2026年人工智能导论考试题库

2026年人工智能导论考试题库一、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32×32，卷积核大小为5×5，步长为1，零填充为2，则该层输入特征图尺寸为A.28×28  B.30×30  C.32×32  D.34×342.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.注意力权重矩阵无需归一化D.多头注意力只能使用单一度量空间3.强化学习中，若策略π为ε-greedy，ε=0.1，状态s下Q(s,a₁)=0.8，Q(s,a₂)=0.9，则选择a₁的概率为A.0.05  B.0.45  C.0.5  D.0.954.在生成对抗网络中，若判别器D(x)恒等于0.5，则生成器损失函数log(1−D(G(z)))的梯度A.为0，无法更新  B.为1，稳定更新  C.为−1，反向更新  D.为∞，梯度爆炸5.下列哪项不是联邦学习的核心挑战A.设备异构性  B.隐私泄露  C.参数聚合延迟  D.集中式梯度泄露6.若某决策树使用信息增益率划分，已知某特征A有4个取值，数据集D中A的固有值IntrinsicInfo(D,A)=1.5，则该特征的信息增益率最大可能值为A.1.5  B.1  C.0.75  D.无法确定7.在BERT预训练中，MaskedLM任务掩码比例通常设置为A.5%  B.10%  C.15%  D.25%8.下列关于模型压缩技术中知识蒸馏的说法，错误的是A.教师模型输出软标签含温度参数TB.学生模型损失仅与硬标签交叉熵有关C.蒸馏损失通常使用KL散度D.温度T越大，软标签分布越平滑9.若某卷积神经网络使用GroupConvolution，groups=2，输入通道为64，输出通道为128，则每个group的卷积核通道数为A.32  B.64  C.128  D.25610.在AlphaGoZero中，蒙特卡洛树搜索的PUCT公式为A.U(s,a)=C_puct·P(s,a)·\frac{\sqrt{\sum_bN(s,b)}}{1+N(s,a)}B.U(s,a)=C_puct·P(s,a)·\frac{1+N(s,a)}{\sqrt{\sum_bN(s,b)}}C.U(s,a)=C_puct·\frac{P(s,a)}{1+N(s,a)}D.U(s,a)=C_puct·\frac{\sqrt{N(s,a)}}{P(s,a)}二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列属于无监督降维方法的有A.PCA  B.t-SNE  C.LDA  D.Autoencoder12.关于LSTM结构，正确的有A.输入门控制新信息进入细胞状态B.遗忘门决定丢弃哪些旧信息C.输出门直接输出隐藏状态，无需tanhD.细胞状态更新公式含遗忘门与输入门的交互13.在目标检测YOLOv3中，以下说法正确的有A.使用k-means聚类先验框B.多尺度预测在3个不同层进行C.损失函数仅含坐标误差D.使用逻辑回归预测目标置信度14.下列关于A搜索算法的描述，正确的有14.下列关于A搜索算法的描述，正确的有A.启发函数h(n)满足可容性时保证找到最优解B.若h(n)=0，退化为Dijkstra算法C.评估函数f(n)=g(n)+h(n)D.启发函数越接近真实代价，扩展节点越少15.在联邦学习FedAvg中，下列做法可缓解Non-IID数据带来的精度下降A.增加本地训练轮数B.使用梯度压缩C.客户端共享少量数据D.加入近端项正则化三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.梯度消失问题在ReLU激活函数中完全不存在。17.集成学习中，Bagging对不稳定基学习器效果更显著。18.图神经网络中，GCN的层数越深，节点表示一定越优。19.在VAE中，ELBO由重构项与KL散度项组成。20.模型剪枝中的权重剪枝属于结构化剪枝。21.使用BatchNormalization可允许使用更大学习率。22.A3C算法采用异步并行Actor-Learner框架。23.在DQN中，经验回放机制打破了样本间相关性。24.对比学习SimCLR仅使用负样本对，不使用正样本对。25.模型可解释性方法LIME通过局部线性近似解释黑盒模型。四、填空题（每空2分，共20分）26.若某全连接层输入向量x∈ℝ^{512}，输出维度256，则该层参数总量为________。27.在ResNet中，残差块当维度不匹配时使用________变换进行下采样。28.强化学习贝尔曼最优方程表示为Q(s,a)=________。28.强化学习贝尔曼最优方程表示为Q(s,a)=________。29.若某模型在测试集上准确率为95%，召回率为90%，则F1值为________。30.词嵌入Word2Vec中，Skip-gram模型使用________损失函数。31.在图卷积网络中，邻接矩阵自环增强表示为Â=________。32.若某GAN使用Wasserstein距离，判别器最后一层激活函数应去掉________。33.在模型量化中，将32位浮点权重量化为8位整数，其缩放因子s的计算公式为s=________。34.