2026年人工智能练习题及答案

2026年人工智能练习题及答案第一部分：单项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在人工智能的发展历程中，哪一事件被普遍认为是深度学习复兴的起点？A.1956年达特茅斯会议召开B.1986年Hinton等人提出反向传播算法C.2006年Hinton提出深度置信网络（DBN）D.2012年AlexNet在ImageNet竞赛中夺冠2.在搜索策略中，A算法的估价函数f(n)=g(nA.h(n)必须大于等于实际代价n)B.h(n)必须小于等于实际代价n)C.h(D.h(3.下列关于决策树算法的描述中，错误的是？A.ID3算法使用信息增益作为分裂属性的选择标准B.C4.5算法使用信息增益率作为分裂属性的选择标准，解决了ID3偏向取值较多属性的问题C.CART算法既可用于分类，也可用于回归D.决策树模型不需要进行剪枝处理，因为树越深拟合效果越好4.在支持向量机（SVM）中，核函数的主要作用是？A.增加样本的数量B.将低维空间的非线性问题映射到高维空间转化为线性问题C.减少特征空间的维度D.加速模型的训练过程5.下列哪个激活函数在深度神经网络中最容易导致梯度消失问题？A.ReLU(RectifiedLinearUnit)B.LeakyReLUC.SigmoidD.ELU(ExponentialLinearUnit)6.在卷积神经网络（CNN）中，池化层的主要作用不包括？A.降低特征图的维度，减少计算量B.引入一定的平移不变性C.防止过拟合D.提取非线性特征7.在循环神经网络（RNN）中，为了解决长序列训练时的梯度消失或梯度爆炸问题，通常采用哪种改进结构？A.LSTM(长短期记忆网络)B.CNN(卷积神经网络)C.GAN(生成对抗网络)D.Autoencoder(自编码器)8.下列关于K-均值聚类算法的描述，正确的是？A.K-均值算法对初始聚类中心的选择不敏感B.K-均值算法一定能收敛到全局最优解C.K-均值算法的目标函数是最小化类内距离D.K-均值算法只能处理数值型数据，无法处理分类型数据9.在评估分类模型时，如果正负样本极度不平衡，下列哪个指标最能客观反映模型性能？A.准确率B.精确率C.召回率D.F1-Score10.Transformer模型中引入的“自注意力机制”计算公式为AtteA.增加计算的数值稳定性，防止梯度消失B.加速矩阵乘法运算C.增加模型参数量D.使得注意力权重分布更加平滑11.在强化学习中，Q-learning算法是基于什么来更新Q值的？A.策略梯度B.价值迭代C.贝尔曼最优方程D.蒙特卡洛采样12.下列哪种正则化方法在训练过程中以一定概率随机丢弃神经元的输出？A.L1正则化B.L2正则化C.DropoutD.EarlyStopping13.主成分分析（PCA）是一种常用的降维技术，其核心思想是？A.最大化类间距离B.最大化投影后方差C.最小化重构误差D.最大化样本熵14.在生成对抗网络（GAN）中，生成器和判别器的训练目标分别是？A.生成器最小化损失，判别器最小化损失B.生成器最小化损失，判别器最大化损失C.生成器最大化损失，判别器最小化损失D.生成器最大化损失，判别器最大化损失15.关于BERT模型，下列说法错误的是？A.BERT采用了Transformer的Encoder结构B.BERT是双向的深度学习模型C.BERT在预训练阶段使用了MaskedLanguageModel和NextSentencePrediction任务D.BERT只能用于文本生成任务，不能用于文本分类16.在贝叶斯分类器中，朴素贝叶斯算法做出了什么“朴素”假设？A.所有特征之间相互独立B.所有样本属于同一类别C.所有特征服从正态分布D.所有类别先验概率相同17.下列关于AlphaGo算法的描述，不正确的是？A.结合了蒙特卡洛树搜索（MCTS）和深度神经网络B.使用了策略网络和价值网络C.仅依靠人类专家的棋谱进行监督学习即可达到超人类水平D.通过自我对弈进行强化学习18.在深度学习中，常用的优化器Adam结合了哪两种算法的优点？A.SGD和MomentumB.Momentum和RMSPropC.Adagrad和RMSPropD.SGD和Adagrad19.集成学习方法Bagging的核心思想是？A.构建多个强分类器，通过加权投票组合B.通过有放回抽样训练多个基学习器，通过平均或投票组合C.串行训练基学习器，关注前序分类器错误的样本D.