2026年人工智能用户基础高频题库

2026年人工智能用户基础高频题库1.单选题（每题1分，共30分）1.1在深度学习中，若某卷积层输出特征图尺寸为32×32，卷积核大小5×5，步长1，填充2，则该层输入特征图尺寸为A.30×30  B.32×32  C.34×34  D.36×361.2下列激活函数在x=0处不可导的是A.ReLU  B.LeakyReLU  C.Sigmoid  D.Tanh1.3联邦学习框架中，参与方上传的通常是A.原始样本  B.模型参数  C.损失函数值  D.标签分布1.4在Transformer的自注意力机制中，查询向量Q与键向量K的点积结果需除以√d_k的主要目的是A.加速计算  B.防止梯度消失  C.防止softmax饱和  D.降低内存占用1.5若某GAN的判别器损失长时间趋于0，而生成器损失居高不下，最可能发生的状况是A.模式崩塌  B.梯度爆炸  C.过拟合  D.欠拟合1.6在强化学习中，Q-learning与SARSA的最大区别是A.是否使用ε-greedy  B.是否bootstrap  C.是否on-policy  D.是否off-policy1.7下列关于Adam优化器的描述，错误的是A.综合了动量与二阶矩估计  B.学习率自适应  C.对稀疏梯度不敏感  D.一定收敛到全局最优1.8在目标检测模型YOLOv8中，若输入图像640×640，下采样倍数为32，则最终特征图尺寸为A.40×40  B.20×20  C.10×10  D.5×51.9使用混合精度训练时，LossScaling的主要作用是A.降低显存占用  B.防止梯度下溢  C.加速反向传播  D.提高数值稳定性1.10在扩散模型DDPM中，前向过程q(x_t|x_{t-1})通常被建模为A.高斯分布  B.伯努利分布  C.类别分布  D.拉普拉斯分布1.11若某LSTM单元遗忘门输出接近0，则上一时刻细胞状态c_{t-1}将被A.完全保留  B.完全遗忘  C.放大两倍  D.缩小一半1.12在模型压缩技术中，KnowledgeDistillation的“温度”参数T增大时，softmax输出分布A.更尖锐  B.更平滑  C.不变  D.先锐后平1.13下列关于VisionTransformer(ViT)的叙述，正确的是A.只能处理224×224输入  B.无需卷积操作  C.对小块尺寸不敏感  D.无法使用位置编码1.14在图神经网络GNN中，GCN层对邻接矩阵做归一化时使用A.度矩阵的逆  B.度矩阵的−1/2次方  C.拉普拉斯矩阵  D.邻接矩阵的转置1.15若某模型在ImageNet上Top-1准确率为85.3%，则其对应错误率为A.14.7%  B.15.3%  C.85.3%  D.无法确定1.16在AutoML中，超参优化算法TPE的全称是A.Tree-structuredParzenEstimator  B.Tensor-basedParameterExplorationC.TransferableParameterEncoding  D.Two-phaseEarlystopping1.17当使用GroupNormalization时，统计量计算的维度是A.(N,H,W)  B.(C,H,W)  C.(N,C)  D.(N,H,W,C)1.18在语音合成模型VITS中，随机时长预测器输出的是A.音素级时长分布  B.帧级梅尔谱  C.线性谱  D.基频曲线1.19若某推荐系统采用DSSM双塔结构，负样本采样策略为随机采样，则损失函数通常选用A.MSE  B.CrossEntropy  C.HingeLoss  D.CosineEmbeddingLoss1.20在模型可解释性方法IntegratedGradients中，基线输入x′通常选择A.全零向量  B.随机高斯噪声  C.训练集均值  D.以上均可1.21下列关于DiffusionModel采样加速算法DDIM的描述，正确的是A.需重新训练模型  B.可deterministic采样  C.只能50步  D.无法插值1.22在联邦学习安全聚合协议SecureAggregation中，使用的核心密码学工具是A.RSA  B.AES  C.秘密共享  D.同态加密1.23若某卷积神经网络使用DepthwiseSeparableConvolution，则参数量约为标准卷积的A.1/C_out  B.1/(C_in+C_out)  C.1/(C_in·C_out)  D.1/(C_in+C_out+C_in·C_out)1.24在NLP任务中，使用ALiBi位置编码的主要优势是A.