联邦学习安全聚合协议SecureAggregation基于________加密。35.对比学习MoCo使用________队列存储负样本特征。五、简答题（每题6分，共18分）36.描述Transformer位置编码的数学形式，并解释为何使用正弦-余弦函数而非直接学习绝对位置向量。37.阐述深度强化学习算法SAC（SoftActor-Critic）中温度系数α的作用及其自动调整策略。38.说明知识蒸馏中“中间层特征蒸馏”与“输出logits蒸馏”的差异，并给出各自损失函数形式。六、计算与推导题（共17分）39.（9分）给定二维数据集D={(x_i,y_i)}_{i=1}^4：(1,1),(1,2),(2,1),(2,2)类别标签分别为0,1,1,0。使用线性判别分析LDA求投影方向w，要求写出类内散度矩阵S_w、类间散度矩阵S_b，并给出广义特征值问题S_bw=λS_ww的解。40.（8分）某卷积层输入特征图尺寸为7×7×512，使用512个3×3卷积核，步长为1，零填充为1。（1）输出特征图尺寸为多少？（2）若采用深度可分离卷积（DepthwiseSeparableConvolution），计算理论加速比（乘法次数比）。（3）若使用8位量化，权重大小压缩比为多少？七、综合设计题（共20分）41.设计一个面向边缘设备的轻量级人脸识别系统，要求：（1）给出整体架构图（文字描述即可），包含前端采集、边缘推理、云端更新三模块；（2）说明模型选择理由，采用MobileFaceNet，并阐述其关键改进；（3）给出联邦学习训练流程，包含客户端选择、本地训练、梯度压缩、安全聚合；（4）分析在Non-IID数据下可能出现的性能下降，并提出两种改进策略；（5）给出模型更新触发机制，结合准确率漂移检测与差分隐私预算消耗。八、答案与解析一、单项选择题1.C 解析：输出尺寸=(输入尺寸−卷积核+2×填充)/步长+1，反推输入=32。2.B 解析：缩放点积注意力除以\sqrt{d_k}防止梯度消失。3.B 解析：ε-greedy下a₁概率=ε/|A|+(1−ε)·0=0.1/2=0.05，若最优为a₂，则a₁得ε/2=0.05，非最优动作共享剩余ε。4.A 解析：D(x)=0.5导致生成器损失梯度为0，无法更新。5.D 解析：联邦学习无集中式梯度。6.C 解析：信息增益率=信息增益/IntrinsicInfo≤1/1.5≈0.67，最大接近0.75。7.C 解析：BERT掩码比例15%。8.B 解析：学生损失同时含软标签蒸馏与硬标签交叉熵。9.A 解析：groups=2，每组输入通道32，卷积核通道数=32。10.A 解析：PUCT公式见AlphaGoZero论文。二、多项选择题11.ABD 12.ABD 13.ABD 14.ABCD 15.ACD三、判断题16.× 17.√ 18.× 19.√ 20.× 21.√ 22.√ 23.√ 24.× 25.√四、填空题26.131072 解析：512×256+256=131328，偏置256，总量131328，但通常不计偏置为131072，此处按权重计。27.1×1卷积28.r+\gamma\max_{a'}Q^(s',a')28.r+\gamma\max_{a'}Q^(s',a')29.0.926 解析：F1=2×0.95×0.9/(0.95+0.9)=0.92630.负采样噪声对比估计31.A+I32.Sigmoid33.\frac{w_{\max}-w_{\min}}{2^8-1}34.加法同态35.动量更新五、简答题（要点）36.位置编码PE_{(pos,2i)}=\sin(pos/10000^{2i/d}),PE_{(pos,2i+1)}=\cos(pos/10000^{2i/d})。正弦-余弦函数使任意两位置间存在确定线性变换，利于模型外推更长序列，而可学习向量对未见位置无泛化。37.α控制策略熵正则项权重，平衡探索与利用。自动调整通过最大化期望回报与熵之和，将α作为可训练参数，通过梯度上升优化对偶问题，目标含\alpha\mathcal{H}(\pi)项，引入拉格朗日乘子约束。38.中间层特征蒸馏：让学生网络某层特征F_S与教师对应层F_T通过线性映射对齐，损失\|WF_SF_T\|^2。输出logits蒸馏：使用带温度T的KL散度，\mathcal{L}_{KD}=T^2\cdot\text{KL}(\text{softmax}(z_T/T)\|\text{softmax}(z_S/T))。前者传递中间表示，后者传递暗知识。六、计算与推导题39.类均值：μ₀=(1.5,1.5),μ₁=(1.5,1.5)，S_b=0；投影方向任意，实际需引入正则化或PCA预处理，本题特殊，解w可取任意单位向量，λ=0。40.（1）输出尺寸=(7+2×1−3)/1+1=7，故7×7×512。（2）标准卷积乘法：7×7×3×3×512×512=115.7×10^6；深度可分离：Depthwise7×7×3×3×512=0.226×10^6，Pointwise7×7×512×512=13.2×10^6，合计13.4×10^6，加速比≈8.6。（3）32位→8位，压缩比=32/8=4。七、综合设计题（答案要点）（1）架构：前端摄像头→边缘ARM板运行MobileFaceNet→仅上传加密梯度→云端聚合→下发更新。（2）MobileFaceNet采用深度可分离卷积+GlobalD