北京市2025北京邮电大学人工智能学院招聘2人（人才派遣）笔试历年参考题库典型考点附带答案详解

[北京市]2025北京邮电大学人工智能学院招聘2人（人才派遣）笔试历年参考题库典型考点附带答案详解一、选择题从给出的选项中选择正确答案（共50题）1、在人工智能领域，深度学习模型训练过程中，“过拟合”（Overfitting）现象通常表现为：A.模型在训练集上表现良好，但在测试集上表现较差B.模型在训练集和测试集上表现均较差C.模型在训练集上表现较差，但在测试集上表现良好D.模型在训练集和测试集上表现均良好2、下列哪种神经网络结构最常用于处理序列数据，如自然语言处理中的文本分析？A.卷积神经网络（CNN）B.循环神经网络（RNN）C.生成对抗网络（GAN）D.自编码器（Autoencoder）3、在机器学习分类任务中，混淆矩阵里的“假阳性”（FalsePositive）指的是：A.实际为正类，预测为正类B.实际为正类，预测为负类C.实际为负类，预测为正类D.实际为负类，预测为负类4、梯度下降算法中，学习率（LearningRate）设置过大可能导致的问题是：A.收敛速度过慢B.陷入局部最小值C.梯度消失D.在最优解附近震荡甚至发散5、下列哪种技术不属于常见的模型正则化方法，用于防止过拟合？A.DropoutB.L2正则化C.数据增强D.增加网络层数6、在深度学习模型训练中，为了防止过拟合，以下哪种正则化技术是通过随机丢弃神经元来实现的？A.L1正则化B.L2正则化C.DropoutD.BatchNormalization7、在图论中，如果一个无向图有n个顶点和n-1条边，且不存在环，则该图一定是：A.连通图B.完全图C.树D.有向图8、在数据库事务处理中，ACID特性里的“I”代表隔离性（Isolation）。以下哪种隔离级别允许出现“脏读”现象？A.读未提交（ReadUncommitted）B.读已提交（ReadCommitted）C.可重复读（RepeatableRead）D.串行化（Serializable）9、在计算机网络中，OSI七层模型中负责建立、管理和终止应用程序之间会话的是哪一层？A.传输层B.会话层C.表示层D.应用层10、在算法复杂度分析中，快速排序的平均时间复杂度是多少？A.O(n)B.O(nlogn)C.O(n^2)D.O(logn)11、在人工智能领域，深度学习模型训练过程中，梯度消失问题主要出现在哪类网络结构中？A.卷积神经网络(CNN)B.短序列循环神经网络(RNN)C.长短期记忆网络(LSTM)D.残差神经网络(ResNet)12、在机器学习分类任务中，若正负样本比例严重失衡（如1:100），以下哪种评估指标最具参考价值？A.准确率(Accuracy)B.均方误差(MSE)C.F1-ScoreD.决定系数(R²)13、Transformer架构中，自注意力机制（Self-Attention）的核心计算过程不涉及以下哪项操作？A.计算查询（Query）与键（Key）的点积B.对结果进行Softmax归一化C.将加权后的值（Value）相加D.使用卷积核进行局部特征提取14、在自然语言处理任务中，词嵌入（WordEmbedding）的主要目的是将离散词汇映射到什么空间？A.高维稀疏的二值向量空间B.低维稠密的连续向量空间C.高维稀疏的整数索引空间D.低维离散的分类标签空间15、卷积神经网络中，池化层（Pooling）的主要作用不包括以下哪一项？A.减少特征图的空间维度B.增加模型的非线性能力C.提高模型对微小位移的鲁棒性D.显著增加可训练参数的数量16、在人工智能领域中，监督学习（SupervisedLearning）的主要特征是：A.数据没有标签，模型需自行发现结构B.通过与环境交互获得奖励信号来优化策略C.使用带有标签的数据训练模型，以预测未知数据的输出D.仅依赖历史数据描述，不进行任何预测任务17、卷积神经网络（CNN）中，池化层（PoolingLayer）的主要作用不包括：A.降低特征图的空间维度，减少计算量B.