支持无限长度外推  B.计算复杂度低  C.无需额外参数  D.以上全部1.25当使用混合专家模型MoE时，门控网络Top-2路由会导致A.计算量翻倍  B.参数量翻倍  C.激活参数量翻倍  D.通信量翻倍1.26在自动驾驶感知系统中，多传感器融合采用LateFusion的特点是A.数据级融合  B.特征级融合  C.决策级融合  D.像素级融合1.27若某模型使用StochasticWeightAveraging(SWA)，则权重更新发生在A.每batch后  B.每epoch后  C.周期性平均  D.训练结束后一次性1.28在自监督学习SimSiam中，停止梯度操作的作用是A.防止崩溃解  B.加速收敛  C.降低显存  D.提高精度1.29下列关于神经架构搜索NAS的描述，错误的是A.强化学习可用于搜索  B.可微分搜索速度更快  C.一定需要重训练  D.可引入延迟约束1.30在模型部署阶段，TensorRT对INT8量化的校准数据集通常要求A.与训练集同分布  B.随机生成即可  C.仅需100张图  D.无需预处理2.多选题（每题2分，共20分；每题至少有两个正确答案，多选少选均不得分）2.1下列方法可以缓解Transformer注意力计算复杂度O(n²)的有A.Linformer  B.Performer  C.SparseTransformer  D.Reformer  E.BERT-base2.2在模型训练过程中，可能导致梯度爆炸的原因包括A.权重初始化过大  B.学习率过高  C.批归一化失效  D.使用ReLU  E.使用L2正则2.3以下属于无监督聚类评估指标的有A.SilhouetteScore  B.Calinski-HarabaszIndex  C.Davies-BouldinIndexD.F1Score  E.AdjustedRandIndex2.4在推荐系统冷启动问题中，可行的策略有A.利用用户注册信息  B.基于内容特征  C.元学习快速适应  D.探索-利用平衡  E.直接丢弃冷启动用户2.5下列关于A/B实验的描述，正确的有A.需保证样本随机分流  B.需计算最小样本量  C.可进行多指标检验  D.可无限期运行  E.需关注长期效应2.6在图神经网络中，解决过平滑问题的方法有A.残差连接  B.注意力权重  C.跳跃连接  D.层归一化  E.增加深度不加约束2.7以下属于生成式模型的是A.VAE  B.GAN  C.Diffusion  D.NormalizingFlow  E.SVM2.8在模型微调阶段，使用Layer-wiseLearningRateDecay的好处有A.防止灾难性遗忘  B.加速收敛  C.提高泛化  D.降低显存  E.减少参数2.9下列关于隐私计算技术的描述，正确的有A.联邦学习无需传输原始数据  B.差分隐私需加入噪声  C.同态加密计算开销低D.可信执行环境依赖硬件  E.安全多方计算可支持无限参与方2.10在语音识别中，使用CTCLoss的前提条件包括A.输入输出对齐单调  B.输出长度≤输入长度  C.需空白符  D.需语言模型解码  E.需帧级标签3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1在卷积神经网络中，空洞卷积可以在不增加参数量的情况下扩大感受野。  √3.2BatchNormalization在测试阶段使用当前batch的均值和方差。  ×3.3使用混合专家模型MoE时，所有专家网络每次推理都会被激活。  ×3.4在强化学习中，策略梯度方法可以直接优化策略参数。  √3.5VisionTransformer的位置编码可以去掉而几乎不损失精度。  ×3.6知识蒸馏中，学生模型参数量一定小于教师模型。  ×3.7在扩散模型中，反向过程是一个马尔可夫链。  √3.8使用L1正则化更容易得到稀疏解。  √3.9在联邦学习中，模型参数聚合通常采用FedAvg算法。  √3.10自监督学习不需要任何标签信息。  √4.填空题（每题2分，共20分）4.1若某卷积层输入尺寸112×112，核大小3×3，步长2，填充1，则输出尺寸为______。4.2Transformer中，自注意力计算公式的分母为______。4.3在强化学习DQN中，经验回放的采样策略通常采用______采样。