2026年人工智能基础及应用考试试题及答案

2026年人工智能基础及应用考试试题及答案一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项字母填入括号内）1.在深度学习中，下列哪种激活函数在输入为0时导数最大？A.SigmoidB.TanhC.ReLUD.LeakyReLU答案：C2.下列关于卷积神经网络（CNN）中“池化层”作用的描述，正确的是：A.增加特征图通道数B.降低特征图空间尺寸并增强平移不变性C.引入非线性D.计算交叉熵损失答案：B3.在强化学习中，Q-learning算法更新Q值时使用的核心公式是：A.Q(s,a)←Q(s,a)+α[r+γmax_{a′}Q(s′,a′)−Q(s,a)]B.Q(s,a)←r+γmax_{a′}Q(s′,a′)C.Q(s,a)←αr+(1−α)Q(s,a)D.Q(s,a)←Q(s,a)+α[r−Q(s,a)]答案：A4.当训练集准确率为99%，验证集准确率为72%，最可能的结论是：A.欠拟合B.过拟合C.数据泄漏D.梯度消失答案：B5.在Transformer架构中，ScaledDot-ProductAttention的计算公式为：A.softmax(QK^T/√d_k)VB.softmax(QK)VC.softmax(QK^T)VD.ReLU(QK^T)V答案：A6.下列哪种方法最适合处理文本分类中的类别不平衡问题？A.增加学习率B.采用FocalLossC.减少批大小D.移除高频词答案：B7.在联邦学习框架中，中央服务器聚合本地模型参数常用的算法是：A.FedAvgB.SGDC.AdamD.MapReduce答案：A8.若某深度网络使用BatchNormalization，则推理阶段BN层的参数来自：A.当前批次的统计量B.训练阶段滑动平均的统计量C.随机初始化D.验证集统计量答案：B9.在目标检测算法YOLOv5中，用于预测物体中心点坐标的激活函数是：A.SigmoidB.TanhC.ReLU6D.Softmax答案：A10.下列关于GPT-3预训练策略的描述，正确的是：A.采用双向Transformer编码器B.使用掩码语言模型目标C.仅使用自回归语言模型目标D.联合训练视觉分支答案：C二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）11.以下哪些技术可以有效缓解深度网络梯度消失问题？A.残差连接B.层归一化C.使用ReLU激活D.增加学习率答案：A、B、C12.关于LSTM与GRU的比较，正确的有：A.GRU参数更少B.LSTM有输出门C.GRU将细胞状态与隐藏状态合并D.LSTM训练速度一定快于GRU答案：A、B、C13.在图像风格迁移任务中，Gram矩阵用于：A.捕获纹理统计信息B.计算内容损失C.计算风格损失D.衡量像素级差异答案：A、C14.下列属于无监督学习算法的有：A.k-meansB.DBSCANC.PCAD.线性回归答案：A、B、C15.关于模型压缩技术，以下说法正确的有：A.知识蒸馏通过教师模型指导学生模型B.剪枝可减少模型参数量C.量化将32位浮点权重映射为低比特整数D.低秩分解仅适用于卷积层答案：A、B、C三、填空题（每空2分，共20分）16.在注意力机制中，当查询向量Q与键向量K的维度均为d_k，为防止softmax梯度消失，需对点积结果进行________缩放。答案：√d_k17.若某卷积层输入特征图尺寸为112×112，卷积核大小3×3，步长2，填充1，则输出特征图尺寸为________。答案：56×5618.强化学习中，智能体在状态s下采取动作a后获得的即时反馈称为________。答案：即时奖励（或奖励）19.在PyTorch框架中，若要冻结某层参数，需设置该层参数的________属性为False。答案：requires_grad20.当使用BERT进行文本分类时，通常在模型顶部添加一个________分类器。答案：全连接（或线性）21.若某GAN的生成器输入噪声维度为100，输出图像尺寸为64×64×3，则生成器最后一层卷积的输出通道数为________。答案：322.在目标检测评价指标mAP中，AP表示________曲线下的面积。答案：PR（Precision-Recall）23.若学习率调度器采用余弦退火策略，则学习率随epoch变化呈________函数形态下降。答案：余弦24.在联邦学习中，客户端上传的模型梯度可能泄露隐私，常用________方法加以保护。答案：差分隐私（或同态加密）25.当使用混合精度训练时，PyTorch自动将部分计算转换为________精度浮点。答案：16位（或FP16）四、简答题（每题8分，共32分）26.