2026年人工智能工程技术师试题及答案

2026年人工智能工程技术师试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在题后的括号内。）1.在深度学习的优化过程中，当学习率设置过大时，通常会导致以下哪种现象发生？（）A.梯度消失B.梯度爆炸C.权重更新过慢，收敛时间长D.模型陷入局部最优2.Transformer模型的核心机制是自注意力机制。在计算缩放点积注意力时，缩放因子的主要作用是（）。A.增加梯度的数值，防止梯度消失B.减少点积结果过大导致Softmax进入梯度极小的饱和区C.标准化向量的模长D.增加模型的非线性表达能力3.在卷积神经网络（CNN）中，假设输入图像大小为32×32，卷积核大小为A.30B.32C.34D.284.下列关于生成对抗网络（GAN）中生成器和判别器的描述，正确的是（）。A.生成器旨在最小化分类准确率，判别器旨在最大化分类准确率B.生成器旨在最大化判别器的损失，判别器旨在最小化自身的损失C.两者都旨在最小化同一个目标函数D.生成器和判器是独立训练的，互不影响5.在自然语言处理（NLP）任务中，BERT模型主要采用了哪种预训练任务？（）A.从左到右的语言建模B.掩码语言模型（MLM）和下一句预测（NSP）C.因果语言建模D.序列到序列的翻译任务6.下列哪个正则化方法在测试阶段通常不发挥作用，仅在训练阶段激活？（）A.L1正则化B.L2正则化C.DropoutD.早停法7.在目标检测算法YOLO（YouOnlyLookOnce）中，其核心思想是将目标检测任务转化为（）。A.图像分割任务B.回归问题C.分类问题D.序列生成问题8.主成分分析（PCA）是一种常用的降维技术。它通过以下哪种方式寻找新的特征空间？（）。A.最大化类间距离B.最小化重构误差B.D.最大化类内方差9.在强化学习中，Q-learning算法旨在估计（）。A.状态价值函数VB.动作价值函数QC.策略梯度∇D.优势函数A10.下列关于支持向量机（SVM）中核函数的说法，错误的是（）。A.核函数可以将低维非线性可分数据映射到高维空间B.核技巧不需要显式计算高维特征向量C.高斯核（RBF）对应的映射空间维数是有限的D.核函数必须满足Mercer条件11.在人工智能工程化部署中，模型量化技术的主要目的是（）。A.提高模型的预测精度B.减少模型存储空间和计算资源消耗C.增加模型的鲁棒性D.防止过拟合12.梯度提升决策树（GBDT）和随机森林都是集成学习方法，关于它们的主要区别，下列说法正确的是（）。A.GBDT是Bagging思想，随机森林是Boosting思想B.GBDT的树之间是串行生成且存在强依赖，随机森林的树之间是并行生成且相互独立C.GBDT只能用于分类，随机森林只能用于回归D.随机森林对异常值更敏感13.在深度学习中，批归一化通常应用于（）。A.激活函数之前B.激活函数之后C.损失函数计算之前D.输入数据归一化之前14.给定一个二分类问题，正例有50个，负例有50个。模型预测出45个正例（其中40个是真正的正例，5个是误报），55个负例（其中45个是真正的负例，10个是漏报）。该模型的准确率为（）。A.0.80B.0.85C.0.90D.0.7515.下列哪个指标主要用于评估信息检索或分类系统中排序质量，而不仅仅关注分类结果的对错？（）。A.AccuracyB.PrecisionC.F1-ScoreD.NDCG(NormalizedDiscountedCumulativeGain)16.在图神经网络（GNN）的消息传递机制中，节点的特征更新通常依赖于（）。A.仅节点自身的初始特征B.仅邻居节点的初始特征C.节点自身的特征、邻居节点的特征以及边的特征D.全局图的特征17.人工智能伦理中，“算法偏见”主要源于（）。A.算法代码的逻辑错误B.训练数据中存在的历史社会偏见或不平衡C.计算机硬件的浮点数精度限制D.神经网络的非线性激活函数18.