量化  D.投机解码（SpeculativeDecoding）  E.使用ReLU替换GELU三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在卷积神经网络中，空洞卷积（dilatedconvolution）可以在不增加参数量的情况下扩大感受野。17.使用Adam优化器时，默认参数β1=0.9、β2=0.999、ε=1e-8对所有任务都无需调整。18.在联邦学习中，模型参数聚合采用FedAvg算法时，客户端本地epoch越多，收敛速度一定越快。19.对比学习（ContrastiveLearning）的核心思想是最大化正样本对相似度、最小化负样本对相似度。20.在目标检测中，YOLO系列算法使用anchor-free策略始于YOLOv2。21.图神经网络（GNN）中的消息传递机制与Weisfeiler-Lehman图同构测试存在理论联系。22.使用混合精度训练（FP16+FP32）时，损失缩放（lossscaling）是为了防止梯度下溢。23.在强化学习中，策略梯度方法比价值函数方法更适用于连续动作空间。24.VisionTransformer（ViT）在小型数据集上从头训练即可超越CNN，无需大量数据。25.模型可解释性方法LIME通过局部线性逼近解释任意黑盒模型。四、填空题（每空2分，共20分）26.若某LSTM单元遗忘门输出为0，则上一时刻细胞状态对当前细胞状态的贡献为________。27.在ResNet中，恒等映射分支使用________连接，有效缓解深层网络梯度消失问题。28.将RGB图像由256级量化为8级，信息熵损失约为________bit/pixel（保留两位小数）。29.在联邦学习中，若总客户端数为N，每轮随机选取比例为C，则每轮期望参与客户端数为________。30.对于二分类问题，当阈值取0.5时，模型召回率为0.9，精确率为0.8，则F1分数为________（保留三位小数）。31.使用GroupNorm时，若特征图通道数为64，分组数为8，则每组通道数为________。32.在Transformer中，位置编码采用sin/cos函数，其维度与________维度相同。33.若某卷积层参数量为9K，输入通道为32，输出通道为64，则卷积核尺寸为________×________。34.在知识蒸馏中，若学生模型logits为，教师模型logits为，温度T=4，则蒸馏损失通常采用________散度。五、计算与推导题（共25分）35.（8分）某ResNet-50模型在ImageNet验证集上的Top-1错误率为7.5%，现通过引入SE模块后错误率降至6.8%。假设验证集共50000张图片，计算：(1)新增正确分类图片数量；(2)若模型推理延迟由38ms增至41ms，求延迟增幅百分比；(3)结合(1)(2)，计算每增加1%延迟带来的正确分类图片增益（保留两位小数）。36.（9分）给定一个三阶张量𝒳∈，采用Tucker分解为𝒳≈𝒢ABC，其中核心张量𝒢∈(1)计算原始张量元素总数；(2)计算分解后参数总量；(3)求压缩比（保留两位小数）。37.（8分）在强化学习策略梯度中，给定轨迹τ=,,,…,，回报[并说明引入基线的优势。六、综合设计题（共10分）38.某城市拟部署基于视觉的垃圾分类系统，需在边缘计算盒子（ARMA731.8GHz，4GBRAM）上实时运行。现有YOLOv5s模型在FP32下mAP@0.5为0.72，延迟120ms，功耗6W。请设计一套端到端优化方案，使延迟≤40ms、功耗≤3W，且mAP@0.5下降不超过3%。要求：(1)给出模型压缩与加速的技术路线（含量化、剪枝、蒸馏、算子融合等）；(2)说明训练与部署流程，包括数据集、评估指标、工具链；(3)预测优化后模型指标并给出实验验证方案。——————————答案与解析——————————一、单项选择题1.C 解析：输出尺寸公式⌊⌋+12.A 解析：标准Q-learning更新。3.A 解析：自注意力复杂度为O(4.B 解析：差分隐私在联邦学习中应用最广。5.B 解析：判别器过强导致梯度无法回传。6.C 解析：BERT默认15%掩码。7.A 解析：FocalLoss降低易分样本权重。8.A 解析：哈希技巧压缩embedding。9.B 解析：温度T软化分布。10.B 解析：剪枝直接减少计算量。二、多项选择题11.ABCD 12.ABCE 13.ABD 14.ABCD 15.ABCD三、判断题16.√ 17.×（ε需视梯度量级调整） 18.×（本地epoch过多会漂移） 19.√ 20.×（YOLOv1即anchor-free，v2引入anchor） 21.√ 22.√ 23.√ 24.×（需大数据） 25.√四、填空题26.027.残差（skip）28.2.00（ΔH=log₂(256/8)=5，原熵8，损失≈2）29.CN30.0.84231.832.d_model33.3×3（参数量=32×64×k²=9024⇒k=3）34.KL五、计算与推导题35.(1)原错误3750张，现错误3400张，新增正确350张；(2)增幅=7.89(3)每1%延迟带来=44.3636.(1)3×4×5=60；(2)2×2×2+3×2+4×2+5×2=8+6+8+10=32；(3)压缩比=1.8837.证明：利用=Q六、综合设计题38.技术路线：(1)数据增强：Mosaic+HSV+随机缩放，提升小目标；(2)蒸馏：以YOLOv5m为教师，温度T=5，α=0.5；(3)结构化剪枝：BN层γ排序，稀疏率0.7，逐层微调；(4)量化：训