提取图像中最显著的特征，具有平移不变性C.增加模型的参数量，提高拟合能力D.防止过拟合，增强模型的泛化能力18、在自然语言处理中，Transformer架构的核心机制是：A.循环神经网络（RNN）的序列处理B.自注意力机制（Self-Attention）C.长短期记忆网络（LSTM）的门控单元D.卷积核的空间特征提取19、下列关于支持向量机（SVM）的说法，错误的是：A.SVM旨在寻找一个超平面，使两类数据的间隔最大化B.SVM可以通过核技巧处理非线性分类问题C.SVM对大规模数据集的训练效率通常较低D.SVM只能用于分类任务，不能用于回归分析20、在深度学习模型训练过程中，梯度消失（VanishingGradient）问题最常出现在哪种网络结构中？A.浅层全连接网络B.深层前馈神经网络或早期RNNC.卷积神经网络（CNN）D.生成对抗网络（GAN）21、在深度学习中，反向传播算法（Backpropagation）的核心数学基础是以下哪种规则？A.大数定律B.链式法则C.中心极限定理D.贝叶斯定理22、以下哪种数据结构最适合用于实现“后进先出”（LIFO）的操作？A.队列B.栈C.链表D.哈希表23、在关系型数据库中，用于唯一标识表中每一行记录的属性或属性组合称为？A.外键B.超键C.候选键D.主键24、TCP协议通过三次握手建立连接，其主要目的是为了确保？A.数据加密传输B.双方发送接收能力正常C.提高传输速率D.防止数据丢失25、在Python中，列表（List）和元组（Tuple）的主要区别在于？A.列表可以包含不同类型元素，元组只能包含相同类型B.列表是可变的，元组是不可变的C.列表使用括号，元组使用方括号D.列表查询速度慢于元组26、在机器学习模型训练中，为了防止过拟合，以下哪种方法通常不被视为正则化手段？A.L1正则化B.L2正则化C.DropoutD.增加训练数据量27、卷积神经网络（CNN）中，池化层（PoolingLayer）的主要作用不包括：A.减小特征图的空间维度B.提取主要特征，增强平移不变性C.增加模型的非线性表达能力D.减少参数量，降低计算复杂度28、在决策树算法中，ID3算法选择划分属性时使用的核心指标是：A.基尼指数（GiniIndex）B.信息增益（InformationGain）C.信息增益率（GainRatio）D.均方误差（MSE）29、关于支持向量机（SVM）中的核技巧（KernelTrick），下列说法正确的是：A.核函数必须是非线性的B.核技巧旨在将低维空间映射到高维空间以寻找线性分离超平面C.核技巧增加了模型的计算复杂度，因此效率低于线性SVMD.核技巧仅适用于线性可分数据30、在深度学习反向传播算法中，链式法则（ChainRule）主要用于：A.初始化权重参数B.计算损失函数对各层权重的梯度C.选择激活函数D.进行数据预处理31、在深度学习模型训练中，为了防止过拟合，以下哪种正则化技术通过随机丢弃神经元来实现？A.L1正则化B.L2正则化C.DropoutD.BatchNormalization32、在自然语言处理中，Transformer架构的核心组件是？A.循环神经网络B.卷积神经网络C.自注意力机制D.长短期记忆网络33、在计算机视觉任务中，用于图像语义分割的典型编码器-解码器结构是？A.VGG16B.U-NetC.ResNetD.BERT34、以下哪种损失函数常用于多分类问题的神经网络输出层？A.均方误差B.交叉熵损失C.HingeLossD.对比损失35、在强化学习中，Q-learning算法属于哪一类学习方法？A.模型基方法B.无模型方法C.监督学习方法D.半监督学习方法36、在深度学习模型训练中，以下哪种激活函数最常用于解决梯度消失问题，并在隐藏层中广泛应用？A.Sigmoid函数B.Tanh函数C.ReLU函数D.Softmax函数37、在自然语言处理中，Transformer架构的核心机制是什么？A.循环神经网络B.卷积神经网络C.自注意力机制D.生成对抗网络38、以下哪种技术不属于计算机视觉中的图像增强手段？