仅使用一个基学习器进行多次训练20.在异常检测中，孤立森林算法的基本原理是？A.基于距离判断，远离密度中心的点为异常B.基于密度判断，密度低的区域点为异常C.异常点容易被孤立，通常路径较短D.异常点在特征空间中呈线性分布第二部分：多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有二至四项是符合题目要求的。多选、少选、错选均不得分）21.人工智能的主要学派包括哪些？A.符号主义B.连接主义C.行为主义D.逻辑主义22.下列哪些属于启发式搜索算法？A.A算法A.A算法B.模拟退火算法C.广度优先搜索D.遗传算法23.深度学习中解决过拟合问题的常用方法有？A.增加训练数据量B.使用数据增强C.减小模型复杂度（如减少层数、神经元数）D.增大学习率24.卷积神经网络中常见的卷积核操作类型包括？A.1x1卷积B.3x3卷积C.转置卷积D.空洞卷积25.自然语言处理（NLP）中的预训练模型包括？A.BERTB.GPT系列C.Word2VecD.ResNet26.下列哪些损失函数常用于回归任务？A.均方误差B.交叉熵损失C.平均绝对误差D.HingeLoss27.强化学习的基本要素包括？A.智能体B.环境C.奖励D.状态和动作28.下列关于梯度下降算法的描述，正确的有？A.批量梯度下降每次迭代使用所有样本更新参数B.随机梯度下降每次迭代使用一个样本更新参数C.小批量梯度下降是BGD和SGD的折中D.SGD的收敛轨迹通常比BGD更平滑，但震荡更小29.机器学习任务按照学习方式可分为？A.监督学习B.无监督学习C.半监督学习D.强化学习30.图像语义分割中常用的网络结构包括？A.FCN(全卷积网络)B.U-NetC.MaskR-CNND.VGG第三部分：填空题（本大题共15空，每空2分，共30分）31.信息论中，熵的计算公式为H(32.在逻辑回归中，Sigmoid函数将线性回归的输出映射到________区间，表示样本属于正类的概率。33.在深度学习中，常用的权重初始化方法Xavier初始化主要针对________激活函数设计，而He初始化主要针对ReLU类激活函数设计。34.卷积神经网络中，假设输入图像大小为32×32，使用35.在自然语言处理中，TF-IDF用于评估一个词对于一个文件集或一个语料库中的其中一份文件的重要程度，其中TF代表词频，IDF代表________。36.LDA（LatentDirichletAllocation）是一种常用的________模型，用于发现文档集合中的潜在主题。37.在BP神经网络中，权重的更新量Δw与学习率η和误差关于权重的导数之间的关系是Δw38.支持向量机中，软间隔引入了松弛变量，其目的是允许部分样本被错误分类，以换取更好的________能力。39.在非监督学习中，________算法通过将数据点映射到低维流形上来保留数据的局部邻域结构。40.强化学习中，智能体的目标是最大化累积折扣奖励，其数学表达式通常表示为=，其中γ是________因子。41.Transformer模型中，除了多头注意力机制外，还引入了________机制来加速训练并提供位置信息。42.在目标检测任务中，mAP（meanAveragePrecision）是衡量模型性能的重要指标，其中AP代表________。43.AlphaZero相比AlphaGo，主要的改进在于它不再使用________数据，完全通过自我对弈从零开始学习。44.在知识图谱中，三元组是基本的知识表示单位，通常表示为（头实体，________，尾实体）。45.迁移学习中，当源域和目标域任务相同但数据分布不同时，这种迁移学习被称为________迁移。第四部分：简答题（本大题共5小题，每小题6分，共30分）46.简述梯度消失问题产生的原因及其主要解决方案。47.请对比监督学习、无监督学习和半监督学习的区别，并各举一个典型算法。48.简述卷积神经网络中卷积层、池化层和全连接层的作用。49.解释什么是过拟合，以及如何判断模型是否出现了过拟合。50.简述Transformer模型相比传统RNN模型的主要优势。第五部分：计算与分析题（本大题共3小题，共40分）51.（本题12分）已知训练数据集包含3个样本，特征为x，标签为y：D=假设我们使用逻辑回归模型，模型为(x初始参数=0,=(1)写出逻辑回归的损失函数（交叉熵损失）。(2)请计算仅对第一个样本(,)=(1(3)（选做/附加）若使用该模型预测x=52.