（封闭型）简述BatchNormalization在训练与推理阶段的差异，并说明滑动平均的作用。答案：训练阶段，BN使用当前批次的均值与方差对特征进行归一化，并通过滑动平均更新全局均值与方差；推理阶段，BN不再依赖批次统计，而是使用训练阶段保存的全局均值与方差，确保单样本推理稳定。滑动平均衰减系数通常取0.9，可平滑历史统计，减小批次波动影响。27.（开放型）列举三种提升小样本图像分类精度的方法，并说明其适用场景。答案：1.数据增强：通过旋转、裁剪、颜色扰动扩充样本，适用于样本量少但变换丰富的场景；2.迁移学习：使用大规模预训练模型（如ImageNet预训练ResNet）微调，适用于源域与目标域视觉特征相似的任务；3.元学习（MAML）：训练模型快速适应新类，适用于类别差异大、每类仅含个位样本的Few-Shot场景。28.（封闭型）解释梯度爆炸产生的原因，并给出两种检测与缓解方法。答案：原因：深度网络反向传播时链式求导导致梯度连乘，若雅可比矩阵最大奇异值大于1，梯度呈指数增长。检测：记录每层的梯度范数，若持续超过阈值（如1e2）则判定爆炸。缓解：1.梯度裁剪，设定最大范数上限；2.使用LayerNorm或权重归一化，控制激活尺度。29.（开放型）说明在工业推荐系统中，为何需要将召回、粗排、精排、重排四级架构分离，并指出每级关注的指标。答案：召回阶段需在毫秒级从千万级物品中筛选百级候选，关注召回率与延迟；粗排用轻量模型快速打分，兼顾效率与精度，关注AUC；精排使用复杂模型（如DIN、DCN）精准预估CTR，关注LogLoss与GAUC；重排引入多样性、新鲜度、业务规则，关注用户体验指标（如多样性、GMV）。四级分离实现精度与延迟的帕累托最优。五、应用题（共63分）30.（计算类，10分）已知某全连接层输入x∈R^{512}，权重W∈R^{256×512}，偏置b∈R^{256}，使用ReLU激活。若输入x服从N(0,1)，权重W服从N(0,0.01²)，b初始化为0。（1）求该层输出y的期望E[y]（提示：利用对称性）。（2）若希望E[y]保持0，应如何调整权重初始化方差？答案：（1）E[y]=E[ReLU(Wx+b)]=256×E[ReLU(z)]，其中z~N(0,σ²)，σ²=512×0.01²=0.0512。E[ReLU(z)]=σ/√(2π)=√0.0512/√(2π)≈0.0905。故E[y]=256×0.0905≈23.17。（2）令E[y]=0，需使E[ReLU(z)]=0，即z对称分布于0，可通过将权重方差设为2/fan_in=2/512=0.0039，即W~N(0,0.0039)，此时σ²=1，E[ReLU(z)]=1/√(2π)，但线性输出均值为0，经ReLU后正部与负部抵消，需改用“Xavier”初始化，方差取2/(fan_in+fan_out)=2/(512+256)=0.0026，可近似保持0均值。31.（分析类，10分）给定一个文本情感分类数据集，正负样本比例1:9。训练后模型在测试集上Precision=0.9，Recall=0.5，F1=0.64。（1）若将分类阈值从0.5下调至0.3，分析Precision、Recall、F1的变化趋势。（2）提出一种阈值搜索策略，并写出伪代码。答案：（1）阈值下调，TP增加，FP增加更快，Precision下降；FN减少，Recall上升；F1变化取决于PR平衡点，若原阈值位于PR曲线陡峭区，F1可能先升后降。（2）策略：在验证集上遍历0.05~0.95步长0.01，计算F1，取最大F1对应阈值。伪代码：best_th,best_f1=0,0forthinarange(0.05,1,0.01):pred=(prob>th)f1=f1_score(y_true,pred)iff1>best_f1:best_th,best_f1=th,f1returnbest_th32.（综合类，18分）设计一个基于VisionTransformer（ViT）的垃圾分类系统，输入图片224×224，类别40类，边缘设备算力限制1GFLOPs。要求：（1）给出模型整体结构图文字描述（100字内）；（2）说明如何降低算力至1GFLOPs以下，列出具体措施与估算计算量；（3）给出训练策略，包括数据增强、损失函数、优化器、学习率调度；（4）说明如何在边缘设备部署，包括量化、推理框架、延迟指标。答案：（1）结构：PatchEmbedding将224×224图像分16×16块，得196×768，经12层TransformerEncoder，每层6头注意力+MLP，最后平均池化+FC40类。（2）降算力：a.减少层数至6层，嵌入维度384，头数6，计算量≈0.9GFLOPs；b.