A.直方图均衡化B.图像旋转C.支持向量机D.高斯模糊39、在强化学习中，用于平衡“探索”与“利用”的常用策略是？A.贪心算法B.ε-贪心算法C.深度Q网络D.策略梯度40、以下哪种数据结构最适合实现图的广度优先搜索（BFS）？A.栈B.队列C.哈希表D.二叉堆41、在人工智能领域，监督学习（SupervisedLearning）与无监督学习（UnsupervisedLearning）的核心区别在于：A.监督学习使用有标签数据，无监督学习使用无标签数据B.监督学习速度更快，无监督学习精度更高C.监督学习仅用于分类，无监督学习仅用于回归D.监督学习不需要训练过程42、卷积神经网络（CNN）中，池化层（PoolingLayer）的主要作用不包括：A.降低特征图的空间维度B.减少模型参数数量，防止过拟合C.提取图像中最显著的局部特征D.增加图像的细节分辨率43、在自然语言处理中，Transformer架构的核心机制是：A.循环神经网络B.注意力机制C.卷积操作D.长短期记忆单元44、关于支持向量机（SVM）中的“核技巧”（KernelTrick），下列说法正确的是：A.核技巧用于将数据从高维映射到低维B.核技巧可以避免显式计算高维空间的映射C.核技巧仅适用于线性可分数据D.核技巧增加了计算复杂度且无实际意义45、在深度强化学习中，Q-Learning算法的主要特点是：A.基于策略的优化方法B.需要环境模型的概率分布信息C.是一种离策（Off-policy）的价值迭代方法D.仅适用于连续动作空间46、在深度学习框架中，反向传播算法的核心作用是什么？A.初始化网络权重B.计算损失函数C.计算梯度并更新参数D.数据预处理47、以下哪种数据结构最适合实现队列（Queue）？A.栈B.链表C.哈希表D.树48、在Linux系统中，用于查看当前运行进程及其资源占用情况的命令是？A.lsB.cdC.topD.mkdir49、TCP协议中，建立连接需要进行几次握手？A.1次B.2次C.3次D.4次50、Python中，列表推导式`[x**2forxinrange(5)]`的结果是？A.[0,1,4,9,16]B.[1,4,9,16,25]C.[0,1,2,3,4]D.[1,2,3,4,5]

参考答案及解析1.【参考答案】A【解析】过拟合是指模型在训练数据上表现得过于优异，捕捉到了数据中的噪声和特定细节，导致泛化能力下降。因此，模型在训练集上的误差很低，但在未见过的测试集或验证集上误差较高，性能显著下降。选项B描述的是欠拟合，选项C不符合常规逻辑，选项D是理想状态。理解过拟合对于调整模型复杂度、使用正则化技术至关重要。2.【参考答案】B【解析】循环神经网络（RNN）及其变体（如LSTM、GRU）专门设计用于处理序列数据，因为它们具有内部状态，能够捕捉时间步之间的依赖关系。卷积神经网络（CNN）主要用于图像识别，生成对抗网络（GAN）用于生成新数据，自编码器用于降维或特征学习。在处理句子、语音等序列信息时，RNN架构能更好地保留上下文信息，是NLP领域的经典基础模型。3.【参考答案】C【解析】混淆矩阵中，行代表真实标签，列代表预测标签。假阳性（FalsePositive,FP）是指样本实际属于负类，但被模型错误地预测为正类。这通常被称为“误报”。选项A是真阳性，选项B是真阴性，选项D是假阴性（漏报）。准确理解这些概念有助于计算精确率、召回率等评估指标，从而全面衡量模型性能。4.【参考答案】D【解析】学习率控制参数更新的步长。如果学习率过大，每次更新的幅度太大，可能导致算法越过最优解，无法稳定收敛，甚至在损失函数表面震荡或发散，导致训练失败。选项A是学习率过小的后果，选项B和C通常与模型结构或数据特性有关，而非直接由学习率过大引起。合理设置学习率是模型训练成功的关键。5.【参考答案】D【解析】Dropout通过随机丢弃神经元防止共适应，L2正则化通过惩罚大权重限制模型复杂度，数据增强通过扩充多样性数据提高泛化能力，三者均为常用正则化手段。