2026年人工智能基础考前押题及答案解析

2026年人工智能基础考前押题及答案解析一、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64×64，卷积核尺寸为3×3，步长为2，填充为1，则该层输入特征图尺寸为A.127×127  B.128×128  C.129×129  D.130×1302.下列关于Transformer位置编码的说法正确的是A.绝对位置编码无法外推到比训练序列更长的序列B.相对位置编码必须引入可学习参数C.RoPE编码在复数域完成位置映射D.正弦位置编码的波长与维度无关3.在强化学习中，若采用ε-greedy策略，ε=0.1，状态s下最优动作价值为8，次优动作价值为7，则智能体在s处选择次优动作的概率为A.0.01  B.0.05  C.0.09  D.0.104.关于生成对抗网络（GAN）的判别器损失，下列表达式正确的是（D表示判别器，G表示生成器，x∼Pdata，z∼Pz）A.−Ex[logD(x)]−Ez[log(1−D(G(z)))]B.−Ex[logD(x)]−Ez[logD(G(z))]C.Ex[logD(x)]+Ez[log(1−D(G(z)))]D.Ex[log(1−D(x))]+Ez[logD(G(z))]5.在联邦学习场景下，客户端k的本地目标函数为Fk(w)，全局目标函数为F(w)=ΣkpkFk(w)，其中pk=nk/N。若采用FedProx，近端项系数μ>0，则本地更新规则为A.wk(t+1)=wk(t)−η∇Fk(wk(t))B.wk(t+1)=argminw{Fk(w)+μ2‖w−w(t)‖2}C.wk(t+1)=argminw{Fk(w)+μ2‖w−wk(t)‖2}D.wk(t+1)=w(t)−η∇Fk(w(t))6.下列关于VisionTransformer(ViT)的叙述，错误的是A.图像块线性投影后可直接输入Transformer编码器B.分类token在最后一层通过MLPHead输出logitsC.ViT在小型数据集上无需预训练即可超越CNND.位置编码可采用一维或可学习二维参数7.若某LSTM单元输入门it=σ(Wixt+Uiht−1+bi)，遗忘门ft=σ(Wfxt+Ufht−1+bf)，输出门ot=σ(Woxt+Uoht−1+bo)，则候选记忆c̃t的表达式为A.tanh(Wcxt+Ucht−1+bc)B.σ(Wcxt+Ucht−1+bc)C.tanh(Wixt+Uiht−1+bi)D.σ(Wfxt+Ufht−1+bf)8.在自监督学习中，SimSiam停止梯度操作的作用是A.防止模型崩溃为常数表示B.增加负样本对C.降低batchsize敏感度D.引入动量编码器9.若采用Adam优化器，超参数β1=0.9，β2=0.999，初始学习率α=0.001，则在第t步有效学习率约为A.α/(1−β1t)  B.α/(1−β2t)  C.α·(1−β1t)/(1−β2t)  D.α·√(1−β2t)/(1−β1t)10.在扩散模型DDPM中，若前向过程方差schedule满足βt∈(0,1)，则后验q(xt−1|xt,x0)的均值A.仅与xt有关  B.仅与x0有关  C.与xt,x0均有关  D.与βt无关二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列技术可有效缓解深度网络过拟合的有A.DropBlock  B.LabelSmoothing  C.GradientClipping  D.Mixup12.关于注意力机制，以下说法正确的有A.自注意力计算复杂度与序列长度呈二次关系B.稀疏注意力可降低长序列显存占用C.交叉注意力中Query来自解码器，Key/Value来自编码器D.多头注意力允许不同头使用不同维度13.在模型压缩领域，下列方法属于结构化剪枝的有A.通道剪枝  B.神经元剪枝  C.权重矩阵低秩分解  D.知识蒸馏14.以下关于强化学习策略梯度定理的表述正确的有A.∇J(θ)=Eπ[∇θlogπ(a|s)Qπ(s,a)]B.引入基线可减少方差但不改变期望C.REINFORCE算法无需重要性采样D.Actor-Critic中Critic用于估计Vπ(s)或Qπ(s,a)15.在图神经网络中，GCN第l+1层节点v的表征h(l+1)v可表示为A.σ(∑u∈N(v)∪{v}1√dudvW(l)h(l)u)B.σ(∑u∈N(v)1duW(l)h(l)u)C.σ(W(l)∑u∈N(v)∪{v}h(l)u)D.σ(W(l)h(l)v+∑u∈N(v)W(l)h(l)u)三、填空题（每空2分，共20分）16.若BatchNorm在卷积层之后，则对于特征图x∈ℝC×H×W，统计量均值μ∈ℝ____，方差σ2∈ℝ____，可学习参数γ,β∈ℝ____。