2026年人工智能基础知识入门测试题及答案

2026年人工智能基础知识入门测试题及答案1.单项选择题（每题2分，共20分）1.11956年达特茅斯会议首次提出“人工智能”一词，下列哪位学者未被公认为该会议的正式发起人？A.约翰·麦卡锡B.马文·明斯基C.克劳德·香农D.赫伯特·西蒙答案：D1.2在监督学习中，当标签为连续值时，该任务通常被称为：A.分类B.聚类C.回归D.强化学习答案：C1.3下列激活函数在x=0处不可导的是：A.SigmoidB.TanhC.ReLUD.LeakyReLU答案：C1.4卷积神经网络中，采用“same”填充且步长为1时，输出特征图尺寸与输入尺寸的关系是：A.输出尺寸等于输入尺寸B.输出尺寸等于输入尺寸减1C.输出尺寸等于输入尺寸减卷积核尺寸加1D.输出尺寸等于输入尺寸除以卷积核尺寸答案：A1.5在Transformer架构中，用于计算查询与键之间相似度的函数是：A.加性注意力B.点积注意力C.自注意力D.交叉熵答案：B1.6下列关于过拟合的描述，错误的是：A.训练误差持续下降而验证误差上升B.可通过增加训练数据缓解C.可通过Dropout缓解D.训练误差与验证误差同时保持高位答案：D1.7在强化学习中，Q-learning算法更新Q值时使用的策略是：A.on-policyB.off-policyC.策略梯度D.演员-评论家答案：B1.8下列哪种方法最适合处理高维稀疏文本特征？A.K-meansB.TF-IDF加权+线性模型C.决策树D.朴素贝叶斯连续特征建模答案：B1.9在生成对抗网络（GAN）中，判别器的损失函数通常采用：A.均方误差B.交叉熵C.对数似然D.Wasserstein距离答案：B1.10联邦学习的核心目标是：A.降低模型参数数量B.在保护数据隐私的前提下协同训练C.提高推理速度D.替代云计算答案：B2.多项选择题（每题3分，共15分；每题至少有两个正确答案，多选少选均不得分）2.1下列哪些技术可用于缓解神经网络梯度消失？A.残差连接B.批归一化C.使用Sigmoid激活D.使用LSTM答案：A、B、D2.2关于BERT模型，下列说法正确的是：A.采用双向Transformer编码器B.预训练任务包含掩码语言模型C.下游任务必须重新训练全部参数D.使用WordPiece子词分词答案：A、B、D2.3下列属于无监督学习算法的是：A.PCAB.DBSCANC.AprioriD.AdaBoost答案：A、B、C2.4在目标检测任务中，YOLOv3相对于YOLOv1的主要改进包括：A.引入多尺度预测B.使用Darknet-53作为骨干网络C.采用AnchorFree机制D.使用逻辑回归替代softmax进行多标签分类答案：A、B、D2.5下列关于模型压缩技术的描述，正确的是：A.知识蒸馏通过教师模型指导学生模型B.剪枝可去除冗余参数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、C3.填空题（每空2分，共20分）3.1若某卷积层输入尺寸为112×112×64，卷积核尺寸3×3，输出通道128，same填充，则该层参数数量为________。答案：3×3×64×128+128=738563.2在Python中，使用NumPy实现矩阵乘法A@B，其底层调用的是________方法。答案：ndarray.__matmul__3.3当学习率过大时，随机梯度下降可能在最小值附近________，导致无法收敛。答案：震荡3.4在GPT-3中，用于位置编码的公式为PE(pos,2i)=________。答案：sin(pos/10000^(2i/d_model))3.5若某二分类模型在测试集上的TP=90，FP=10，FN=20，TN=80，则F1分数为________。答案：2×90/(2×90+10+20)=0.8183.6在PyTorch中，将模型设为评估模式需调用方法________。答案：model.eval()3.7在K-means算法中，常用的聚类效果内部指标为________，其值越大表示聚类效果越好。答案：轮廓系数3.8当BatchSize=1时，批归一化退化为________归一化。答案：实例3.9在深度强化学习中，A3C的“A”指________。答案：Asynchronous3.10联邦学习中的安全聚合协议通常基于________密码学技术实现。答案：同态加密或安全多方计算（任填其一即给分）4.判断题（每题1分，共10分；正确写“T”，错误写“F”）4.1梯度下降法一定能找到凸函数的全局最优解。答案：T4.2在卷积神经网络中，池化层会增加特征图通道数。答案：F4.3使用ReLU激活的神经网络，其损失曲面一定是凸的。答案：F4.4Word2vec训练完成后，词向量空间中欧氏距离近的词语义相似度一定高。答案：F4.5强化学习中，蒙特卡洛方法必须等到一幕结束后才能更新策略。答案：T4.6在生成模型中，VAE与GAN都显式建模了数据分布的似然。答案：F4.7使用Dropout时，推理阶段需要对权重进行缩放。答案：T4.8在Transformer中，自注意力机制的复杂度与序列长度呈线性关系。答案：F4.9模型参数量越大，其泛化能力必然越差。答案：F4.10联邦平均算法（FedAvg）中，客户端上传的是梯度而非模型参数。答案：F5.简答题（封闭型，每题5分，共15分）5.1写出均方误差损失函数对线性回归权重w的梯度表达式，并说明其维度。答案：L=1/2n‖Xw−y‖²，∂L/∂w=1/nX^T(Xw−y)，维度与w相同，为(d,1)，其中d为特征维数。5.2解释“早停”（EarlyStopping）机制的工作原理，并指出其相当于哪种正则化。答案：在训练过程中监控验证集性能，若验证误差连续p轮未下降则终止训练并回退到最优参数；相当于L2权重衰减的隐式正则化。