在循环神经网络（RNN）中，为了解决长距离依赖问题，LSTM引入了门控机制。以下哪个门负责决定遗忘多少细胞状态的信息？（）。A.输入门B.遗忘门C.输出门D.候选细胞门19.下列关于K-Means聚类算法的描述，正确的是（）。A.K-Means对初始中心点的选择不敏感B.K-Means一定能找到全局最优解C.K-Means只能处理球状簇分布的数据D.K-Means不需要预先指定聚类数量K20.在MLOps（机器学习运维）实践中，CI/CD流水线中的“CD”通常指的是（）。A.ContinuousDesignB.ContinuousDeploymentC.ContinuousDataD.ContinuousDebugging二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在题后的括号内。多选、少选、错选均不得分。）21.深度学习中的梯度消失问题通常与哪些因素有关？（）A.使用了Sigmoid或Tanh等饱和激活函数B.网络层数过深C.初始化权重过大D.学习率过小E.使用了ReLU激活函数22.下列哪些属于数据增强的常用技术？（）A.随机旋转A.旋转B.随机裁剪C.Mixup（混合两张图和标签）D.主成分分析（PCA）E.特征缩放23.Transformer模型相比于传统的RNN模型，具有哪些优势？（）A.能够并行计算，训练效率高B.对长序列数据的捕捉能力更强C.模型参数量更小D.具有更强的位置感知能力（通过位置编码）E.不引入任何归纳偏置24.在评估回归模型时，常用的损失函数或评价指标包括哪些？（）A.均方误差（MSE）B.交叉熵损失C.平均绝对误差（MAE）D.（决定系数）E.对数损失25.常用的卷积神经网络架构包括哪些？（）A.ResNetB.VGGC.InceptionD.AlexNetE.Word2Vec26.下列关于深度学习框架的描述，正确的有？（）A.PyTorch支持动态计算图，调试更为方便B.TensorFlow主要使用静态计算图，部署性能通常较好C.Keras是一个高级神经网络API，可以运行在TensorFlow之上D.Caffe主要用于计算机视觉任务，但在灵活性上不如PyTorchE.所有的深度学习框架都只支持CPU计算27.异常检测的常用算法包括哪些？（）A.孤立森林B.One-ClassSVMC.自编码器D.K-MeansE.逻辑回归28.在构建推荐系统时，常见的推荐策略有哪些？（）A.基于内容的推荐B.协同过滤C.混度推荐D.知识图谱推荐E.随机推荐29.导致机器学习模型过拟合的原因包括哪些？（）A.模型复杂度过高B.训练数据量过少C.训练数据中噪声过多D.训练时间过长E.模型迭代次数不足30.在大语言模型（LLM）的推理优化中，常用的技术包括哪些？（）A.KVCacheB.FlashAttentionC.量化D.蒸馏E.增加模型层数三、填空题（本大题共10小题，每小题2分，共20分。请将答案填在题中的横线上。）31.在信息论中，熵是衡量不确定性的指标。对于一个二分类随机变量，若概率p=32.在反向传播算法中，根据链式法则，权重的更新量取决于损失函数对权重的\_\_\_\_\_\_。33.在CNN的池化层中，最大池化不仅起到了降维的作用，还引入了一定程度的\_\_\_\_\_\_。34.残差网络（ResNet）通过引入\_\_\_\_\_\_结构，有效地解决了深层网络训练中的退化问题，使得训练极深的网络成为可能。35.在非监督学习中，\_\_\_\_\_\_算法通过将数据映射到低维流形上，同时保持局部邻域结构，常用于数据可视化。36.AlphaGoZero算法主要结合了\_\_\_\_\_\_和蒙特卡洛树搜索（MCTS），并在自我对弈中不断优化策略。37.在目标检测中，mAP（meanAveragePrecision）是衡量模型性能的重要指标，它是所有类别的\_\_\_\_\_\_的平均值。38.2026年主流的LLM架构通常采用\_\_\_\_\_\_的注意力机制变体，以减少计算复杂度从O()降至39.