2025专业技术人员继续教育人工智能试题及答案

2025专业技术人员继续教育人工智能试题及答案一、单项选择题（每题2分，共30分）1.在深度学习训练过程中，若损失函数出现“NAN”值，最不可能的原因是A.学习率过大B.输入数据未归一化C.网络层数过深D.激活函数选择ReLU2.下列关于Transformer自注意力机制的说法，正确的是A.计算复杂度与序列长度呈线性关系B.位置编码可完全替代RNN的时序能力C.自注意力矩阵的每一行经过Softmax后之和为1D.多头机制会降低模型表达能力3.联邦学习中“模型平均”策略面临的主要挑战是A.通信开销过大B.数据异构导致的权重发散C.加密算法耗时D.服务器算力不足4.在StableDiffusion模型里，U-Net的作用是A.直接生成像素级图像B.在潜空间迭代去噪C.对文本提示做编码D.压缩VAE权重5.下列哪项技术最能缓解大语言模型推理时的“幻觉”现象A.增加训练语料规模B.引入检索增强生成（RAG）C.提高dropout比率D.使用更大的batchsize6.在目标检测任务中，YOLOv8相较于YOLOv5的主要改进是A.将backbone从CSPDarknet改为ResNetB.引入Anchor-Free检测头C.使用双阶段检测策略D.移除FPN结构7.若某卷积层输入特征图尺寸为112×112，步长为2，填充为1，卷积核3×3，则输出特征图尺寸为A.55×55B.56×56C.57×57D.58×588.在强化学习中，DDPG算法属于A.基于策略梯度B.基于值函数C.Actor-Critic架构D.纯Q-Learning变种9.当使用混合精度训练时，LossScaling的主要目的是A.减少GPU显存占用B.防止梯度下溢C.加速数据读取D.提高学习率上限10.下列关于DiffusionModel前向加噪过程的说法，错误的是A.每一步添加高斯噪声B.噪声调度可设为线性或余弦C.最终状态近似服从标准正态分布D.反向去噪过程无需神经网络11.在模型压缩技术中，KnowledgeDistillation的“温度参数”T趋近无穷大时，SoftTarget近似A.One-hot向量B.均匀分布C.伯努利分布D.高斯分布12.当使用LoRA对大模型进行微调时，被冻结的参数是A.低秩适配矩阵AB.低秩适配矩阵BC.原模型权重WD.缩放系数α13.在图神经网络中，GCN层的核心运算可表示为A.=B.=C.=D.=14.当训练数据极度不平衡时，下列评价指标最不敏感的是A.F1分数B.AUC-ROCC.平均准确率D.召回率15.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，常用的插值方式是A.最近邻B.双三次C.双线性D.兰索斯二、多项选择题（每题3分，共30分；多选少选均不得分）16.下列哪些操作可以有效提升小样本学习性能A.数据增强B.元学习C.迁移学习D.增加全连接层参数量E.使用余弦分类器17.关于VisionTransformer（ViT），下列说法正确的有A.patchembedding后需加入位置编码B.自注意力计算量与patch数量平方成正比C.分类token仅在最后一层使用D.对小型数据集效果通常优于CNNE.可使用掩码图像建模（MIM）自监督预训练18.在模型部署阶段，TensorRT可以进行的优化包括A.层融合B.权重量化C.动态shape支持D.自动超参搜索E.内核自动调优19.以下属于提示工程（PromptEngineering）技巧的有A.零样本提示B.少样本提示C.思维链（CoT）D.对抗攻击E.角色扮演提示20.在联邦学习场景下，安全聚合（SecureAggregation）需满足A.服务器无法看到单个用户明文梯度B.用户dropout后仍可解密聚合结果C.需使用同态加密或秘密共享D.通信量与用户数无关E.可抵抗半诚实服务器21.关于AIGC版权合规，下列做法合理的包括A.训练前过滤受版权保护内容B.生成结果自动附加水印C.将生成物直接用于商业销售而不声明D.建立用户举报通道E.记录训练数据来源及授权链22.在NLP任务中，下列哪些技术可以缓解OOV（未登录词）问题A.子词切分（BPE）C.字符级CNND.指针生成网络E.增加batchsize23.当使用半监督学习FixMatch算法时，其核心组件包括A.