（本题13分）现有一组数据，包含两个特征A和B，以及目标标签PlA(天气)B(温度)Play晴高否晴高否阴高是雨高是雨正常是雨正常否阴正常是晴高否晴正常是雨正常是晴正常是阴正常是阴高是雨高否(1)计算数据集的熵H((2)计算特征A（天气）对数据集的信息增益Ga(3)根据信息增益，若作为根节点，应该选择特征A还是特征B？（需计算Ga53.（本题15分）在A搜索算法中，设八数码问题的初始状态和目标状态如下：53.（本题15分）在A搜索算法中，设八数码问题的初始状态和目标状态如下：初始状态:283164705(0表示空格)目标状态:123804765定义启发式函数h((1)计算初始状态的启发式函数值h()(2)画出从开始的前两步搜索树（假设空格移动代价为1，仅考虑空格向上、下、左、右移动且不越界）。(3)计算第一步扩展出的子节点的f(第六部分：综合应用题（本大题共1小题，共20分）54.随着大语言模型（LLM）的爆发，RAG（检索增强生成）技术被广泛应用。假设你是一家科技公司的AI架构师，需要为公司内部的知识库问答系统设计一个基于RAG的解决方案。(1)请画出RAG系统的基本架构流程图，并用文字描述其主要模块。(2)在检索阶段，如何提高检索的相关性以减少大模型的“幻觉”现象？请列举至少三种技术手段。(3)在生成阶段，如果检索到的文档片段很长，超过了大模型的上下文窗口限制，你会如何处理？(4)除了RAG，还有哪些方法可以缓解大语言模型在垂直领域知识不足的问题？请简要说明。参考答案及详细解析第一部分：单项选择题1.【答案】D【解析】2012年，Hinton的学生AlexKrizhevsky提出的AlexNet在ImageNet图像分类竞赛中以大幅优势夺冠，标志着深度学习在计算机视觉领域的突破，引发了深度学习的复兴热潮。虽然2006年Hinton提出深度置信网络是深度学习概念的早期突破，但2012年是实际工业界和学术界广泛认可的复兴爆发点。2.【答案】B【解析】A算法的可采纳性条件要求启发式函数h(n)是可采纳的，即h(n)永远不会超过从节点3.【答案】D【解析】决策树如果不进行剪枝，容易生长得过于深，导致模型学习到训练数据中的噪声，从而产生过拟合现象。因此，剪枝（预剪枝或后剪枝）是决策树算法中的重要步骤。4.【答案】B【解析】核函数技巧通过映射ϕ(x)5.【答案】C【解析】Sigmoid函数的导数在两端趋近于0，当网络层数很深时，反向传播的梯度连乘后迅速趋近于0，导致梯度消失。ReLU在正区间的导数恒为1，能有效缓解此问题。6.【答案】D【解析】提取非线性特征主要是激活函数的作用。池化层的主要作用是下采样，减小特征图尺寸，减少参数量和计算量，并引入一定程度的平移、旋转不变性。7.【答案】A【解析】LSTM通过引入门控机制（输入门、遗忘门、输出门）和细胞状态，有效解决了长序列训练中的梯度消失和梯度爆炸问题。8.【答案】C【解析】K-均值算法的目标是最小化簇内平方误差和（SSE），即最小化类内距离。它对初始中心敏感，且通常收敛到局部最优解。9.【答案】D【解析】在样本不平衡时，Accuracy可能具有欺骗性（如全预测为多数类，准确率仍很高）。F1-Score是精确率和召回率的调和平均，能综合反映模型在少数类上的表现。10.【答案】A【解析】当很大时，点积结果会很大，导致Softmax进入梯度极小的饱和区。除以缩放点积，使数值更稳定，防止梯度消失。11.【答案】C12.【答案】C**【解析】Dropout是正则化技术，训练时随机将部分神经元输出置为0，防止神经元共适应，从而抑制过拟合。13.【答案】B【解析】PCA的目标是找到数据方差最大的方向作为主成分，保留最多的信息量。这等价于最小化重构误差。14.【答案】C【解析】GAN是一个极小极大博弈。生成器（G）试图生成假数据欺骗判别器（最小化判别器正确分类的概率，即最大化判别器的损失）；判别器（D）试图区分真假数据（最大化正确分类概率，即最小化自身损失）。15.【答案】D【解析】BERT是双向编码器表示，主要用于理解类任务（如文本分类、命名实体识别）。虽然可以用于生成，但GPT系列（单向自回归）更擅长文本生成。16.【答案】A【解析】朴素贝叶斯假设特征条件独立性，即P(17.【答案】C【解析】AlphaGo不仅使用监督学习，更关键的是通过强化学习（自我对弈）超越了人类水平。18.【答案】B【解析】Adam结合了Momentum（一阶矩估计）和RMSProp（二阶矩估计）的优点。19.