4.4若某模型参数量为120M，使用FP16存储，则显存占用约为______MB。4.5在推荐系统DSSM中，用户塔与物品塔最后一层通常做______相似度计算。4.6扩散模型DDPM的前向加噪公式x_t=√α_tx_0+√(1−α_t)ε中，ε服从______分布。4.7使用GroupNorm时，若组数等于通道数，则退化为______Norm。4.8在语音合成VITS中，变分后验编码器将梅尔谱编码到______空间。4.9在模型剪枝中，magnitude-based方法按______绝对值排序。4.10在联邦学习FedProx中，近端项系数μ越大，表示对本地更新约束越______。5.简答题（每题5分，共20分）5.1简述Transformer中Multi-HeadAttention相比单头注意力的优势。5.2说明DiffusionModel与VAE在训练目标上的主要区别。5.3列举三种缓解推荐系统稀疏性的方法并简述原理。5.4解释为什么在自动驾驶感知任务中，多帧融合能提升小目标检测精度。6.计算题（共30分）6.1（8分）某卷积层输入张量尺寸为(N,C_in,H,W)=(8,64,128,128)，输出通道C_out=128，核大小3×3，分组数groups=32，求：(1)该层参数量；(2)若使用FP32，理论显存占用（仅参数，无缓存）。6.2（10分）在强化学习MDP中，状态空间S={s1,s2}，动作空间A={a1,a2}，折扣因子γ=0.9，转移与奖励如下：P(s1,a1)=s2,r=+5；P(s1,a2)=s1,r=+1；P(s2,a1)=s1,r=−1；P(s2,a2)=s2,r=+2。已知初始状态值V(s1)=0,V(s2)=0，使用Bellman方程迭代两次，求第二轮后的V(s1),V(s2)。6.3（12分）某扩散模型训练时使用线性噪声调度β_t从0.0001到0.02共1000步，即β_t=0.0001+0.0199·t/999。(1)求α_t表达式；(2)求ᾱ_t=∏_{i=1}^tα_i的近似表达式（提示：取对数后用积分近似）；(3)计算t=500时ᾱ_t的数值结果（保留4位小数）。7.综合设计题（共20分）7.1设计一个面向边缘设备的轻量级人脸识别系统，要求：(1)给出模型架构选型与压缩策略；(2)说明训练与部署阶段的数据流程；(3)评估指标与实验方案；(4)阐述隐私保护机制。（答题篇幅不少于300字，技术细节需具体。）———答案与解析———1.单选题1.1B 1.2A 1.3B 1.4C 1.5A 1.6D 1.7D 1.8B 1.9B 1.10A1.11B 1.12B 1.13B 1.14B 1.15A 1.16A 1.17B 1.18A 1.19B 1.20D1.21B 1.22C 1.23A 1.24D 1.25C 1.26C 1.27C 1.28A 1.29C 1.30A2.多选题2.1ABCD 2.2ABC 2.3ABCE 2.4ABCD 2.5ABCE2.6ABCD 2.7ABCD 2.8ABC 2.9ABD 2.10ABC3.判断题3.1√ 3.2×（应使用滑动平均） 3.3×（仅激活部分专家） 3.4√ 3.5×3.6×（学生可更深但更窄） 3.7√ 3.8√ 3.9√ 3.10√4.填空题4.156×56 解析：o=⌊(112+2×1−3)/2⌋+1=564.2√d_k 解析：防止softmax饱和4.3均匀随机 解析：experiencereplaybuffer4.4240 解析：120M×2byte=240MB4.5cosine 解析：归一化后点积即cosine4.6标准正态 解析：ε∼N(0,I)4.7Instance 解析：每组通道数=14.8隐变量（潜变量） 解析：VAE风格潜空间4.9权重 解析：|w|越小越可剪4.10强 解析：μ大则靠近全局模型5.简答题（要点示例）5.1多头允许模型联合关注不同子空间信息，增强表达能力，且可并行计算。5.2Diffusion目标为去噪分布匹配，VAE目标为ELBO；Diffusion隐变量与数据同维，VAE隐变量通常低维。5.3(1)矩阵分解补全缺失值；(2)多模态特征融合丰富信号；(3)图神经网络利用高阶邻居。5.4多帧提供时序上下文，增加有效像素，降低单帧噪声，提升信噪比，从而小目标更易被检出。6.计算题6.1(1)分组卷积参数量：groups=32，每组C_in/g=2输入通道，C_out/g=4