人工智能工程师考核试卷及答案

人工智能工程师考核试卷及答案填空题（每题1分，共10分）1.神经网络中输入层与输出层之间的层称为______。2.ReLU激活函数在x>0时的导数为______。3.二分类交叉熵损失的简化形式为______（y为真实标签，p为预测概率）。4.TensorFlow的核心数据结构是______。5.决策树衡量不纯度的指标包括信息增益、增益率和______。6.强化学习中智能体从环境获得的反馈称为______。7.文本向量化的常用方法有Word2Vec和______。8.CNN中提取特征的基本单元是______。9.GAN由生成器和______两部分组成。10.机器学习数据集通常分为训练集、验证集和______。单项选择题（每题2分，共20分）1.属于无监督学习的算法是？A.线性回归B.K-meansC.逻辑回归D.决策树2.不属于深度学习框架的是？A.TensorFlowB.PyTorchC.Scikit-learnD.Keras3.Transformer的核心机制是？A.自注意力B.卷积注意力C.池化注意力D.循环注意力4.适合回归任务的损失函数是？A.交叉熵B.MSEC.对数损失D.Hinge损失5.大语言模型预训练任务不包括？A.MLMB.NSPC.图像分类D.CLM6.用于模型压缩的技术是？A.量化B.批归一化C.DropoutD.正则化7.Q-learning属于强化学习的______方法？A.基于价值B.基于策略C.Actor-CriticD.有模型8.经典目标检测算法是？A.ResNetB.YOLOC.BERTD.LSTM9.衡量分类模型的指标不包括？A.准确率B.召回率C.F1值D.均方误差10.词嵌入的维度通常是？A.固定整数（如100）B.任意实数C.文本长度D.模型层数多项选择题（每题2分，共20分）1.属于深度学习模型的有？A.CNNB.RNNC.逻辑回归D.Transformer2.AI应用场景包括？A.自动驾驶B.语音助手C.图像识别D.推荐系统3.过拟合的解决方法有？A.增加训练数据B.正则化C.简化模型D.早停4.属于激活函数的有？A.SigmoidB.TanhC.ReLUD.Softmax5.强化学习核心要素包括？A.智能体B.环境C.奖励D.状态转移6.大语言模型微调方法有？A.全参数微调B.LoRAC.QLoRAD.零样本学习7.计算机视觉任务包括？A.图像分类B.目标检测C.语义分割D.机器翻译8.属于无监督学习的算法有？A.K-meansB.PCAC.聚类D.决策树9.AI伦理关注的问题有？A.算法偏见B.数据隐私C.就业影响D.可解释性10.属于AI框架的有？A.TensorFlowB.PyTorchC.MXNetD.Scikit-learn判断题（每题2分，共20分）1.神经网络层数越多，性能一定越好。（）2.GAN中生成器与判别器交替训练。（）3.逻辑回归用于预测连续值。（）4.Transformer无循环结构，依赖自注意力。（）5.强化学习目标是最大化累计奖励。（）6.词嵌入将离散词转为连续向量。（）7.过拟合是训练集差、测试集好。（）8.ResNet残差连接解决梯度消失。（）9.大语言模型仅能处理文本。（）10.训练集用于评估泛化能力。（）简答题（每题5分，共20分）1.简述Transformer核心组成及作用。2.什么是过拟合？如何解决？3.简述CNN基本结构及各部分作用。4.强化学习与监督学习的核心区别是什么？讨论题（每题5分，共10分）1.讨论大语言模型企业落地的挑战及应对策略。2.讨论算法偏见的产生原因及解决方法。---答案填空题1.隐藏层2.13.-y·log(p)-(1-y)·log(1-p)4.张量5.基尼系数6.奖励7.BERT8.卷积核9.判别器10.测试集单项选择题1.B2.C3.A4.B5.C6.A7.A8.B9.D10.A多项选择题1.ABD2.ABCD3.ABCD4.ABCD5.ABCD6.ABC7.ABC8.ABC9.ABCD10.ABC判断题1.×2.√3.×4.√5.√6.√7.×8.√9.×10.×简答题1.Transformer核心是自注意力机制和编码器-解码器结构：编码器处理输入，含多层自注意力（捕捉序列长距离依赖）和前馈网络；解码器处理输出，含掩码自注意力（避免未来词）、交叉注意力（关联输入输出）及前馈网络。多头注意力并行计算，解决RNN串行与梯度消失问题。2.过拟合是模型训练集表现优、测试集差，因过度学习噪声。解决：①增训练数据；②正则化（L1/L2、Dropout）；③简化模型；④早停；⑤数据增强（图像翻转、文本替换）。3.CNN结构：①卷积层（卷积核提取局部特征）；②池化层（缩小尺寸、降维）；③全连接层（映射到输出）。利用局部相关性和权重共享减少参数，适合图像任务。4.区别：①数据：监督学习是标注数据，强化学习是交互序列；②目标：监督学习学输入输出映射，强化学习学最优策略；③反馈：监督学习即时标签，强化学习延迟奖励；④任务：监督学习分类回归，强化学习决策控制（游戏、自动驾驶）。讨论题1.挑战：①算力成本高；②垂直领域精度不足；③数据隐私；④可解释性差。应对：①模型压缩（量化、LoRA）降成本；②垂直微调（企业数据适配）；③联邦学习/隐私计算保隐私；④RAG（