【答案】B【解析】Bagging（BootstrapAggregating）通过自助采样法训练多个独立的基学习器，然后通过投票或平均组合。随机森林是其典型代表。20.【答案】C【解析】孤立森林通过随机切分特征空间来孤立数据点。异常点因为稀疏，通常只需要很少的切分次数就能被孤立（路径短），而正常点密度大，需要更多切分（路径长）。第二部分：多项选择题21.【答案】ABC【解析】人工智能主要学派包括符号主义（逻辑推理）、连接主义（神经网络/脑模拟）和行为主义（控制/自适应）。逻辑主义通常归为符号主义。22.【答案】ABD【解析】A、模拟退火、遗传算法都属于启发式搜索。广度优先搜索是无信息搜索。23.【答案】ABC【解析】增加数据、数据增强、简化模型（正则化）都是解决过拟合的手段。增大学习率通常导致无法收敛或震荡，不是解决过拟合的标准方法。24.【答案】ABCD【解析】这些都是CNN中常见的卷积操作类型。25.【答案】ABC【解析】BERT、GPT、Word2Vec都是NLP模型。ResNet是计算机视觉模型。26.【答案】AC【解析】MSE和MAE用于回归。交叉熵用于分类。HingeLoss用于SVM分类。27.【答案】ABCD【解析】智能体、环境、奖励、状态、动作是强化学习的五大要素。28.【答案】ABC【解析】BGD全样本，SGD单样本，Mini-batch折中。SGD震荡大，BGD震荡小（若凸函数），D项描述相反。29.【答案】ABCD【解析】这是机器学习的标准分类方式。30.【答案】ABC【解析】FCN、U-Net、MaskR-CNN都是语义分割相关网络。VGG主要用于分类。第三部分：填空题31.【答案】0【解析】确定事件的熵为0，即没有不确定性。32.【答案】[0,1]【解析】Sigmoid函数值域在0到1之间。33.【答案】Sigmoid/Tanh【解析】Xavier初始化假设激活函数关于原点对称且线性区域集中在0附近，适合Sigmoid和Tanh。34.【答案】28【解析】输出尺寸公式：O=+135.【答案】逆文档频率【解析】IDF衡量词的普遍重要性。36.【答案】概率主题【解析】LDA是一种贝叶斯概率主题模型。37.【答案】【解析】权重更新公式=η38.【答案】泛化【解析】软间隔允许错误分类，以换取更好的泛化能力，防止过拟合。39.【答案】t-SNE/流形学习【解析】t-SNE是典型的流形学习降维算法。40.【答案】折扣【解析】γ是折扣因子，平衡当前奖励和未来奖励。41.【答案】位置编码【解析】Transformer没有循环结构，需要显式加入位置编码。42.【答案】平均精度【解析】AP是Precision-Recall曲线下的面积。43.【答案】人类专家【解析】AlphaZero仅通过自我对弈学习，不依赖人类棋谱。44.【答案】关系【解析】三元组为。45.【答案】基于样本/实例【解析】源域和目标域任务相同，数据分布不同，称为基于样本的迁移。第四部分：简答题46.【答案】原因：在深层神经网络中，使用了Sigmoid、Tanh等饱和激活函数。这些函数的导数值在区间(−主要解决方案：(1)更换激活函数：使用ReLU、LeakyReLU、ELU等非饱和激活函数，其在正区间的导数为常数，缓解梯度消失。(2)引入残差连接：如ResNet，通过y=(3)归一化层：使用BatchNormalization等，将输入数据拉回到非饱和区域，保证梯度传导。(4)门控机制：如LSTM，设计专门的细胞状态传递信息，避免梯度在长路径上衰减。47.【答案】监督学习：训练数据既有特征又有标签。目标是学习从特征到标签的映射。典型算法：线性回归、支持向量机（SVM）。无监督学习：训练数据只有特征，没有标签。目标是发现数据内部的结构或模式。典型算法：K-Means聚类、主成分分析（PCA）。半监督学习：训练数据少量有标签，大量无标签。利用有标签数据建立模型，利用无标签数据辅助挖掘数据分布信息。典型算法：标签传播算法、基于生成模型的半监督学习。48.【答案】卷积层：局部感知和权值共享。通过卷积核在输入上滑动，提取局部特征（如边缘、纹理）。是CNN的核心特征提取层。池化层：下采样。对局部区域进行聚合（如最大池化、平均池化）。作用是降低特征图维度，减少计算量和参数，同时引入一定的平移不变性。全连接层：将二维或三维特征图展平为一维向量，通过矩阵乘法实现特征到类别的映射（或高层特征组合）。通常用于输出最终的分类结果。49.