2026全国大学生人工智能知识竞赛题库及答案

2026全国大学生人工智能知识竞赛题库及答案单选题（每题1分，共30分）1.在深度学习中，ReLU函数在输入为负值时的梯度为A.0  B.1  C.-1  D.未定义答案：A2.下列哪一项不是Transformer架构中的子层A.多头自注意力  B.前馈全连接  C.卷积池化  D.层归一化答案：C3.在联邦学习场景下，客户端上传的参数通常是A.原始训练数据  B.模型权重或梯度  C.损失函数值  D.测试集准确率答案：B4.若使用Adam优化器，其默认学习率一般设置为A.0.1  B.0.01  C.0.001  D.0.0001答案：C5.在强化学习中，Q-learning更新公式中的α表示A.折扣因子  B.学习率  C.探索率  D.奖励值答案：B6.下列哪种方法最适合解决类别不平衡问题A.Dropout  B.FocalLoss  C.L2正则化  D.BatchNormalization答案：B7.在PyTorch中，tensor.backward()的作用是A.前向传播  B.反向传播并累加梯度  C.清空梯度  D.更新权重答案：B8.若卷积层输出尺寸公式为⌊(N+2P-K)/S⌋+1，当N=224，K=3，S=1，P=1时，输出尺寸为A.222  B.224  C.226  D.220答案：B9.在BERT预训练中，NSP任务的全称是A.NextSentencePrediction  B.NegativeSamplingProcess  C.NeuralSentencePooling  D.Non-StationaryPrior答案：A10.下列哪种激活函数输出均值最接近0A.Sigmoid  B.Tanh  C.ReLU  D.GELU答案：B11.在目标检测中，YOLOv5使用的损失函数不包括A.GIoU  B.二元交叉熵  C.CIoU  D.KL散度答案：D12.若LSTM遗忘门输出为1，则上一时刻细胞状态A.全部清空  B.全部保留  C.取反  D.乘以0.5答案：B13.在生成对抗网络中，判别器损失突然降为0通常意味着A.生成器崩溃  B.判别器过强  C.模式崩塌  D.梯度爆炸答案：B14.下列哪项技术可直接用于模型可解释性A.Grad-CAM  B.DropConnect  C.Mixup  D.CutMix答案：A15.在AutoML中，超参数优化算法不包括A.BayesianOptimization  B.Hyperband  C.RandomSearch  D.Word2Vec答案：D16.若使用8bit量化，权重范围[-1,1]，则量化步长为A.1/128  B.2/255  C.1/255  D.2/256答案：B17.在知识蒸馏中，温度T→∞时，softmax输出趋于A.均匀分布  B.One-hot  C.高斯分布  D.伯努利分布答案：A18.下列哪项不是图神经网络常见聚合函数A.Mean  B.Max  C.LSTM  D.FFT答案：D19.在AlphaGoZero中，MCTS搜索使用的先验概率来自A.随机模拟  B.策略网络  C.价值网络  D.快速走子答案：B20.若BatchSize加倍，同一epoch内参数更新次数A.加倍  B.减半  C.不变  D.变为四倍答案：B21.在VisionTransformer中，PatchSize减小会导致A.序列变短  B.计算量减少  C.序列变长  D.参数量锐减答案：C22.下列哪项不是防止过拟合的技术A.EarlyStopping  B.DataAugmentation  C.增加网络深度  D.Dropout答案：C23.在PyTorchLightning中，训练步骤需定义在A.training_step  B.forward  C.configure_optimizers  D.optimizer_step答案：A24.若使用余弦退火学习率调度，T_max=100，则第100轮学习率为A.初始值  B.最小值  C.最大值  D.未定义答案：B25.在模型剪枝中，magnitude-based方法依据A.权重绝对值  B.梯度大小  C.Hessian矩阵  D.随机丢弃答案：A26.下列哪项指标最适合评估多分类且类别不平衡任务A.Accuracy  B.Macro-F1  C.Micro-F1  D.