而增加网络层数通常会增加模型容量和复杂度，反而更容易导致过拟合，除非配合其他正则化手段。因此，单纯增加层数不是防止过拟合的方法，而是增加模型拟合能力的操作。6.【参考答案】C【解析】Dropout（随机失活）是一种在训练过程中随机将部分神经元的输出置为零的技术。通过这种方式，它防止了神经元之间的过度共适应，迫使网络学习更鲁棒的特征表示，从而有效缓解过拟合问题。L1和L2正则化是通过修改损失函数来实现的，而BatchNormalization主要用于加速训练并减少内部协变量偏移。因此，通过随机丢弃神经元来实现的是Dropout。7.【参考答案】C【解析】树的定义是连通且无环的无向图，或者更一般地，一个具有n个顶点的无环无向图恰好有n-1条边。虽然题目未明确说明连通性，但在图论标准定义中，满足n个顶点、n-1条边且无环的图必然是连通的，因此构成一棵树。完全图需要n(n-1)/2条边，有向图与题干“无向图”矛盾。故选C。8.【参考答案】A【解析】隔离性确保并发事务互不干扰。读未提交是最低的隔离级别，允许一个事务读取另一个事务尚未提交的数据，这可能导致脏读。读已提交阻止脏读但允许不可重复读；可重复读阻止不可重复读但允许幻读；串行化则完全阻止这些现象。因此，允许脏读的是读未提交级别。9.【参考答案】B【解析】OSI模型中，会话层（SessionLayer）的主要功能是建立、管理和终止应用程序之间的会话连接。传输层负责端到端的可靠数据传输；表示层负责数据格式转换和加密；应用层为用户提供网络服务接口。因此，负责会话管理的是会话层。10.【参考答案】B【解析】快速排序是一种基于分治法的排序算法。在平均情况下，每次划分都能将数组大致分为两半，递归深度为logn，每层处理时间为O(n)，因此平均时间复杂度为O(nlogn)。最坏情况下（如数组已有序且基准选择不当），复杂度退化为O(n^2)。但在一般讨论中，其平均性能优异，通常指O(nlogn)。11.【参考答案】B【解析】梯度消失是早期短序列循环神经网络（RNN）面临的典型问题。由于反向传播算法中链式法则的连乘效应，随着网络层数加深或序列变长，梯度值会指数级减小，导致浅层权重几乎无法更新。卷积神经网络（CNN）通过局部连接和权值共享缓解此问题；LSTM通过门控机制专门解决长距离依赖；ResNet通过跳跃连接（SkipConnection）直接保留梯度信息。因此，短序列RNN最易受梯度消失影响，需通过改进结构或激活函数（如ReLU）来优化。12.【参考答案】C【解析】当样本严重失衡时，准确率会产生误导，因为模型只需将所有样本预测为多数类即可获得高准确率，但实际预测能力极差。均方误差和决定系数主要用于回归任务，不适用于分类。F1-Score是精确率（Precision）和召回率（Recall）的调和平均数，能综合反映模型对少数类的识别能力，不受类别不平衡影响。因此，在正负样本失衡场景下，F1-Score比准确率更能真实反映模型性能，是更科学的评估指标。13.【参考答案】D【解析】自注意力机制的核心流程包括：首先将输入映射为Q、K、V向量；接着计算Q与K的点积得到注意力分数；通过Softmax函数对分数进行归一化，得到权重；最后将权重与V相乘并求和，得到输出。整个过程基于全局依赖关系，无需移动窗口或固定大小的卷积核。卷积操作是CNN的核心，用于提取局部空间特征，而Transformer旨在捕捉序列中的长距离依赖，两者机制不同。因此，卷积核提取特征不属于自注意力机制的操作。14.【参考答案】B【解析】传统One-Hot编码将词汇映射为高维稀疏的二值向量，无法体现词义相似度。词嵌入技术（如Word2Vec、GloVe）旨在将离散的词汇映射到低维稠密的连续向量空间。在这个空间中，语义相近的词在向量距离上更近，能够捕捉词语间的上下文关系和语义信息。这种稠密表示不仅降低了维度，减少了计算复杂度，还提高了模型对未见词汇的泛化能力，是现代NLP任务的基础表示方法。15.【参考答案】D【解析】池化层（如最大池化、平均池化）主要用于下采样，通过缩小特征图尺寸来减少后续层的计算量和参数量，从而控制过拟合。