弱增强无标签预测B.强增强一致性损失C.伪标签阈值筛选D.对抗样本训练E.知识蒸馏24.以下属于可解释人工智能（XAI）方法的有A.SHAPB.Grad-CAMC.LIMED.DropoutE.积分梯度（IntegratedGradients）25.在扩散模型采样加速算法中，包含A.DDIMB.DPM-SolverC.PLMSD.VQGANE.Euler-Maruyama高阶求解三、判断题（每题1分，共10分；正确打“√”，错误打“×”）26.使用GroupNormalization时，批量大小对性能影响远小于BatchNormalization。27.在深度强化学习中，经验回放机制会打破样本间相关性，从而提升稳定性。28.剪枝后的模型若稀疏度高于90%，则无需任何微调即可恢复原始精度。29.对比学习损失InfoNCE的温度系数越小，对困难负样本的惩罚越弱。30.在图注意力网络GAT中，不同注意力头学到的权重矩阵必须共享。31.大模型涌现能力（EmergentAbility）随参数量平滑增长，而非突变。32.使用FlashAttention可以在不改变数学等价性的前提下降低显存占用。33.在语音合成任务中，WaveNet基于自回归生成，推理速度通常慢于非自回归模型。34.零知识证明可用于验证模型推理正确性而不泄露权重隐私。35.当使用混合专家模型（MoE）时，所有专家网络在每次前向时都会被激活。四、计算与简答题（共30分）36.（8分）已知某卷积神经网络第l层输出特征图尺寸为64×37.（8分）在扩散模型训练阶段，给定噪声调度=0.02t（t=1,2,…,38.（7分）简述LoRA低秩适配为何能降低微调显存，并说明秩r的选择对性能与开销的权衡。39.（7分）联邦学习客户端k的本地目标函数为(w五、综合设计题（共30分）40.某市卫健委计划利用医疗影像云对50家县级医院开展肺结节AI筛查。数据敏感、网络带宽有限，需满足以下要求：(1)模型平均AUC≥0.95；(2)单张CT推理时间≤3s（单张GPU）；(3)不得将原始影像出境；(4)支持模型持续更新。请设计一套“云边协同”联邦学习方案，包括：①整体架构图（文字描述即可）；②模型选型与压缩策略；③训练与更新流程；④安全与合规措施；⑤性能监控与回滚机制。卷后答案与解析一、单项选择1.DReLU本身不会导致NAN，但若学习率极大、输入未归一化或层数过深可能因梯度爆炸出现NAN。2.C自注意力每行Softmax后概率和为1。3.B数据异构导致本地模型发散，是模型平均的核心挑战。4.BU-Net在潜空间迭代去噪。5.BRAG引入外部检索，显著降低幻觉。6.BYOLOv8改为Anchor-Free。7.B⌊(8.CDDPG为Actor-Critic架构。9.BLossScaling防止梯度下溢。10.D反向去噪必须依赖神经网络。11.BT→∞时Softmax输出趋均匀。12.C原权重W被冻结。13.A归一化邻接矩阵乘特征再乘权重。14.C平均准确率对极端不平衡不敏感。15.C双线性插值兼顾精度与效率。二、多项选择16.ABCE17.ABE18.ABCE19.ABCE20.ABCE21.ABDE22.ABCD23.ABC24.ABCE25.ABC三、判断26.√27.√28.×高稀疏后必须微调。29.×温度越小惩罚越强。30.×各头独立。31.×涌现常呈突变。32.√33.√34.√35.×仅激活Top-k专家。四、计算与简答36.输出尺寸公式：=代入：(故输出为128×128×128。37.t=50，β_t=0.02×50=1.0不合理，应理解为β_t=0.02×t/100=0.0002t，则β_50=0.01，α_50=0.99，¯38.LoRA将梯度更新分解为低秩矩阵A、B，显存只需存储A、B的激活与梯度，原模型权重无需优化器状态，显存从O(W)降至O(2rW/d)，r越小开销越低，但过低会损失表达能力，需交叉验证选取。39.第二项将本地模型拉向初始全局模型w_0，缓解数据异构导致的漂移；λ增大则本地更新更保守，全局模型收敛变慢但方差减小，极端情况本地不更新，全局仅做加权平均。五、综合设计题参考要点①架构：县级医院部署边缘盒子（GPUT4），本地推理；市级云中心部署聚合服务器；两者通过TLS加密隧道通信，采用安全聚合协议。②模型：选用压缩版EfficientNetV2-S，经知