在联邦学习中，为了保护用户隐私，数据不出本地，参与方仅交换\_\_\_\_\_\_或梯度信息。40.结构风险最小化（SRM）原则是在经验风险和\_\_\_\_\_\_之间寻求平衡，是统计学习理论的核心。四、简答题（本大题共5小题，每小题8分，共40分。）41.简述Softmax回归与逻辑回归的区别与联系。42.解释卷积神经网络中的“感受野”概念，并说明如何增大感受野。43.在深度学习中，Fine-tuning（微调）预训练模型是一种常用策略。请简述在进行Fine-tuning时，通常采用的学习率设置策略及其原因。44.简述梯度下降法的三种主要形式（批量梯度下降BGD、随机梯度下降SGD、小批量梯度下降Mini-batchGD）的优缺点。45.什么是A/B测试？在人工智能工程落地中，A/B测试的主要作用是什么？五、应用题（本大题共4小题，共70分。）46.（15分）计算与推导：假设我们有一个简单的二分类神经网络，包含一个输入层（2个节点,），一个隐藏层（1个节点，使用Sigmoid激活函数），和一个输出层（1个节点，使用Sigmoid激活函数）。网络参数如下：输入到隐藏层的权重=0.5,=隐藏到输出层的权重=1.0，偏置=损失函数使用均方误差（MSE）：L=给定输入样本x=[1(1)请计算前向传播过程，求出输出和损失L。（5分）(2)请推导并计算损失函数L对权重的梯度。（10分）(注：Sigmoid导数公式为(x47.（15分）模型分析：现有一个数据集包含1000个样本，其中正样本100个，负样本900个。训练了一个二分类模型，预测结果如下：真正例（TP）：80个假正例（FP）：50个假反例（FN）：20个真反例（TN）：850个(1)请计算该模型的准确率、精确率、召回率和F1值（保留两位小数）。（8分）(2)分析该模型在当前数据集上的表现，指出可能存在的问题（如数据不平衡影响），并提出至少两种改进策略。（7分）48.（20分）系统设计：某电商平台需要设计一个实时商品推荐系统。该系统拥有海量的用户行为数据（点击、购买、加购等）和商品属性数据。(1)请画出该推荐系统的整体架构图，并描述数据流过程。（10分）(2)针对实时性要求，你会选择哪种推荐算法或架构？（如双塔模型、Item-basedCF、序列化推荐等）。请说明理由，并解释如何利用特征工程处理用户的历史行为序列。（10分）49.（20分）综合案例分析：在自动驾驶领域，激光雷达点云的目标检测是关键技术。PointPillars是一种基于点云的快速检测网络。(1)简述PointPillars将3D点云数据转换为伪图像的具体步骤。（8分）(2)相比于VoxelNet，PointPillars在计算效率上做了哪些优化？（6分）(3)在自动驾驶工程落地中，除了检测精度，还需要考虑哪些工程化指标？请列举至少三个并简要说明。（6分）参考答案与解析一、单项选择题1.B解析：学习率过大，参数更新步长过大，可能导致损失函数震荡甚至发散，即梯度爆炸现象。2.B解析：当很大时，点积结果很大，Softmax会进入梯度极小的饱和区，缩放因子用于缓解此问题。3.B解析：输出尺寸公式为⌊⌋+14.B解析：GAN是一个极小极大博弈，生成器希望判别器无法区分（最大化判别器损失或最小化1−D），判别器希望区分正确（最大化5.B解析：BERT采用掩码语言模型（MLM）和下一句预测（NSP）进行预训练。6.C解析：Dropout在训练时随机丢弃神经元，测试时使用所有神经元但权重需缩放（或反向缩放）。7.B解析：YOLO将检测框回归问题（坐标、宽高、类别置信度）转化为单一的回归问题，直接在输出层预测边界框。8.B解析：PCA通过投影向量，使得数据点在投影方向上的方差最大（等价于最小化重构误差）。9.B解析：Q-learning是异策略时序差分算法，直接学习动作价值函数Q(10.C解析：高斯核（RBF）对应的映射空间是无穷维的，不是有限的。