它通过保留主要特征并忽略微小变化，提高了模型对位置偏移的鲁棒性。虽然池化引入了某种形式的“选择”机制，但其本身不包含可训练参数，不会增加参数量。增加参数主要依靠卷积层和全连接层。因此，显著增加可训练参数数量不是池化层的作用，反而是其相反的效果。16.【参考答案】C【解析】监督学习的核心在于利用已知正确答案（标签）的数据集进行训练。算法通过输入特征与对应标签的映射关系，学习内部规律，从而对新的、无标签数据进行预测或分类。选项A描述的是无监督学习；选项B描述的是强化学习；选项D描述的是描述性统计分析，不具备预测功能。因此，C选项准确概括了监督学习的定义与机制，即“输入-标签”配对训练以实现对未知数据的推断能力。17.【参考答案】C【解析】池化层通过下采样操作（如最大池化或平均池化）缩小特征图尺寸，从而有效降低后续层的计算负荷和参数量，而非增加。它具有平移不变性，能提取主要特征并抑制微小位移带来的影响，有助于防止过拟合。选项C称其“增加参数量”与事实相反，卷积层才是主要增加参数的部分。因此，C是不包括的作用，符合题意。18.【参考答案】B【解析】Transformer架构摒弃了传统的循环和卷积结构，完全基于自注意力机制（Self-Attention）来捕捉序列中的长距离依赖关系。该机制允许模型在处理每个词时，关注序列中所有其他词的相关性，从而并行计算并提升训练效率。选项A、C属于RNN及其变体，选项D属于CNN，均非Transformer的核心机制。因此，B选项正确。19.【参考答案】D【解析】支持向量机不仅可用于分类，还可扩展用于回归分析，称为支持向量回归（SVR）。选项A描述了SVM的基本优化目标；选项B说明了核函数在处理非线性数据时的作用；选项C指出其在大数据集上计算复杂度高的缺点。选项D声称“不能用于回归”是错误的，因为SVR是SVM的重要应用领域。因此，D为错误说法。20.【参考答案】B【解析】梯度消失问题主要发生在深层网络中，特别是早期的循环神经网络（RNN）和深层前馈网络。当网络层数很深时，反向传播过程中梯度连乘会导致数值极小，使得浅层参数几乎不更新。虽然现代CNN通过残差连接等技术缓解了此问题，但深层结构本身仍是高风险区。浅层网络层数少，不易发生此问题。因此，B选项最符合梯度消失的典型发生场景。21.【参考答案】B【解析】反向传播算法用于训练多层神经网络，其核心在于计算损失函数对各层权重的梯度。这一过程依赖于微积分中的链式法则（ChainRule），通过从输出层向输入层逐层计算偏导数，将误差信号反向传递，从而更新网络参数以最小化损失。大数定律和中心极限定理主要涉及概率统计，贝叶斯定理用于条件概率计算，均非反向传播的直接数学基础。掌握链式法则对于理解神经网络优化机制至关重要。22.【参考答案】B【解析】栈（Stack）是一种特殊的线性表，其插入和删除操作仅能在表的一端（栈顶）进行，遵循“后进先出”（LIFO）原则。队列（Queue）遵循“先进先出”（FIFO）原则；链表是线性存储结构，支持多种操作；哈希表通过键值对存储，侧重于快速查找。因此，栈是处理递归、表达式求值及撤销操作等LIFO场景的理想数据结构。23.【参考答案】D【解析】主键（PrimaryKey）是用于唯一标识表中每一行记录的一个或一组属性，它必须满足唯一性和非空性。超键是包含候选键的任意属性集，但可能包含冗余；候选键是最小超键；外键用于建立表间关联。虽然候选键也能唯一标识记录，但在实际数据库设计中，主键是被选定作为主要标识符的候选键，具有强制约束力。24.【参考答案】B【解析】TCP三次握手（SYN,SYN-ACK,ACK）的主要目的是同步序列号并确认双方的发送和接收能力是否正常，从而建立可靠的连接。它并不直接涉及数据加密（那是SSL/TLS的功能），也不直接提高传输速率或防止数据丢失（这些通过滑动窗口和重传机制实现）。握手过程确保了通信双方对初始序列号达成一致，为后续可靠数据传输奠定基础。25.