混淆矩阵对角线和答案：B27.在DDPG算法中，目标网络更新采用A.硬更新  B.软更新  C.不更新  D.随机更新答案：B28.若使用混合精度训练，PyTorch需调用的模块是A.torch.cuda.amp  B.torch.nn.DataParallel  C.torch.jit  D.torch.onnx答案：A29.在语音合成中，WaveNet采用的损失函数为A.交叉熵  B.均方误差  C.负对数似然  D.CTC答案：C30.若自监督学习采用SimCLR，损失函数为A.InfoNCE  B.KL散度  C.L2距离  D.余弦相似度答案：A多选题（每题2分，共20分，多选少选均不得分）31.下列哪些操作会改变Transformer的注意力权重矩阵维度A.增加头数  B.减小嵌入维度  C.增加序列长度  D.增加批大小答案：ABC32.关于ResNet，下列说法正确的是A.使用跳跃连接  B.可缓解梯度消失  C.仅适用于图像  D.可训练更深网络答案：ABD33.在联邦学习中，可能存在的攻击包括A.模型投毒  B.成员推理  C.梯度泄露  D.对抗样本答案：ABC34.下列属于无监督降维方法A.PCA  B.t-SNE  C.LDA  D.Autoencoder答案：ABD35.使用混合精度训练可能带来的好处A.减少显存占用  B.加快计算  C.提高模型容量  D.自动防止溢出答案：AB36.在目标检测评价中，mAP计算涉及A.Precision-Recall曲线  B.IoU阈值  C.类别平均  D.检测速度答案：ABC37.下列属于图卷积网络常见变体A.GCN  B.GraphSAGE  C.GAT  D.CNN答案：ABC38.关于BERT的掩码语言模型，下列正确的是A.随机掩15%token  B.掩码token全部用[MASK]  C.部分用原token  D.部分用随机token答案：ACD39.在强化学习中，探索策略包括A.ε-greedy  B.Boltzmann  C.UCB  D.SGD答案：ABC40.下列可用于文本对抗防御的方法A.对抗训练  B.梯度掩码  C.输入变换  D.知识蒸馏答案：ABC填空题（每空2分，共20分）41.若输入图像尺寸为256×256，经过步长为2的3×3卷积（padding=1）后，输出尺寸为____。答案：128×12842.LSTM三个门控分别为输入门、遗忘门和____门。答案：输出43.在PyTorch中，将模型转移到GPU的函数是____。答案：model.to('cuda')44.Transformer位置编码使用____函数生成正弦与余弦。答案：正弦45.若BatchNorm1d输入特征维度为64，则可训练参数数量为____。答案：12846.在知识图谱中，(头实体，关系，尾实体)被称为一条____。答案：三元组47.使用CTC损失时，空白标签的索引通常设为____。答案：048.若学习率调度采用“poly”策略，power=0.9，则第t轮学习率为初始值乘以(1-t/T)^____。答案：0.949.在YOLOv5中，锚框先验通过____算法聚类得到。答案：k-means50.若使用DeepSpeedZeRO-3，优化器状态被____到所有GPU。答案：分片简答题（共30分）51.（封闭型，6分）简述梯度消失与梯度爆炸的产生原因，并给出至少两种缓解方法。答案：原因：链式求导导致深层网络中梯度连乘，若权重初始值小于1则指数级缩小（消失），大于1则指数级放大（爆炸）。缓解：1.使用ReLU等激活函数；2.采用残差连接；3.合理的权重初始化（Xavier、He）；4.梯度裁剪；5.批归一化。52.（封闭型，6分）说明Transformer中缩放点积注意力的数学表达式，并解释缩放因子作用。答案：Attention(Q,K,V)=softmax(QK^T/√d_k)V，其中d_k为K的维度。缩放因子√d_k防止d_k较大时点积绝对值过大，导致softmax梯度极小，影响训练稳定性。53.（开放型，8分）联邦学习面临哪些系统性挑战？请给出至少三点并给出可行对策。答案：1.数据异构：采用个性化模型、FedProx、SCAFFOLD等算法；2.通信开销：模型压缩、稀疏化、量化、本地多步更新；3.隐私泄露：安全聚合、差分隐私、同态加密；4.