人工智能考试题及答案2026

人工智能考试题及答案2026一、单项选择题（每题2分，共20分）1.在深度学习中，若某卷积层输入特征图尺寸为64×64×16，使用32个5×5卷积核，步长为1，padding为2，则输出特征图的宽度为A.60  B.64  C.66  D.682.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.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不一定为1D.多头注意力只能使用单头计算结果求平均3.在强化学习中，若采用ε-greedy策略且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.0.54.使用Adam优化器时，下列超参数对初始学习率最敏感的是A.β₁  B.β₂  C.ε  D.α5.在生成对抗网络中，若判别器损失突然降为0，最可能的原因是A.生成器过强  B.判别器过强  C.学习率过低  D.批归一化失效6.下列关于LSTM门控机制的描述，错误的是A.输入门控制新信息进入细胞状态的比例B.遗忘门直接输出0或1的离散值C.输出门决定隐藏状态的更新D.细胞状态更新包含遗忘门与输入门的共同作用7.在联邦学习场景下，采用FedAvg算法，若本地epoch数增大，则A.通信开销一定降低  B.模型收敛速度一定加快C.本地模型可能偏离全局最优  D.隐私泄露风险一定减小8.对于BERT的MaskedLanguageModel任务，若掩码比例从15%提升至30%，则A.预训练速度线性提升  B.下游任务准确率一定提升C.模型可能欠拟合  D.收敛所需步数可能减少9.在目标检测模型YOLOv8中，若输入图像分辨率从640×640提升至1280×1280，而anchor尺寸不变，则A.小目标召回率必然下降  B.大目标漏检率必然上升C.需要重新聚类anchor  D.模型参数量翻倍10.下列关于模型压缩技术中知识蒸馏的说法，正确的是A.教师模型与孪生学生模型必须同架构B.蒸馏温度T越高，软标签越接近硬标签C.蒸馏损失通常采用KL散度D.学生模型无法超越教师模型准确率二、多项选择题（每题3分，共15分；多选少选均不得分）11.关于图神经网络GNN，下列说法正确的有A.GraphSAGE采用采样邻居策略B.GCN的层数越深一定会导致过平滑C.GAT通过注意力机制给邻居分配权重D.图池化操作可用于图级分类任务E.异构图无法使用同构GNN模型12.在自动驾驶感知系统中，多传感器融合的优势包括A.提升冗余度  B.降低算法复杂度C.扩展感知范围  D.增强恶劣天气鲁棒性E.减少标定工作量13.下列属于无监督聚类评估指标的有A.Silhouette系数  B.Calinski-Harabasz指数C.Davies-Bouldin指数  D.AdjustedRandIndexE.F1-score14.关于扩散模型DDPM，下列描述正确的有A.前向过程为固定马尔可夫链B.反向过程通过神经网络预测噪声C.损失函数采用预测x₀与真实x₀的L2范数D.采样过程必须迭代T步不可跳步E.扩散步骤T越大生成质量一定越高15.在模型可解释性方法中，属于局部解释的有A.LIME  B.SHAP  C.Grad-CAM  D.permutationimportance  E.注意力热图三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.使用ReLU激活函数一定不会出现梯度消失问题。17.在联邦学习中，SecureAggregation协议可防止中央服务器看到单个用户梯度。18.VisionTransformer的PatchEmbedding层可用卷积实现。19.模型剪枝中的magnitudepruning依据权重绝对值大小进行裁剪。20.在强化学习off-policy算法中，重要性采样比可能大于1。21.自监督学习不需要任何人工标注。22.使用混合精度训练时，损失缩放（lossscaling）可防止梯度下溢。23.对于多任务学习，硬参数共享方式一定优于软参数共享。24.在NLP任务中，BytePairEncoding算法可用于词表压缩。25.图灵测试通过即代表系统具备人类水平的通用智能。四、填空题（每空2分，共20分）26.若某全连接层输入维度为512，输出维度为1024，则该层参数量为________。27.在ResNet中，恒等映射分支的数学表达式为________。28.强化学习贝尔曼最优方程写作：Q(s,a)=________。28.强化学习贝尔曼最优方程写作：Q(s,a)=________。29.若某卷积网络第l层输出尺寸为W_l×H_l×C_l，则其感受野大小R_l与前一层的递推关系为________。30.对于高斯分布N(μ,σ²)，其微分熵为________（用LaTex公式表示）。31.在Transformer中，位置编码PE_{(pos,2i)}=________。32.若某模型采用GroupNormalization，组数为G，则每组通道数为________。33.使用FocalLoss时，当样本易分类且γ>0，其权重因子趋近于________。34.在知识图谱嵌入中，TransE模型将关系表示为________。35.若某GPU显存为24GB，混合精度训练可节省显存约________%。五、简答题（每题8分，共24分）36.阐述梯度爆炸与梯度消失的产生机理，并分别给出至少两种有效缓解方案。37.对比分析自注意力与卷积在捕获局部特征上的异同，并说明为何Transformer在视觉任务中仍需引入局部窗口策略。38.描述联邦学习中“客户端漂移”现象的成因，并给出两种基于服务器端聚合的改进算法及其核心思想。六、计算与推导题（共11分）39.已知某二分类任务的正负样本比为1:9，数据集共10000条样本。若采用逻辑回归，初始权重w=0，偏置b=0，学习率η=0.01，使用交叉熵损失。(1)写出交叉熵损失函数L(w,b)的表达式（用LaTex公式表示）。（3分）(2)求第1步梯度∂L/∂w（假设随机抽取到小批量为1正9负，特征均值分别为x̄⁺=2，x̄⁻=−1）。（5分）(3)更新后的权重w₁是多少？（3分）七、编程设计题（共20分）40.阅读下列PyTorch伪代码，补全空缺部分，实现带负样本采样的两层GraphSAGE模型，用于大规模图节点分类。