【参考答案】B【解析】Python中的列表（List）使用方括号[]定义，是可变序列，支持增删改查等操作；元组（Tuple）使用圆括号()定义，是不可变序列，一旦创建便不能修改其元素。两者均可包含不同类型元素。由于不可变性，元组在内存占用和访问速度上通常略优于列表，且可作为字典的键。因此，可变性是其核心区别。26.【参考答案】D【解析】正则化旨在通过约束模型复杂度或引入噪声来防止过拟合。L1和L2正则化通过在损失函数中添加惩罚项限制权重大小；Dropout通过随机丢弃神经元引入噪声。而增加训练数据量属于数据增强或扩大数据集范畴，虽能提升泛化能力，但本身不属于对模型结构或参数施加约束的正则化技术。因此，D选项符合题意。27.【参考答案】C【解析】池化层通过下采样（如最大池化）减小特征图尺寸，从而减少后续层的参数量和计算量，并赋予模型一定的平移不变性。然而，池化操作本身通常是确定性的线性或统计操作，并不引入新的非线性变换。模型的非线性主要由激活函数（如ReLU）提供。因此，C选项不是池化层的主要作用。28.【参考答案】B【解析】ID3算法基于信息论，使用信息增益作为标准来选择最优划分属性，即选择使划分后信息熵减少最多的属性。C4.5算法在此基础上引入了信息增益率以解决偏向多值属性的问题；CART算法（分类树）使用基尼指数；回归树则常用均方误差。因此，ID3对应的核心指标为信息增益。29.【参考答案】B【解析】核技巧的核心思想是通过核函数隐式地将输入数据映射到高维特征空间，使得在原空间中线性不可分的数据在高维空间中变得线性可分，从而寻找最优超平面。虽然映射到高维，但通过核函数计算内积，避免了显式的高维计算，并未必然导致效率低于线性SVM（取决于核函数复杂度）。核技巧主要用于处理线性不可分数据。因此，B选项描述准确。30.【参考答案】B【解析】反向传播算法的核心是利用链式法则，从输出层向输入层逐层计算损失函数相对于每一层权重和偏置的梯度。通过复合函数求导的规则，将误差信号反向传递，从而更新模型参数以最小化损失。初始化、激活函数选择和预处理均不涉及链式法则的核心应用。因此，B选项正确。31.【参考答案】C【解析】Dropout（随机失活）是一种高效的正则化方法。在训练过程中，它按照一定概率随机将部分神经元的输出置为零，从而阻止神经元之间的共适应现象，迫使网络学习更鲁棒的特征。L1和L2正则化主要通过修改损失函数增加权重惩罚项来限制模型复杂度。BatchNormalization主要用于加速训练收敛并缓解内部协变量偏移，虽有一定正则化效果，但其核心机制并非随机丢弃神经元。因此，通过随机丢弃神经元实现防过拟合的是Dropout。32.【参考答案】C【解析】Transformer模型完全摒弃了传统的循环和卷积结构，其核心创新在于自注意力机制（Self-Attention）。该机制允许模型在处理序列数据时，直接计算序列中任意两个位置之间的关联度，从而捕捉长距离依赖关系，并支持并行计算，大幅提升了训练效率。RNN和LSTM依赖时序处理，难以并行且存在梯度消失问题；CNN擅长局部特征提取，但在捕捉全局依赖上不如自注意力机制高效。因此，自注意力机制是Transformer的灵魂。33.【参考答案】B【解析】U-Net是一种经典的编码器-解码器架构，专为生物医学图像分割设计，后广泛应用于各类语义分割任务。其编码器负责提取多尺度特征，解码器负责上采样恢复空间分辨率，并通过跳跃连接融合浅层细节与深层语义信息，从而精准定位物体边界。VGG16和ResNet主要作为分类任务的特征提取backbone；BERT是NLP领域的预训练模型，不直接用于视觉分割。因此，U-Net是典型的分割网络结构。34.【参考答案】B【解析】在多分类问题中，通常使用Softmax函数将输出转换为概率分布，并配合交叉熵损失函数（Cross-EntropyLoss）进行优化。交叉熵能够衡量预测概率分布与真实标签分布之间的差异，对错误分类的惩罚更大，有利于模型快速收敛。均方误差多用于回归任务；HingeLoss常用于支持向量机；对比损失主要用于度量学习或嵌入空间优化。