2026年人工智能产品基础模拟试题

2026年人工智能产品基础模拟试题1.单项选择题（每题2分，共20分）1.1在深度神经网络中，若采用ReLU激活函数，下列关于梯度消失现象的描述正确的是A.ReLU一定不会出现梯度消失B.ReLU在负区间会导致梯度永久为零，从而引发“神经元死亡”C.ReLU在正区间梯度恒为0.1，因此可以缓解梯度消失D.ReLU的梯度消失问题比Sigmoid更严重1.2某卷积神经网络第一层使用32个5×5卷积核，输入为RGB图像224×224×3，边界填充为2，步长为1，则该层输出特征图的尺寸为A.220×220×32B.224×224×32C.222×222×32D.218×218×321.3在联邦学习框架下，下列加密技术最常用于防止中央服务器看到本地明文梯度的是A.RSAB.AESC.Paillier同态加密D.SHA-2561.4当使用Adam优化器时，若β₁=0.9，β₂=0.999，则第t步的梯度二阶矩估计mₜ的更新公式为A.mₜ=β₁mₜ₋₁+(1−β₁)gₜB.mₜ=β₂mₜ₋₁+(1−β₂)gₜ²C.mₜ=(1−β₁)gₜ+β₁mₜ₋₁D.mₜ=(1−β₂)gₜ²+β₂mₜ₋₁1.5在Transformer中，缩放点积注意力机制的分母因子为A.dₖB.√dₖC.dₖ²D.1/dₖ1.6下列关于模型蒸馏的说法正确的是A.蒸馏只能用于相同结构的网络B.蒸馏温度T越高，软标签分布越尖锐C.蒸馏损失通常采用KL散度衡量教师与学生输出的差异D.蒸馏过程不需要任何真实标签1.7在目标检测任务中，若采用YOLOv5，其默认的锚框(anchor)生成策略基于A.手工设定B.K-means聚类训练集边界框C.强化学习搜索D.遗传算法1.8当使用混合精度训练时，下列哪项操作最能抑制梯度下溢A.在FP16下存储主权重B.在FP32下维护主权重并做LossScalingC.将梯度直接截断为零D.关闭自动求导1.9在DiffusionModel前向加噪过程中，若预设总步长T=1000，βₜ线性从1×10⁻⁴增至2×10⁻²，则αₜ的表达式为A.αₜ=1−βₜB.αₜ=∏ᵢ₌₁ᵗ(1−βᵢ)C.αₜ=√(1−βₜ)D.αₜ=1/βₜ1.10在边缘计算场景部署TinyML模型时，最关键的约束指标是A.参数量B.推理延迟与峰值功耗C.训练时间D.数据下载带宽2.多项选择题（每题3分，共15分；多选少选均不得分）2.1下列哪些操作可以有效缓解卷积神经网络过拟合A.DropBlockB.LabelSmoothingC.BatchNormalizationD.增加全连接层参数量2.2关于A搜索算法，下列说法正确的有2.2关于A搜索算法，下列说法正确的有A.当启发函数h(n)满足可容性时，A一定能找到最优解A.当启发函数h(n)满足可容性时，A一定能找到最优解B.若h(n)=0，则A退化为Dijkstra算法B.若h(n)=0，则A退化为Dijkstra算法C.A的空间复杂度通常高于GreedyBest-FirstSearchC.A的空间复杂度通常高于GreedyBest-FirstSearchD.A不能用于连续状态空间D.A不能用于连续状态空间2.3在强化学习中，以下哪些技术属于on-policy方法A.PPOB.TRPOC.DDPGD.A3C2.4下列关于图神经网络(GNN)的描述正确的有A.GraphSAGE采用采样邻居策略B.GCN归一化使用对称归一化拉普拉斯矩阵C.GAT通过注意力机制为邻居分配不同权重D.所有GNN模型都必须使用邻接矩阵的谱分解2.5在模型压缩领域，下列哪些方法属于结构化剪枝A.通道剪枝B.神经元剪枝C.权重矩阵低秩分解D.权重共享量化3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1使用GroupNormalization时，批量大小可以设置为1。3.2LSTM中的遗忘门输出接近0时，表示保留更多历史信息。3.3在VisionTransformer中，位置编码可以采用可学习的一维向量。3.4对比学习损失InfoNCE的分子部分仅包含正样本对。3.5采用早停策略时，验证集损失连续上升即立刻终止训练，无需回看。3.6在联邦学习中，FedAvg的本地更新步数越多，通信轮次一定越少。3.7使用混合高斯模型做背景减除时，光照突变会导致前景误判。3.8在BERT预训练中，NSP任务目的是判断两个句子是否相邻。3.9采用ReLU6激活函数可以在移动端量化时减少溢出风险。3.10在AutoML中，一旦采用神经架构搜索(NAS)，就不再需要人工设计损失函数。