客户端掉线：异步聚合、容错机制、重要性采样；5.模型投毒：鲁棒聚合（Median、Trimmed-mean）、信誉评分。54.（封闭型，5分）写出LSTM细胞状态更新公式，并标明各符号含义。答案：C_t=f_t⊙C_{t-1}+i_t⊙tanh(W_c·[h_{t-1},x_t]+b_c)，其中f_t：遗忘门输出，i_t：输入门输出，⊙：逐元素乘，C_{t-1}：上一时刻细胞状态，第二项为候选状态。55.（开放型，5分）请解释“模式崩塌”在GAN中的现象，并提出至少两种缓解策略。答案：现象：生成器只输出有限模式，多样性丧失。策略：1.使用Wasserstein损失并配合梯度惩罚；2.添加噪声、标签平滑、历史平均；3.采用Mini-batchDiscrimination；4.多生成器集成（MAD-GAN）；5.引入互信息或对比学习正则项。应用题（共50分）56.（计算类，10分）给定一个全连接层：输入维度512，输出维度1024，偏置项存在。计算该层参数总量与当输入batch=32时，前向传播的浮点运算量（FLOPs）。答案：参数量：(512×1024)+1024=525312。FLOPs：batch×(2×输入维×输出维+输出维)=32×(2×512×1024+1024)=32×1050624=33619968。57.（分析类，12分）某ResNet50模型在ImageNet验证集上Top-1准确率为76.1%，现采用渐进式混合精度训练后，准确率降至75.7%，但训练时间缩短28%。请分析可能原因并提出改进方案。答案：原因：1.低精度下梯度舍入误差累积；2.损失缩放不当导致下溢；3.批归一化统计量抖动；4.权重更新量减小。改进：1.动态损失缩放（AutoScaling）；2.使用FP32MasterWeights；3.对BatchNorm采用更高精度；4.微调学习率调度；5.增加梯度累积步数保持等效batch；6.训练后期关闭混合精度微调。58.（综合类，14分）某城市部署联邦学习系统用于跨医院预测ICU患者死亡率。数据特征维度为138，样本分布极度不平衡（正例<5%），医院A数据量占总量60%，医院C仅2%。请设计一套完整技术方案，涵盖数据预处理、模型架构、联邦算法、隐私保护、评估指标与结果可视化，并给出预期挑战与解决思路。答案：1.数据预处理：各院本地标准化，SMOTE-NC合成少数类，特征分箱+缺失值多重插补；2.模型：轻量级TabNet，输出经Sigmoid得死亡率；3.联邦算法：FedAvg→FedProx(μ=0.01)缓解数据Non-IID，客户端分层采样保证小院参与；4.隐私：本地差分隐私(ε=1)，SecureAggregationviaPaillier，梯度裁剪阈值1.5；5.评估：采用AUC-ROC、AUC-PR、Macro-F1、BrierScore、校准曲线；6.可视化：联邦AUC热力图、SHAP值全局摘要图、各院校准条形图；7.挑战：标签稀缺→迁移学习引入公开MIMIC-III预训练；通信延迟→量化(8bit)+上传稀疏梯度(top-20%)；小院漂移→个性化层fine-tune；合规→伦理审查、患者知情同意、审计日志。59.（编程类，14分）请用PyTorch实现一个带注意力机制的BiLSTM文本分类模型，要求：a)嵌入层、双向LSTM、注意力、全连接、Dropout；b)注意力使用可训练向量query；c)返回加权句向量；d)给出完整forward代码与参数量统计。答案：```pythonimporttorchimporttorch.nnasnnclassAttnBiLSTM(nn.Module):def__init__(self,vocab_size,emb_dim=128,hidden_dim=128,num_class=2,dropout=0.5):super().__init__()self.emb=nn.Embedding(vocab_size,emb_dim)self.lstm=nn.LSTM(emb_dim,hidden_dim,bidirectional=True,batch_first=True)self.query=nn.Parameter(torch.randn(2hidden_dim))self.query=nn.Parameter(torch.randn(2hidden_dim))self.fc=nn.L