5.3列举两种可将O(n²)自注意力复杂度降低到O(nlogn)或以下的近似方法，并给出核心思想。答案：1.Linformer：将键、值投影到低维k≪n，使注意力矩阵变为n×k，复杂度O(nk)。2.Performer：使用FAVOR+机制，通过随机特征映射近似softmax核，复杂度O(ndlogd)。6.简答题（开放型，每题10分，共20分）6.1请结合具体案例，说明在医疗影像AI辅助诊断系统中，如何平衡模型性能与可解释性，并讨论监管合规要点。答案：案例：肺部CT结节良恶性分类。性能：采用3DResNet-50，AUC达0.95，但黑箱难获医生信任。可解释性：1.引入Grad-CAM生成热力图，高亮结节区域；2.使用LIME对预测结果给出Top5像素级解释；3.将模型嵌入交互式界面，医生可点击结节查看相似病例。平衡：1.在损失函数中加入解释一致性正则，使热力图聚焦真实结节；2.采用知识蒸馏，将3DResNet蒸馏到2D可解释CNN，AUC仅降0.01，解释性显著提升。监管：1.符合FDA软件作为医疗器械（SaMD）指南，需提交模型性能表格、鲁棒性测试、偏见评估；2.提供“模型卡片”记录数据分布、性能指标、局限性；3.建立上市后监测，收集真实世界反馈，定期再验证。6.2假设你需要在边缘设备（ARMCortex-A53，1GBRAM）上部署实时语音识别模型，请给出完整的模型优化与部署方案，包括选型、量化、流水线、推理延迟与准确率评估。答案：选型：使用StreamingConformer，参数量10MB，帧率30ms。优化：1.结构化剪枝：将Conformerencoder层数从12减至6，head数由8减至4，验证集WER上升0.3%；2.整数量化：权重int8，激活int8，采用量化感知训练，WER再增0.2%；3.知识蒸馏：教师为原始Conformer，学生为剪枝后模型，蒸馏温度4，最终WER仅比教师高0.1%；4.流水线：双线程，前端MFCC特征提取在DSP，后端推理在CPU，共享环形缓冲区，延迟降低20ms；5.编译：使用TVM自动调优，生成NEONintrinsic，单帧推理延迟从18ms降至9ms；评估：在LibriSpeechtest-clean上，教师WER=3.2%，边缘模型WER=3.5%，峰值内存占用96MB，单句延迟低于80ms，满足实时要求。7.计算题（共20分）7.1给定一个全连接层，输入维度512，输出维度1024，批量大小256，采用32位浮点，计算前向传播时的理论内存访问量（Bytes），并分析使用混合精度（FP16+FP32masterweights）后的内存带宽节省比例。（10分）答案：权重：512×1024×4B=2MB输入激活：256×512×4B=0.5MB输出激活：256×1024×4B=1MB总访问量=2+0.5+1=3.5MB混合精度：权重FP161MB，输入FP160.25MB，输出FP160.5MB，master权重仅备份2MB（不占带宽），访问量减少1.75MB，节省比例=1.75/3.5=50%。7.2某卷积网络层参数如下：输入特征图7×7×256，卷积核3×3，输出通道512，same填充，步长1，采用im2col+GEMM实现，问GEMM的矩阵维度M、N、K各是多少？若使用WinogradF(2×2,3×3)算法，乘法次数降低为原来的多少倍？（10分）答案：im2col：输出尺寸7×7，每个空间位置3×3×256=2304维向量，矩阵A：行数M=7×7=49，列数K=2304矩阵B：行数K=2304，列数N=512GEMM维度：M=49，N=512，K=2304标准乘法次数：49×512×2304=57.87MWinograd：tile输出2×2，共4个位置，每个tile乘法次数=（4+3-1）²=36，tile数=⌈7/2⌉²=16，总乘法次数=16×36×512=294.9K降低倍数=57.87/0.2949≈196倍。8.综合应用题（共30分）8.1某电商公司拟构建个性化推荐系统，数据包含用户侧画像（年龄、性别、城市）、商品侧属性（品类、价格、品牌）、交互行为（点击、加购、购买）。请完成以下任务：（1）给出特征工程方案，说明如何处理高维稀疏ID特征与连续特征；（5分）（2）选择并说明推荐模型架构，要求能捕捉用户短期兴趣与长期兴趣，给出模型图与公式；（10分）（3）设计离线训练与在线推理流程，包括样本构造、负采样、实时特征拼接、模型更新机制；（10分）（4）给出评估指标体系，说明如何拆解GMV提升来源。（5分）答案：（1）特征工程：ID类：用户ID1亿、商品ID500万，采用Hash分桶至2^20，再Embedding32维；连续类：价格取对数后Z-score，年龄分段One-hot，城市按GDP分档；交叉特征：用户最近7天点击品类数、商品历史CTR，采用分桶后Embedding；序列特征：用户最近50次交互商品ID序列，按时间衰减加权。（2）模型：双塔+多兴趣提取，长期塔用用户画像与平均Embedding，短期塔用TransformerEncoder对序列建模，输出多兴趣向量；公式：长期向量u_l=MLP([u_demo;avg(E_i)])短期多兴趣{u_s1,…,u_sk}=SelfAtt(E_{t-50},…,E_t)最终score(u,v)=max_j(u_sj·v)+u_l·v损失：SampledSoftmax交叉熵+兴趣正则。（3）流程：离线：每日T+1样本，正样本购买，负采样按曝光未点击1:4，采用MIND负采样库；特征：用户侧写MySQL，商品侧写Redis，序列写Kafka，Flink拼接生成TFRecord；训练：ParameterServer架构，异步更新，学习率warmup+cosinedecay；在线：1.用户行为实时写Kafka，Flink更新序列特征；2.模型增量训练每30分钟