使用深度可分离卷积替代标准PatchEmbedding，减少0.1GFLOPs；c.引入稀疏注意力，每token仅attend局部64邻域，再降0.15GFLOPs；总计算量≈0.75GFLOPs。（3）训练：采用RandAugment、MixUp、CutMix增强；损失用LabelSmoothingCrossEntropy，平滑系数0.1；优化器AdamW，权重衰减1e-4；学习率余弦退火，初始3e-4，warmup5epoch，总epoch100，批大小256。（4）部署：采用TensorRTINT8量化，校准集1000张，量化后模型大小11MB，延迟28ms（JetsonNano），top1准确率下降0.8%，满足<30ms实时需求。33.（编程类，15分）请用PyTorch实现一个带位置编码的单头自注意力模块，要求：（1）支持可变长序列，输入形状(B,L,d)，输出同形状；（2）使用正弦-余弦绝对位置编码；（3）加入future-mask，确保第i位置无法看到>i位置信息；（4）给出完整可运行代码（含forward）。答案：```pythonimporttorchimporttorch.nnasnnimportmathclassPositionalEncoding(nn.Module):def__init__(self,d_model,max_len=5000):super().__init__()pe=torch.zeros(max_len,d_model)pos=torch.arange(0,max_len).unsqueeze(1).float()div=torch.exp(torch.arange(0,d_model,2).float()-(math.log(10000.0)/d_model))div=torch.exp(torch.arange(0,d_model,2).float()-(math.log(10000.0)/d_model))pe[:,0::2]=torch.sin(posdiv)pe[:,0::2]=torch.sin(posdiv)pe[:,1::2]=torch.cos(posdiv)pe[:,1::2]=torch.cos(posdiv)self.register_buffer('pe',pe.unsqueeze(0))defforward(self,x):returnx+self.pe[:,:x.size(1)]classSingleHeadAttention(nn.Module):def__init__(self,d_model,dropout=0.1):super().__init__()self.d_model=d_modelself.qkv=nn.Linear(d_model,3d_model)self.qkv=nn.Linear(d_model,3d_model)self.out=nn.Linear(d_model,d_model)self.dropout=nn.Dropout(dropout)self.pe=PositionalEncoding(d_model)defforward(self,x,mask=None):B,L,_=x.shapex=self.pe(x)q,k,v=self.qkv(x).chunk(3,dim=-1)scores=torch.bmm(q,k.transpose(1,2))/math.sqrt(self.d_model)ifmaskisnotNone:scores=scores.masked_fill(mask==0,float('-inf'))attn=torch.softmax(scores,dim=-1)attn=self.dropout(attn)out=torch.bmm(attn,v)returnself.out(out)使用示例layer=SingleHeadAttention(512)x=torch.randn(2,10,512)mask=torch.tril(torch.ones(10,10))out=layer(x,mask)assertout.shape==x.shape```34.（系统设计类，10分）某市智慧交通系统需实时检测路面坑洼，摄像头1080p@30fps，日存储原始视频占用5TB。要求：（1）给出边缘-云协同方案，说明数据流；（2）指出模型选型、压缩与更新机制；（3）估算存储节省比例与带宽需求。答案：（1）数据流：边缘盒GPU运行轻量分割模型（DeepLabv3-MobileNetV3），检测到坑洼时截取前后2秒片段，压缩为H.265720p，上传至云；云侧聚合多路数据，重训练模型，每周下发增量更新（仅差异层）。（2）模