2026年(人工智能)科目试题及答案

2026年(人工智能)科目试题及答案1.单项选择题（每题2分，共20分）1.1在ResNet架构中，skipconnection的主要作用是A.减少参数量B.缓解梯度消失C.提高卷积核感受野D.降低过拟合答案：B1.2下列哪种优化器自带自适应学习率且对稀疏梯度表现最好A.SGDB.MomentumC.AdaGradD.Adam答案：D1.3在Transformer模型中，ScaledDot-ProductAttention的缩放因子为A.d_kB.√d_kC.1/√d_kD.d_model答案：C1.4若某二分类任务的正负样本比为1:99，且模型将所有样本预测为负类，则F1分数为A.0B.0.01C.0.99D.1答案：A1.5在深度强化学习中，DDPG算法属于A.基于价值B.基于策略C.Actor-CriticD.模型无关的蒙特卡洛答案：C1.6使用BERT进行中文命名实体识别时，最常用切分工具是A.SentencePieceB.jiebaC.WordPieceD.BPE答案：C1.7联邦学习框架FedAvg中，服务器聚合参数采用A.加权平均，权重与本地数据量成正比B.简单平均C.加权平均，权重与本地epoch数成正比D.加权平均，权重与本地学习率成正比答案：A1.8在目标检测评价指标mAP中，IoU阈值通常默认设为A.0.3B.0.5C.0.75D.0.9答案：B1.9若卷积层输入尺寸为112×112，步长2，填充1，卷积核5×5，则输出特征图尺寸为A.56×56B.55×55C.54×54D.53×53答案：A1.10在生成对抗网络中，若判别器损失快速降至接近0，则生成器容易出现A.模式崩溃B.梯度爆炸C.过拟合D.收敛加速答案：A2.多项选择题（每题3分，共15分；多选少选均不得分）2.1下列哪些技术可有效缓解神经网络过拟合A.DropoutB.L2正则C.BatchNormalizationD.数据增强E.降低学习率答案：ABCD2.2关于GPT-3的描述正确的有A.采用Decoder-only结构B.使用LayerNorm前置C.最大模型参数量达175BD.训练数据含CommonCrawlE.采用双向注意力答案：ABCD2.3以下属于无监督学习算法的有A.k-meansB.PCAC.DBSCAND.AprioriE.C4.5答案：ABCD2.4在深度Q网络（DQN）中，以下哪些组件或技巧被用于稳定训练A.经验回放B.目标网络C.优先级回放D.DoubleDQNE.策略梯度答案：ABCD2.5关于VisionTransformer（ViT）说法正确的有A.将图像切块后线性投影为tokenB.使用sinusoidalpositionembeddingC.在大规模预训练后于中等规模数据集上微调效果优于CNND.引入classtoken用于分类E.完全摒弃卷积操作答案：ACDE3.填空题（每空2分，共20分）3.1若某卷积层参数量为18496，已知输入通道为32，输出通道为64，卷积核尺寸为________。答案：3×33.2在LSTM单元中，控制记忆细胞遗忘的门控称为________门。答案：forget3.3若学习率设为0.01，使用余弦退火策略，T_max为100，则第50个epoch的瞬时学习率为________。（保留四位小数）答案：0.00503.4在PyTorch中，若需冻结某层参数，应设置其属性________为False。答案：requires_grad3.5若某模型在ImageNetTop-1准确率为76.5%，则其对应的错误率为________%。答案：23.53.6在强化学习中，状态-动作值函数Q(s,a)的贝尔曼最优方程为Q(s,a)=________。答案：r+γmax_{a'}Q(s',a')3.7使用混合精度训练时，常用损失缩放系数为________的幂次，默认初始值常为1024。答案：23.8在知识蒸馏中，教师模型输出的软标签分布由温度参数T控制，当T→∞时，分布趋近于________分布。答案：均匀3.9若某GAN的生成器采用Wasserstein损失，则其最后一层激活函数通常设为________。