【答案】定义：过拟合是指模型在训练数据上表现非常好（误差很低），但在测试数据或新数据上表现较差（误差很高）的现象。本质是模型学习到了训练数据中的噪声和特有细节，而非数据的普遍规律。判断方法：观察训练过程中的损失曲线。如果训练集Loss持续下降，而验证集Loss在下降一段时间后开始上升，或者验证集Loss显著高于训练集Loss且差距拉大，则说明发生了过拟合。50.【答案】(1)并行计算能力：Transformer基于注意力机制，不依赖序列的时间步顺序，可以并行处理所有输入token，训练效率远高于RNN。(2)长距离依赖建模：RNN处理长序列时受限于序列长度，难以捕捉远距离信息。Transformer的自注意力机制可以直接计算任意两个位置之间的关联，距离为1。(3)梯度传播：Transformer路径短，梯度消失问题比深层RNN（如LSTM）更轻微。(4)更强的特征提取能力：多头注意力机制可以从不同子空间捕捉特征。第五部分：计算与分析题51.【答案】(1)逻辑回归的交叉熵损失函数（针对单个样本）为：J(2)对于样本(,)=首先计算预测值：z(计算梯度：==更新参数（学习率η===所以更新后=−(3)预测x=z(52.【答案】总样本数D=其中“是”的数量：9，“否”的数量：5。(1)计算数据集熵H(HH((2)计算特征A（天气）的信息增益：特征A取值：晴(6),阴(4),雨(4)。晴：样本数6，全是“否”(6)。熵H(阴：样本数4，全是“是”(4)。熵H(雨：样本数4，是(3)，否(1)。熵H(特征A的条件熵：HH信息增益：G(3)计算特征B（温度）的信息增益（用于比较）：特征B取值：高(7),正常(7)。高：样本数7，是(3)，否(4)。H正常：样本数7，是(6)，否(1)。H条件熵：H信息增益：G结论：因为Gain53.【答案】(1)目标状态:123804765初始状态:283164705比较位置（不计算0）：数字1：在(1,0)，目标在(0,0)->不匹配数字1：在(1,0)，目标在(0,0)->不匹配数字2：在(0,0)，目标在(0,1)->不匹配数字2：在(0,0)，目标在(0,1)->不匹配数字3：在(0,2)，目标在(0,2)->匹配数字3：在(0,2)，目标在(0,2)->匹配数字4：在(1,2)，目标在(1,2)->匹配数字4：在(1,2)，目标在(1,2)->匹配数字5：在(2,2)，目标在(2,2)->匹配数字5：在(2,2)，目标在(2,2)->匹配数字6：在(1,1)，目标在(2,1)->不匹配数字6：在(1,1)，目标在(2,1)->不匹配数字7：在(2,0)，目标在(2,0)->匹配数字7：在(2,0)，目标在(2,0)->匹配数字8：在(0,1)，目标在(1,0)->不匹配数字8：在(0,1)，目标在(1,0)->不匹配不匹配的数字有：1,2,6,8。共4个。所以h((2)搜索树（前两步）：根节点(g=0空格0在位置(1,1)（行索引1，列索引1）。可移动方向：上(0,1)、下(2,1)、左(1,0)、右(1,2)。子节点1(上移)：交换(1,1)和(0,1)的8。状态：203164785g=1。计算h：不匹配的有1,2,6,8(8在(2,1),目标(1,0)仍不匹配)。f=子节点2(下移)：交换(1,1)和(2,1)的7。状态：283174705(注意：这里实际上是把7移上去了，空格下来)实际状态：283174065(此处修正描述，原题S0(2)是7，S0(1,1)是0。下移是把(2,1)的6移到(1,1)。原题S0第二行是164，第三行是705。0的右边是5，左边是7。0的下边没有。上边是6。左边是1。)重新计算S0邻居：S0:283104765(注：原题S0第二行是164，第三行是705。0在(2,1)。好的，让我们重新仔细看S_0：Row0:283Row1:164Row2:7050在(2,1)。邻居：1.上(1,1):6。状态：283/104/765。2.左(2,0):7。状态：283/164/075。3.右(2,2):5。状态：283/164/750。计算这三个状态的h和f：上移状态：283104765对比目标：123/804/765。不匹配：1(在1,0,目标0,0),2(在0,1,目标0,1),8(在0,1,目标1,0)。等等，目测：1错，2错，8错，6对，7对，3对，4对，5对。不匹配：1,2,8。共3个。h=左移状态：283164075不匹配：1错，2错，7错(在2,1,目标2,0)，8错。不匹配：1,2,7,