深度学习视觉算法工程师岗位招聘考试试卷及答案

深度学习视觉算法工程师岗位招聘考试试卷及答案试题部分一、填空题（共10题，每题1分）1.卷积神经网络（CNN）提取特征的核心层是______层。2.ReLU激活函数在x≥0时的表达式为______。3.目标检测精度的关键指标是______（平均精度均值）。4.主流深度学习框架除TensorFlow外，还有______。5.U-Net语义分割网络的核心是______连接。6.GAN由生成器和______两部分组成。7.Adam优化器的核心参数包括学习率和______。8.自注意力机制计算______之间的相关性。9.ImageNet数据集约含______万张图像。10.YOLO等单阶段目标检测的特点是______（无需候选区域）。二、单项选择题（共10题，每题2分）1.易导致梯度消失的激活函数是：A.ReLUB.SigmoidC.LeakyReLUD.ELU2.池化层的作用不包括：A.降维B.保留关键特征C.增加参数D.减少计算量3.两阶段目标检测算法是：A.YOLOv5B.FasterR-CNNC.SSDD.RetinaNet4.语义分割常用损失函数是：A.交叉熵B.MSEC.MAED.Hinge5.支持动态计算图的框架是：A.TensorFlow1.xB.PyTorchC.CaffeD.MXNet（旧版）6.BatchNorm的作用不包括：A.加速收敛B.减少过拟合C.避免梯度消失D.增加复杂度7.自注意力中Q、K、V的维度关系是：A.Q=K≠VB.Q=V≠KC.Q=K=VD.无固定关系8.GAN生成器的目标是：A.区分真假样本B.生成相似样本C.最小化损失D.最大化判别器损失9.不属于图像分类数据增强的是：A.随机裁剪B.翻转C.高斯模糊D.改变通道数10.Transformer在视觉中的应用是：A.ViTB.ResNetC.DenseNetD.U-Net三、多项选择题（共10题，每题2分，多选少选不得分）1.CNN的核心优势：A.局部感受野B.参数共享C.平移不变性D.全局感受野2.常用激活函数：A.SigmoidB.ReLUC.TanhD.Softmax3.目标检测评价指标：A.mAPB.IoUC.PrecisionD.Recall4.语义分割方法：A.U-NetB.FCNC.MaskR-CNND.YOLOv55.深度学习框架特性：A.自动求导B.分布式训练C.部署工具D.手动更新参数6.自适应优化器：A.AdamB.RMSPropC.SGDD.Adagrad7.注意力机制类型：A.自注意力B.交叉注意力C.空间注意力D.通道注意力8.GAN变体：A.DCGANB.CycleGANC.StyleGAND.ResNet9.图像预处理步骤：A.归一化B.ResizeC.去均值D.随机翻转10.视觉任务类型：A.图像分类B.目标检测C.语义分割D.自然语言处理四、判断题（共10题，每题2分，√/×）1.ReLU在x<0时梯度为0，不导致梯度消失。（）2.池化层无训练参数，仅下采样。（）3.FasterR-CNN是单阶段算法，无需RPN。（）4.BatchNorm推理时用训练均值/方差。（）5.Softmax用于多分类输出层。（）6.GAN生成器与判别器目标相反，交替优化。（）7.ViT无需卷积，仅用自注意力。（）8.MSE常用于分类，不用于回归。（）9.IoU=预测框与真实框交集/并集。（）10.语义分割需对每个像素分类。（）五、简答题（共4题，每题5分）1.简述卷积层在CNN中的核心作用。2.对比两阶段（FasterR-CNN）与单阶段（YOLO）目标检测的区别。3.解释BatchNorm的原理及训练作用。4.说明ViT的基本结构及与CNN的核心差异。六、讨论题（共2题，每题5分）1.若目标检测模型推理速度慢，从哪些方面优化？2.低算力设备（手机）部署视觉模型需考虑哪些关键因素？答案部分一、填空题答案1.卷积2.f(x)=x3.mAP4.PyTorch5.跳跃6.判别器7.动量（β1/β2）8.序列元素（特征向量）9.1400（140万）10.端到端检测（无需候选区域）二、单项选择题答案1.B2.C3.B4.A5.B6.D7.C8.B9.D10.A三、多项选择题答案1.ABC2.ABCD3.ABCD4.ABC5.ABC6.ABD7.ABCD8.ABC9.ABC10.ABC四、判断题答案1.√2.√3.×4.√5.√6.√7.√8.×9.√10.√五、简答题答案1.卷积层作用：通过局部感受野提取图像局部特征（边缘、纹理）；参数共享减少计算量；堆叠卷积层构建层次化特征（浅层边缘→深层语义），为后续任务提供有效输入。2.两阶段vs单阶段：两阶段（FasterR-CNN）先通过RPN生成候选区域，再分类回归，精度高但速度慢；单阶段（YOLO）直接预测类别/位置，无需候选区域，速度快但精度略低。3.BatchNorm原理：对batch特征图归一化（减均值、除方差），再用可学习参数缩放平移；作用：加速收敛（减少内部协变量偏移）、缓解梯度消失、减少过拟合、支持大学习率。4.ViT结构：图像分割为patch→嵌入→Transformer编码器（自注意力+MLP）→分类头；差异：ViT无卷积，用自注意力捕捉全局依赖；CNN依赖局部感受野，ViT大样本下效果更优，CNN小样本泛化性好。六、讨论题答案1.推理速度优化：①模型轻量化（MobileNet/剪枝）；②推理优化（量化INT8、蒸馏、TensorRT加速）；③硬件适配（GPU并行、NPU加速）；④数据层面（降低输入分辨率，平衡精度）。2.低算力部署关键：①模型轻量化（