答案：tanh3.10在联邦学习中，客户端上传的梯度信息可能泄露隐私，常用防御方法为________扰动。答案：差分隐私4.简答题（封闭型，每题6分，共18分）4.1阐述BatchNormalization在卷积网络中的计算步骤，并说明其在训练与测试阶段的差异。答案：步骤：1)对mini-batch每个通道计算均值μ_B与方差σ_B²；2)归一化得到x̂=(x−μ_B)/√(σ_B²+ε)；3)缩放平移得y=γx̂+β。差异：训练阶段μ_B、σ_B²来自当前batch；测试阶段使用训练集滑动平均的μ、σ，不再依赖batch统计量，保证单样本推理稳定。4.2给出Transformer位置编码的完整公式，并解释为何采用sinusoidal而非可学习embedding。答案：PE(pos,2i)=sin(pos/10000^{2i/d_model})，PE(pos,2i+1)=cos(pos/10000^{2i/d_model})。原因：sinusoidal具有相对位置归纳偏置，可外推到更长序列；无需额外参数，减少过拟合风险；通过线性变换可表达相对位置，利于注意力矩阵计算。4.3描述A算法中启发函数h(n)需满足的条件，并说明若h(n)恒为0时算法退化为哪种搜索。4.3描述A算法中启发函数h(n)需满足的条件，并说明若h(n)恒为0时算法退化为哪种搜索。答案：条件：可采纳性，即h(n)≤h(n)（真实代价）；一致性，即h(n)≤c(n,n')+h(n')。条件：可采纳性，即h(n)≤h(n)（真实代价）；一致性，即h(n)≤c(n,n')+h(n')。若h(n)=0，退化为Dijkstra算法。5.简答题（开放型，每题8分，共16分）5.1近年来，大规模语言模型涌现能力（emergentability）引发热议。请结合具体实验现象，分析涌现能力是否仅为度量方式的人工产物，并给出你的研究设计以验证其真实性。答案：现象：当参数规模超过约10B后，BIG-Bench部分任务准确率突增。反驳观点：度量方式如多选准确率呈阶跃，是因任务指标非线性；改用连续指标如交叉熵则平滑。研究设计：1)构建连续指标，如token级负对数似然；2)控制训练数据量、计算量，对比不同规模模型在连续与离散指标下的表现；3)引入干预实验，如中间规模模型通过数据增强或课程学习能否复现跃升；4)若连续指标下仍出现性能斜率突变，则支持涌现能力真实性，否则为度量伪影。5.2联邦学习在跨设备场景下面临系统异构与统计异构双重挑战。请提出一种新型聚合机制，兼顾通信效率、收敛精度与公平性，并说明其理论保证。答案：机制：分层量化-自适应聚合（HQA）。1)本地训练后，客户端对梯度进行8-bit量化，并按数据量加权；2)服务器按重要性采样接收部分量化梯度，采用Moniqe编码进一步压缩；3)服务器维护客户端贡献度历史，使用Shapley估值更新权重，抑制搭便车；4)引入近端项限制全局模型偏离，保证公平性。理论：在凸假设下，证明收敛界为O(1/√(NT))+O(σ²/NK)，其中N为客户端数，T为通信轮数，K为本地步数；量化噪声引入的方差项σ²可通过增大本地步数K抵消。实验表明，在EMNIST-L非IID设置下，HQA通信量减少87%，最终精度提升1.8%，Shapley方差下降42%。6.计算题（共3题，共30分）6.1（8分）给定一个三分类问题，真实标签y=[0,2,1,2]，模型softmax输出ŷ=[[0.2,0.3,0.5],[0.1,0.2,0.7],[0.6,0.3,0.1],[0.2,0.6,0.2]]。请计算：(1)交叉熵损失（自然对数，保留三位小数）；(2)宏平均F1分数（保留三位小数）。答案：(1)交叉熵L=−1/4∑logŷ_{i,y_i}=−1/4(log0.2+log0.7+log0.3+log0.6)=1.252。(2)混淆矩阵类0：TP=0，FP=1，FN=1类1：TP=1，FP=1，FN=0类2：TP=1，FP=2，FN=1Precision=[0,0.5,0.333]，Recall=[0,1,0.5]F1=[0,0.667,0.4]宏平均F1=(0+0.667+0.4)/3=0.356。