11.B解析：量化将32位浮点数转换为低精度（如INT8），主要目的是压缩模型体积、加速推理。12.B解析：GBDT基于Boosting（串行，关注残差），随机森林基于Bagging（并行，投票/平均）。13.B解析：通常做法是：Linear->BatchNorm->Activation->Dropout。14.B解析：Accuracy=(TP+TN)/Total=(40+45)/100=0.85。15.D解析：NDCG考虑了推荐列表的排序位置，对相关性排序质量敏感，常用于搜索和推荐排序评估。16.C解析：GNN通过聚合邻居信息来更新中心节点，通常涉及自身特征、邻居特征及边特征。17.B解析：算法偏见主要源于训练数据中包含的人类历史偏见，模型会学习并放大这些偏见。18.B解析：遗忘门控制细胞状态中有多少信息保留到。19.C解析：K-Means假设簇是凸形的，基于欧氏距离，适合处理球状簇；对初始中心敏感。20.B解析：在MLOps中，CD指ContinuousDeployment或ContinuousDelivery，即持续部署/交付。二、多项选择题21.ABC解析：深层网络、Sigmoid/Tanh激活、不当的初始化（尤其是过小导致反向传播连乘）都易导致梯度消失。ReLU旨在解决此问题。22.ABC解析：旋转、裁剪、Mixup都是图像增强手段。PCA是降维算法，特征缩放是预处理。23.ABD解析：Transformer并行计算、长距离依赖好、位置编码提供位置信息。但参数量通常很大，且引入了归纳偏弱（相比CNN）。24.ACD解析：MSE、MAE、是回归指标。交叉熵和对数损失用于分类。25.ABCD解析：ResNet,VGG,Inception,AlexNet均为经典CNN架构。Word2Vec是NLP词向量模型。26.ABCD解析：PyTorch动态图，TF静态图，Keras高层API，Caffe经典CV框架。现代框架都支持GPU。27.ABC解析：孤立森林、One-ClassSVM、自编码器（重构误差大视为异常）均为异常检测算法。K-Means是聚类，逻辑回归是分类。28.ABCD解析：基于内容、协同过滤、混合、知识图谱推荐都是主流策略。随机推荐不算策略。29.ABC解析：模型太复杂、数据太少、噪声过多都会导致过拟合。训练时间长不一定导致过拟合（如有早停），迭代不足导致欠拟合。30.ABCD解析：KVCache缓存键值对加速生成，FlashAttention优化IO和显存，量化和蒸馏是模型压缩加速技术。增加层数会降低推理速度。三、填空题31.1解析：H(32.梯度（导数）33.平移不变性（或局部不变性）34.残差连接（或跳跃连接）35.t-SNE（或LLE/Isomap）36.深度强化学习（或深度神经网络/策略网络）37.平均精度38.线性注意力（LinearAttention）或FlashAttention（注：此处指代降低复杂度的技术，LinearAttention在理论上是O(39.模型参数（或模型更新/梯度）40.模型复杂度（或置信范围/VC维）四、简答题41.答案：联系：逻辑回归是Softmax回归在二分类问题下的特例。Softmax回归是逻辑回归在多分类问题上的推广。区别：(1)应用场景：逻辑回归用于二分类；Softmax回归用于多分类。(2)输出层：逻辑回归使用Sigmoid函数将输出映射到[0,1]区间，表示正类的概率；Softmax回归使用Softmax函数将输出映射为概率分布，所有类别的概率和为1。(3)参数：逻辑回归通常有一组权重对应一个输出节点（或两个）；Softmax回归有K组权重对应K个输出节点（K为类别数）。42.答案：感受野：在卷积神经网络中，感受野是指特征图上的某个元素能看到原始输入图像的区域大小。即该元素对应的输出受输入图像中哪些区域像素值的影响。增大感受野的方法：(1)堆叠卷积层：随着网络深度的增加，感受野会线性或指数级增大。(2)使用池化层：池化层（如MaxPooling）可以下采样，增大后续层的感受野。