17.在PyTorch中，若定义模型model=nn.Sequential(nn.Conv2d(3,64,3,1,1),nn.ReLU(),nn.AdaptiveAvgPool2d(1))，则输入张量shape为(16,3,224,224)时，输出张量shape为(____,____)。18.若某残差块输出为H(x)=F(x)+x，当F(x)通道数翻倍且空间下采样2倍时，需使用____卷积对恒等分支进行____匹配。19.在DDIM采样中，若采样步数S小于训练步数T，则可通过____参数化方式实现确定性采样，其生成过程方差设为____。20.若采用InfoNCE损失，温度参数τ=0.07，batch内负样本对数量为N−1，则损失函数可写为L=−logexp(____)/∑k=0Nexp(____)。四、计算与推导题（共30分）21.（8分）已知二维随机变量(x,y)服从混合高斯分布p(x,y)=12π√|Σ|exp(−12[x−μx,y−μy]Σ−1[x−μx,y−μy]⊤)，其中Σ=[σx2ρσxσy;ρσxσyσy2]。若采用变分推断，设变分分布q(x,y)=q(x)q(y)，且q(x)=N(x|mx,sx2)，q(y)=N(y|my,sy2)。（1）写出ELBO表达式；（2）求最优sx2的更新公式（保持其他参数固定）。22.（10分）考虑一个三臂伯努利赌博机，真实成功概率分别为μ1=0.5，μ2=0.6，μ3=0.7。采用UCB算法，置信界系数c=1，T=1000步。（1）写出第t步选择动作at的UCB公式；（2）若前三步依次选择臂1、2、3且观测回报为1、0、1，计算第4步各臂的UCB值（保留三位小数）。23.（12分）给定一个两层MLP，隐藏层宽度为h，输入维度d，输出维度k，激活函数为ReLU。设输入X∈ℝn×d满足X的行向量独立同分布N(0,Id)。（1）推导隐藏层预激活方差Var[z]的递推关系；（2）若采用He初始化，求W1元素方差σ2应满足的条件，使得Var[z]=1；（3）若采用Xavier初始化，求σ2条件。五、综合应用题（共15分）24.某医疗影像公司计划部署肺结节良恶性分类模型，数据包含10万张512×512CT切片，类别不平衡比例1:9（恶性:良性）。（1）请设计一套数据预处理与增强方案，需解决类别不平衡、显存限制、切片间差异大三大问题；（2）给出模型架构选型理由，需对比2DCNN、3DCNN、ViT的优劣；（3）提出一种兼顾隐私与性能的多中心联合训练方案，并说明如何防御模型逆向攻击。——答案与解析——1.B 输入尺寸n满足⌊(n+2×1−3)/2⌋+1=64⇒n=128。2.C RoPE利用复数域旋转矩阵编码相对位置。3.C 次优动作被选概率为ε/(|A|−1)·1=0.1/10=0.09（假设动作空间10）。4.A 标准二元交叉熵形式。5.B FedProx在本地目标加入近端项约束。6.C ViT小数据集需大规模预训练。7.A 候选记忆由tanh激活。8.A 停止梯度防止崩溃。9.D Adam偏差修正公式。10.C DDPM后验依赖x0,xt。11.ABD GradientClipping用于梯度爆炸非过拟合。12.ABC 多头注意力各头维度相同。13.ABC 知识蒸馏非剪枝。14.ABCD 全部正确。15.A GCN归一化邻接矩阵形式。16.C；C；C 逐通道统计与参数。17.16,64 全局平均池化后空间维度为1。18.1×1；升维与下采样。19.η；0。20.sim(z,z+)/τ；sim(z,zk)/τ。21.（1）ELBO=Eq[logp(x,y)]−KL(q||p0)，其中p0为先验；（2）对sx2求导并令导数为零得1sx2=Σ−1xx+1σx2(1−ρ2)。22.（1）UCBi(t)=x̄i(t)+c√(2lnt/Ni(t))；（2）N1=1,x̄1=1；N2=1,x̄2=0；N3=1,x̄3=1；UCB1=1+√(2ln4/1)=2.886；UCB2=0+√(2ln4/1)=1.886；UCB3=1+√(2ln4/1)=2.886。23.（1）设W1∈ℝd×h，则z=XW1，Var[zij]=dσ2Var[x]=dσ2；（2）He初始化：σ2=2/d；（3）Xavier：σ2=2/(d+h)。24.（1）预处理：重采样+混合采样（Malignantoversampling+benignundersampling），在线heavy增强（RandRotate90,CutMix,GammaCorr），显存限制采用2.5D输入（三邻接切片拼3通道），Z-score归一化使用全局统计量；（2）2DCNN显存友好但忽略上下文；3DCNN捕获体积信息却显