【答案】《深度学习及其应用》(复旦大学)章节期末中国大学慕课答案

第一单元神经网络基础神经网络基础1.单选题：在神经网络中，以下哪种激活函数最有可能导致梯度消失问题？

选项：

A、ReLU

B、LeakyReLU

C、Sigmoid

D、Softmax

答案：【Sigmoid】2.单选题：在神经网络训练中，以下哪种方法可以有效缓解梯度爆炸问题？

选项：

A、使用ReLU激活函数

B、使用Sigmoid激活函数

C、使用梯度截断

D、增加隐层数量

答案：【使用梯度截断】3.单选题：在神经网络中，以下哪种正则化方法通过随机丢弃部分神经元来防止过拟合？

选项：

A、L1正则化

B、L2正则化

C、Dropout

D、BatchNormalization

答案：【Dropout】4.单选题：在神经网络中，以下哪种方法可以用于评估分类问题的性能？

选项：

A、均方误差（MSE）

B、交叉熵损失（Cross-EntropyLoss）

C、R平方（R-Squared）

D、均方根误差（RMSE）

答案：【交叉熵损失（Cross-EntropyLoss）】5.单选题：关于神经网络的BatchNormalization，以下说法错误的是：

选项：

A、BatchNormalization可以加快模型的训练速度

B、BatchNormalization可以降低模型对权重初始化的依赖

C、BatchNormalization可以使用较大的学习率

D、BatchNormalization对batchsize的大小没有要求

答案：【BatchNormalization对batchsize的大小没有要求】6.单选题：关于神经网络的训练方法，以下说法正确的是：

选项：

A、批量梯度下降法在每次迭代中使用所有训练样本，因此收敛速度较快

B、随机梯度下降法在每次迭代中只使用一个训练样本，因此收敛速度较慢

C、Mini-batch梯度下降法在每次迭代中使用一部分训练样本，因此可以平衡收敛速度和稳定性

D、随机梯度下降法在每次迭代中只使用一个训练样本，因此不容易陷入局部极小值

答案：【Mini-batch梯度下降法在每次迭代中使用一部分训练样本，因此可以平衡收敛速度和稳定性】7.单选题：在神经网络中，以下哪种损失函数适用于多分类问题？

选项：

A、均方误差（MSE）

B、交叉熵损失（Cross-EntropyLoss）

C、Huber损失

D、Softmax损失（SoftmaxCross-EntropyLoss）

答案：【Softmax损失（SoftmaxCross-EntropyLoss）】8.单选题：在神经网络训练中，以下哪种方法可以用于初始化网络权重，以避免梯度消失或梯度爆炸问题？