4.填空题（每空2分，共20分）4.1若某全连接层输入向量x∈ℝ⁵¹²，输出向量y∈ℝ¹⁰²⁴，则该层可训练参数量为________。4.2在ResNet中，基本残差块若采用“瓶颈”结构，先通过1×1卷积将通道数从256降到64，再经过3×3卷积，最后通过1×1卷积升回256，则该块中3×3卷积层的参数量为________。4.3设某模型权重量化至INT8，原FP32权重取值范围为[−1.2,1.2]，则量化比例系数s=________。4.4在DQN算法中，目标网络参数更新方式常用________（填写“硬更新”或“软更新”）策略，更新系数τ通常取________。4.5在Transformer解码器自注意力层中，为防止位置i看到未来信息，需引入________掩码，其形状为________。4.6若采用FocalLoss解决类别不平衡，当γ=2时，易分类样本的权重衰减因子为________。4.7在知识图谱嵌入模型TransE中，关系r满足h+r≈t，则其评分函数为________。4.8若使用混合高斯背景模型，每个像素点高斯分布个数通常取________。5.简答题（每题6分，共18分）5.1简述VisionTransformer(ViT)为何在大规模数据集上表现优于CNN，并指出其在小数据集上的局限及改进方案。5.2联邦学习中，客户端数据Non-IID会带来哪些具体挑战？请给出两种缓解方法并说明其原理。5.3说明DiffusionModel与GAN在训练目标、采样过程、模式崩塌三方面的差异。6.计算与推导题（共17分）6.1（7分）给定一个三分类问题，真实标签y=[0,1,0]，模型输出经Softmax后为ŷ=[0.3,0.5,0.2]。(1)计算交叉熵损失L_CE；(2)若使用LabelSmoothing，平滑参数ε=0.1，求新的目标分布y′；(3)重新计算平滑后的损失L_LS。6.2（10分）某卷积层输入特征图尺寸为14×14×256，采用3×3卷积核，输出通道512，步长2，填充1。(1)求输出特征图尺寸；(2)若采用深度可分离卷积(DepthwiseSeparableConvolution)，计算参数量与标准卷积参数量之比；(3)假设输入特征图已按INT8量化，权重同样为INT8，偏置为INT32，求该层理论计算量（MAC次数）与内存占用（字节），并给出公式。——————————答案与解析——————————1.单项选择1.1B 解析：负区间梯度为0，导致权重不再更新。1.2B 解析：224+2×2−5+1=224。1.3C 解析：Paillier支持加法同态，适合梯度聚合。1.4A 解析：mₜ为动量，β₁控制指数衰减。1.5B 解析：防止点积过大，分母为√dₖ。1.6C 解析：KL散度衡量软标签差异。1.7B 解析：YOLOv5沿用K-means聚类。1.8B 解析：FP32主权重+LossScaling防止下溢。1.9B 解析：αₜ=∏(1−βᵢ)。1.10B 解析：边缘设备最关注延迟与功耗。2.多项选择2.1ABC 解析：增加参数量会加剧过拟合。2.2ABC 解析：连续空间需离散化后可用A。2.2ABC 解析：连续空间需离散化后可用A。2.3ABD 解析：DDPG为off-policy。2.4ABC 解析：GAT无需谱分解。2.5ABC 解析：权重共享量化属于非结构化。3.判断3.1√ 3.2× 3.3√ 3.4√ 3.5× 3.6× 3.7√ 3.8√ 3.9√ 3.10×4.填空4.1524800 (512×1024+1024)4.236864 (64×3×3×64)4.30.009375 (s=255/1.2×2)4.4软更新 0.0054.5上三角 (n×n)4.6(1−p)²4.7‖h+r−t‖4.83~55.简答（要点示例）5.1ViT通过自注意力捕获全局依赖，大数据下可学习丰富特征；小数据易过拟合，可用数据增强、蒸馏、混合CNN局部先验等改进。5.2Non-IID导致本地更新方向差异大，全局模型漂移；可用FedProx加近端项约束，或个性化层保留本地头。5.3训练目标：DM最大化证据下界，GAN玩极小极大；采样：DM迭代去噪，GAN单次前向；模式崩塌：DM倾向覆盖全分布，GAN易崩塌。6.计算6.1(1)L_CE=−ln0.5≈0.693(2)y′=[0.1/3,1−0.1+0.1/3,0.1/3]=[0.0333,0.9333,0.0333](3)L_LS=−0.9333×ln0.5−0.0333×(ln0.3+ln0.2)≈0.6566.2(1)输出尺寸：7×