因此，交叉熵损失是多分类任务的标准选择。35.【参考答案】B【解析】Q-learning是一种基于价值的无模型（Model-Free）强化学习算法。它不需要环境的状态转移概率或奖励函数等模型信息，而是通过与环境交互，直接学习状态-动作值函数（Q函数），进而推导出最优策略。模型基方法需要构建环境模型；监督学习和半监督学习依赖于带标签的数据集，而非通过试错获得奖励信号。因此，Q-learning属于典型的无模型强化学习方法。36.【参考答案】C【解析】Sigmoid和Tanh函数在输入值绝对值较大时，导数趋近于0，容易导致深层网络中的梯度消失。Softmax主要用于多分类输出层。ReLU（RectifiedLinearUnit）函数在正区间导数为1，能有效缓解梯度消失问题，计算简单，收敛速度快，因此成为隐藏层中最常用的激活函数。尽管存在“神经元死亡”风险，但其优势使其在卷积神经网络和深层感知机中占据主导地位。37.【参考答案】C【解析】Transformer架构完全基于注意力机制，摒弃了传统的循环和卷积结构。其核心是自注意力机制（Self-Attention），允许模型在处理序列数据时，直接计算序列中任意两个位置之间的依赖关系，无论它们距离多远。这使得模型能够并行处理数据，极大地提高了训练效率，并更好地捕捉长距离依赖，成为大语言模型的基础架构。38.【参考答案】C【解析】图像增强旨在改善图像视觉效果或提取更易于分析的特征。直方图均衡化用于提高对比度，旋转和缩放属于几何变换，高斯模糊可用于降噪或构建图像金字塔，它们均属于增强或预处理技术。支持向量机（SVM）是一种经典的监督学习分类算法，用于数据分类或回归分析，而非用于改善图像本身的质量或特征，因此不属于图像增强手段。39.【参考答案】B【解析】强化学习智能体需要在已知最优动作（利用）和尝试新动作以发现更优策略（探索）之间取得平衡。纯贪心算法只选择当前价值最高的动作，缺乏探索能力。ε-贪心算法以概率ε随机选择动作进行探索，以概率1-ε选择当前最优动作进行利用，通过调节ε值可有效平衡二者。深度Q网络和策略梯度是算法框架，而非专门用于平衡探索与利用的具体策略机制。40.【参考答案】B【解析】广度优先搜索（BFS）要求从起始节点出发，逐层访问邻居节点。为了实现按层遍历，需要遵循“先进先出”（FIFO）的原则，即先被发现的节点先被扩展。队列数据结构完美符合这一特性。栈用于深度优先搜索（DFS），遵循“后进先出”；哈希表用于快速查找；二叉堆常用于优先队列或堆排序，均不适合直接实现标准的BFS算法流程。41.【参考答案】A【解析】监督学习依赖于带有标签的训练数据集，即输入数据与对应的正确输出（标签）成对出现，模型通过最小化预测值与真实值之间的误差来学习映射关系，典型任务包括分类和回归。相比之下，无监督学习处理的是没有标签的数据，旨在发现数据内在的结构、模式或分布，如聚类分析和降维。两者并非速度或精度的简单优劣之分，且监督学习同样涉及复杂的训练优化过程。因此，是否拥有标签数据是区分两者的根本标准。42.【参考答案】D【解析】池化层，如最大池化或平均池化，核心功能是对卷积层提取的特征图进行下采样。这一过程能有效缩小特征图的尺寸，从而大幅减少后续层的计算量和参数量，有助于控制模型复杂度并缓解过拟合。同时，池化操作具有一定的平移不变性，能保留最显著的特征信息。然而，下采样必然导致空间分辨率的降低，而非增加细节分辨率，因此D选项表述错误，符合题意。43.【参考答案】B【解析】Transformer模型彻底摒弃了传统的循环和卷积结构，完全基于注意力机制（Self-Attention）来处理序列数据。该机制允许模型在处理序列中的每个元素时，直接关注序列中的其他所有元素，从而捕捉长距离依赖关系。这种并行化的处理方式不仅解决了RNN中的梯度消失问题，还显著提升了训练效率。LSTM和RNN属于传统序列模型，卷积操作则是CNN的核心，均不是Transformer的核心机制。44.【参考答案】B