(3)增大卷积核尺寸：使用更大的卷积核（如7×(4)使用空洞卷积：在卷积核的元素之间插入空洞，可以在不增加参数量的情况下扩大感受野。(5)使用步长：增大卷积步长也可以增大感受野。43.答案：策略：在Fine-tuning时，通常采用分层学习率或较小的全局学习率。原因：(1)预训练权重：预训练模型已经学到了通用的特征提取能力，其权重参数已经处于一个较好的局部极值附近。如果使用较大的学习率，可能会破坏这些已经学到的有效特征，导致模型性能崩塌。(2)随机初始化层：对于新添加的输出层（通常是随机初始化的），需要较大的学习率来快速适应新的特定任务数据。因此，工程实践中常对底层网络设置较小的学习率（如1e−444.答案：(1)批量梯度下降（BGD）：优点：每次更新利用所有数据，梯度估计准确，收敛轨迹平滑，易收敛到全局最优（针对凸问题）。缺点：速度慢，每次迭代计算量大，无法处理海量数据（内存限制）。(2)随机梯度下降（SGD）：优点：每次更新利用一个样本，计算速度快，可在线学习，跳出局部最优的能力较强。缺点：梯度估计噪声大，收敛轨迹震荡，难以稳定收敛到极值，无法利用向量化加速。(3)小批量梯度下降：优点：结合了BGD和SGD的优点，利用矩阵运算加速，降低了梯度的方差，收敛更稳定，是深度学习最常用的方法。缺点：需要调节超参数batchsize。45.答案：定义：A/B测试是一种对比实验方法。它将用户随机分为两组（或多组），一组使用当前版本（对照组，A组），另一组使用新版本（实验组，B组）。在一段时间内，对比两组的关键指标（如点击率、转化率、停留时长），以判断新版本是否显著优于旧版本。在AI工程落地中的作用：(1)验证模型效果：离线测试指标高并不代表线上效果好，A/B测试是验证新模型真实业务价值的金标准。(2)降低风险：通过小流量灰度测试，避免新模型Bug或性能下降直接影响到所有用户。(3)决策依据：提供量化数据支持，帮助产品经理和工程师决定是否全量发布新模型。五、应用题46.答案：(1)前向传播：隐藏层输入：=隐藏层输出：=输出层输入：=输出层输出：=损失：L(2)梯度计算：链式法则：各项计算：==综上：47.答案：(1)指标计算：准确率A精确率P召回率RF1值F(2)分析与策略：分析：数据集中正负样本比例为1:9，属于严重的不平衡数据。虽然准确率高达93%，但这主要是因为模型倾向于预测负类（TN占了大部分）。对于正类（少数类），召回率80%尚可，但精确率61.5%较低，说明模型在预测正类时误报较多（FP=50）。如果业务场景对正类的识别准确性要求高（如欺诈检测），当前模型虽然整体Accuracy高，但可能并不满足需求，因为高准确率掩盖了对少数类预测的不足。改进策略：1.数据层面：使用过采样（如SMOTE）增加正类样本，或欠采样减少负类样本，平衡数据集。2.算法层面：在计算损失函数时，对正类样本赋予更高的权重（ClassWeight），使得模型更关注少数类。3.阈值调整：不使用默认的0.5阈值，根据PR曲线或业务需求调整分类阈值，以平衡Precision和Recall。4.评价指标：模型评估不应只看Accuracy，应主要关注F1-score、AUC值或PR曲线下面积。48.答案：(1)系统架构与数据流：架构通常包含：数据层：埋点日志收集、数据清洗、特征存储。召回层：多路召回（协同过滤、向量检索），从百万级商品中筛选出几百个候选集。排序层：精排模型（如DeepFM、DIN），对候选集打分排序。重排层：业务规则干预（去重、打散、加权）。在线服务：接口服务，实时返回推荐结果。数据流：用户产生行为→实时消息队列→特征流式更新→用户请求→召回→排序→重排→结果展示。(2)算法选择与特征工程：算法选择：推荐使用基于深度学习的召回+精排架构，如双塔模型用于向量检索召回，结合DIN（DeepInterestNetwork）或DIEN进行精排。理由：双塔模型可以将User和Item映射到同一向量空间，利用FAISS等