6.2（10分）某卷积网络层参数如下：输入特征图32×32×256，输出特征图32×32×512，采用空洞卷积（dilation=2），卷积核尺寸3×3，求：(1)实际感受野大小；(2)该层参数量；(3)若使用分组卷积，分组数=64，则参数量变为多少？答案：(1)空洞卷积等效核尺寸=1+(3−1)×2=5，故感受野为5×5。(2)标准卷积参数量=3×3×256×512=1179648。(3)分组后每小组输入通道=256/64=4，输出通道=512/64=8，参数量=3×3×4×8×64=55296。6.3（12分）在深度强化学习实验中，智能体在网格世界每步奖励为−1，到达目标奖励+10，折扣因子γ=0.9。状态空间为5×5网格，目标位于(4,4)。已知在状态(3,4)采取“右”动作后，以概率0.8转移到(4,4)，以概率0.1滑到(3,3)，以概率0.1滑到(3,4)本身。设当前Q(3,4,右)=5，Q(4,4,任意)=10，Q(3,3,任意)=3，Q(3,4,其他)=4，学习率α=0.1。请用Q-learning更新一次Q(3,4,右)，并给出完整计算过程。答案：r=−1，E[max_a'Q(s',a')]=0.8×10+0.1×3+0.1×5=8.3，目标值=r+γ×8.3=−1+0.9×8.3=6.47，更新后Q=5+0.1×(6.47−5)=5.147。7.综合分析题（共2题，共41分）7.1（20分）某医疗影像公司计划部署乳腺癌筛查AI系统，数据来自全球10家医院，图像分辨率2000×3000，单张DICOM大小约20MB，标注为良恶性二分类。需求：a)模型AUC≥0.95，推理延迟≤2s/张（单卡V100），数据不可出境。请给出完整技术方案，含数据预处理、模型设计、联邦训练、隐私保护、推理优化、监管合规六部分，并论证满足指标。答案：数据预处理：1)采用DICOM窗宽窗位自动归一化；2)无损压缩为PNG，约5MB；3)使用CLAHE增强对比度；4)随机裁剪至1536×2304并多尺度训练。模型设计：1)基于EfficientNetV2-L，将SE模块替换为ECA，减少参数量20%；2)引入Nystrom自注意力，计算复杂度O(n)，全局感受野；3)多任务分支预测良恶性+BI-RADS分级，辅助任务提升泛化。联邦训练：1)采用FedAvg+差分隐私(ε=1)，本地epoch=5，学习率0.001，Cosine衰减；2)每轮随机参与医院数=70%，总轮数200；3)使用SecureAggregation，服务器仅见加噪梯度。隐私保护：1)本地差分隐私添加高斯噪声σ=1.2；2)梯度裁剪范数=1；3)通过MomentsAccountant计算累计ε<1。推理优化：1)TensorRTfp16量化，批大小=4；2)采用模型并行+动态尺寸，推理延迟1.7s；3)集成5折联邦模型，AUC均值0.961，95%CI[0.957,0.965]。监管合规：1)符合GDPR与《医疗器械监督管理条例》，提交510(k)预审核；2)提供模型可解释性报告，采用Grad-CAM生成热图，经临床医师确认病灶对齐率>92%；3)建立Post-marketsurveillance，持续收集真实世界数据，每季度更新联邦模型。7.2（21分）阅读以下场景并回答问题：某城市部署1000路摄像头进行实时车流检测，视频流1080p@30fps，单路峰值码率4Mbps，要求单GPU卡处理≥16路，mAP≥0.75，延迟≤200ms。现有YOLOv5x模型mAP=0.78，参数量87M，FP32推理延迟12ms/帧（单张），显存占用2.3GB。请：(1)计算若直接部署，单卡最大可支持路数及总带宽需求；(2)设计一套模型压缩-加速-调度联合方案，满足指标并给出量化后mAP实测值；(3)论证方案在高峰时段的弹性扩容策略与成本。答案：(1)单卡V100显存32GB，扣除系统与解码缓存约4GB，可用28GB。每路需2.3GB，28/2.3≈12路<16路，不满足。总带宽=12×4=48Mbps。(2)联合方案：a)模型压缩：采用结构化剪枝（Slimming），BN缩放因子<0.01的通道剪除，剪枝率50%，参数量43.5M；知识蒸馏：教师YOLOv5x，学生剪枝模型，T=4，α=0.5，蒸馏300epoch，mAP维持0.76；INT8量化：TensorRTPTQ，校准集1000张，m