要求：a.邻居采样层数K=2，每层采样数S₁=10，S₂=5；b.使用均值聚合；c.负采样比例1:5；d.输出维度为类别数C=7；e.需包含训练循环，采用Adam优化器，学习率0.001，权重衰减1e-4。```pythonimporttorch,torch.nnasnn,torch.nn.functionalasFfromtorch_geometric.loaderimportNeighborSamplerclassSAGEConv(nn.Module):def__init__(self,in_dim,out_dim):super().__init__()self.lin=nn.Linear(in_dim,out_dim,bias=False)self.self_lin=nn.Linear(in_dim,out_dim)defforward(self,x,edge_index):row,col=edge_index均值聚合aggr=______(1)______out=self.lin(aggr)+self.self_lin(x)returnF.relu(out)classGraphSAGE(nn.Module):def__init__(self,in_dim,hid_dim,out_dim):super().__init__()self.conv1=SAGEConv(in_dim,hid_dim)self.conv2=SAGEConv(hid_dim,out_dim)defforward(self,x,adjs):fori,(edge_index,_,size)inenumerate(adjs):x_target=x[:size[1]]x=______(2)______returnxtrain_loader=NeighborSampler(data.edge_index,node_idx=data.train_mask,sizes=[10,5],batch_size=512,shuffle=True)model=GraphSAGE(data.x.size(1),128,7)optimizer=______(3)______criterion=nn.CrossEntropyLoss()forepochinrange(50):model.train()total_loss=0forbatch_size,n_id,adjsintrain_loader:adjs=[adj.to(device)foradjinadjs]optimizer.zero_grad()out=model(data.x[n_id].to(device),adjs)负采样neg_idx=torch.randint(0,data.num_nodes,(batch_size5,))neg_idx=torch.randint(0,data.num_nodes,(batch_size5,))pos_loss=criterion(out[:batch_size],data.y[n_id[:batch_size]].to(device))neg_loss=criterion(out[batch_size:],data.y[neg_idx].to(device))loss=pos_loss+0.2neg_lossloss=pos_loss+0.2neg_lossloss.backward()______(4)______total_loss+=loss.item()print(f'Epoch{epoch},Loss{total_loss:.4f}')```请补全(1)–(4)处代码，并简要说明每处作用。卷后答案与解析一、单项选择题1.B 解析：输出尺寸=(64+2×2−5)/1+1=64。2.B 解析：缩放因子为\sqrt{d_k}，防止点积过大。3.B 解析：ε-greedy随机概率恒为ε。4.D 解析：α即初始学习率，对收敛影响最大。5.B 解析：判别器过强导致生成器梯度消失。6.B 解析：遗忘门输出sigmoid连续值。7.C 解析：本地epoch过多导致漂移。8.C 解析：掩码过多可能欠拟合。9.C 解析：分辨率变化需重新聚类anchor。10.C 解析：蒸馏损失常用KL散度。二、多项选择题11.ACD 12.ACD 13.ABCD 14.ABC 15.ACE三、判断题16× 17√ 18√ 19√ 20√ 21× 22√ 23× 24√ 25×四、填空题26.524288 27.F(x)+x 28.r+\gamma\max_{a'}Q^(s',a') 29.R_l=R_{l-1}+(k_l-1)\prod_{i=1}^{l-1}s_i 30.\frac{1}{2}\ln(2\pie\sigma^2)31.\sin\!\bigl(pos/10000^{2i/d_{\text{model}}}\bigr) 32.C/G 33.0 34.平移向量 35.约5026.524288 27.F(x)+x 28.r+\gamma\max_{a'}Q^(s',a') 29.R_l=R_{l-1}+(k_l-1)\prod_{i=1}^{l-1}s_i 30.\frac{1}{2}\ln(2\pie\sigma^2)31.\sin\!\bigl(pos/10000^{2i/d_{\text{model}}}\bigr) 32.C/G 33.0 34.平移向量 35.约50五、简答题36.梯度爆炸：深层网络连乘大于1的雅可比矩阵；梯度消失：连乘小于1。缓解：1.梯度裁剪、2.归一化初始化、3.残差连接、4.门控机制、5.使用ReLU及其变种。37.卷积：局部连接+权值共享，感受野固定；自注意力：全局依赖，局部需显式掩码。视觉高分辨率全局注意力计算量O(n²)，引入窗口策略如SwinTransformer可降低至O(n)。38.客户端漂移：本地多epoch导致模型偏离全局分布。改进：1.FedProx，增加近端项限制本地更新；2.SCAFFOLD，使用控制变量修正本地梯度方向。六、计算与推导题39.(1)L(w,b)=-\frac{1}{N}\sum_{i=1}^N\Bigl[y_i\ln\sigma(wx_i+b)+(1-y_i)\ln\bigl(1-\sigma(wx_i+b)\bigr)\Bigr](2)∂L/∂w=\frac{1}{10}\bigl[\sigma(0)·9·(-1)-