选项：

A、Xavier初始化

B、随机初始化

C、全零初始化

D、He初始化

答案：【Xavier初始化】9.单选题：在神经网络中，以下哪种方法可以用于减少模型的过拟合，同时提高模型的泛化能力？

选项：

A、增加训练数据量

B、减少训练数据量

C、增加网络层数

D、增加学习率

答案：【增加训练数据量】10.单选题：在神经网络中，以下哪种激活函数在输入值较大时，其导数趋近于0，从而可能导致梯度消失问题？

选项：

A、ReLU

B、LeakyReLU

C、Softplus

D、Tanh

答案：【Tanh】11.单选题：关于BP神经网络，以下说法错误的是：

选项：

A、BP神经网络是一种前馈神经网络

B、BP神经网络的参数权重值是由反向传播学习算法进行调整的

C、BP神经网络的激活函数必须满足可导的条件

D、BP神经网络不能拟合非线性模型

答案：【BP神经网络不能拟合非线性模型】12.单选题：关于神经网络的损失函数，以下说法错误的是：

选项：

A、均方误差损失函数适用于回归问题

B、交叉熵损失函数适用于分类问题

C、Softmax损失函数通常用于多分类问题

D、Huber损失函数对异常值不敏感

答案：【Softmax损失函数通常用于多分类问题】13.单选题：在神经网络训练中，以下关于Dropout的说法错误的是：

选项：

A、Dropout是一种正则化方法

B、Dropout可以减少模型的过拟合

C、Dropout在测试阶段也随机丢弃部分神经元

D、Dropout在训练阶段随机丢弃部分神经元

答案：【Dropout在测试阶段也随机丢弃部分神经元】14.单选题：关于神经网络的激活函数，以下说法正确的是：

选项：

A、Sigmoid函数的输出值域为(0,1)，且其导数是非零的，但容易出现梯度消失的情况

B、ReLU函数是线性的，收敛速度比Sigmoid、Tanh更快，但存在梯度饱和的情况

C、Softmax函数通常用于二分类问题

D、LeakyReLU函数不能解决ReLU函数的“死亡神经元”问题

答案：【Sigmoid函数的输出值域为(0,1)，且其导数是非零的，但容易出现梯度消失的情况】15.单选题：在神经网络训练中，以下方法可以用于防止过拟合的是：

选项：

A、提高学习率

B、Dropout

C、增加隐层数量

D、减少训练数据

答案：【Dropout】16.多选题：在神经网络训练中，以下关于激活函数和损失函数的选择说法正确的是：

选项：

A、对于二分类问题，通常使用Sigmoid激活函数和二元交叉熵损失函数

B、对于多分类问题，通常使用Softmax激活函数和交叉熵损失函数

C、对于回归问题，通常使用ReLU激活函数和均方误差损失函数

D、对于多分类问题，也可以使用ReLU激活函数和交叉熵损失函数

答案：【对于二分类问题，通常使用Sigmoid激活函数和二元交叉熵损失函数;对于多分类问题，通常使用Softmax激活函数和交叉熵损失函数】17.多选题：在神经网络训练中，以下关于优化算法的说法正确的是：

选项：

A、随机梯度下降法（SGD）每次只用一个样本进行梯度计算，因此收敛速度较快

B、批量梯度下降法（BatchGradientDescent）每次用所有样本进行梯度计算，因此收敛稳定，但计算量大

C、Adam优化算法结合了Momentum和RMSProp算法的优点，可以自适应调整学习率

D、AdaGrad优化算法在训练过程中会不断累积梯度的平方，因此学习率会逐渐增大

答案：【批量梯度下降法（BatchGradientDescent）每次用所有样本进行梯度计算，因此收敛稳定，但计算量大;Adam优化算法结合了Momentum和RMSProp算法的优点，可以自适应调整学习率】18.多选题：在神经网络训练中，以下关于梯度消失和梯度爆炸的说法正确的是：

选项：

A、梯度消失是指梯度值过小，导致模型训练速度过慢

B、梯度爆炸是指梯度值过大，导致模型训练发散

C、使用ReLU激活函数可以完全避免梯度消失和梯度爆炸问题

D、使用梯度截断可以缓解梯度爆炸问题

答案：【梯度消失是指梯度值过小，导致模型训练速度过慢;梯度爆炸是指梯度值过大，导致模型训练发散;使用梯度截断可以缓解梯度爆炸问题】第二单元深度学习在人工智能中的应用深度学习应用1.单选题：在医疗影像诊断中，深度学习模型被广泛应用于病变检测。以下哪种应用是深度学习在该领域的主要优势？

选项：

A、增加医疗影像的分辨率

B、提高影像数据的存储效率

C、替代医生进行诊断，完全自动化医疗流程

D、自动化标出病变区域，减少医生工作量

答案：【自动化标出病变区域，减少医生工作量】2.单选题：在自动驾驶领域，深度学习被用于多种任务。以下哪种任务是深度学习模型在自动驾驶中应用最广泛的方向？

选项：

A、车辆故障诊断

B、车内语音识别

C、车辆与行人的检测与跟踪

D、车辆导航路径规划

答案：【车辆与行人的检测与跟踪】3.单选题：深度学习在金融风险预测中的一个重要应用是信用评分。以下哪种深度学习模型最适合处理信用评分任务？

选项：

A、Transformer

B、图神经网络（GNN）

C、卷积神经网络（CNN）

D、循环神经网络（RNN）

答案：【图神经网络（GNN）】4.单选题：在智能语音助手（如Siri、Alexa）中，深度学习被广泛应用于语音识别和自然语言处理。以下哪种应用是深度学习在该领域的主要贡献？

选项：

A、提高语音合成的自然度

B、降低语音信号的噪声

C、增加语音助手的响应速度

D、提高语音识别的准确率

答案：【提高语音识别的准确率】5.单选题：某城市计划利用深度学习技术改善其水资源管理，以应对干旱和水资源短缺问题。以下哪种应用场景最能体现深度学习的价值？

选项：

A、使用深度学习模型分析水质数据，确保供水安全

B、通过深度学习模型监测水库的水位变化，实时调整供水策略

C、利用深度学习模型分析气象数据，预测降雨量

D、使用深度学习模型预测城市居民的用水需求，以便合理分配水资源

答案：【使用深度学习模型预测城市居民的用水需求，以便合理分配水资源】6.单选题：在文化遗产保护领域，深度学习技术被用于文物修复和数字化保护。以下哪种应用场景最能体现深度学习在该领域的独特价值？

选项：

A、使用深度学习模型对文物的破损部分进行虚拟修复，辅助专家制定修复方案

B、利用深度学习模型对文物进行分类和鉴定，提高工作效率

C、通过深度学习模型对文物的年代进行精准推断，辅助考古研究

D、使用深度学习模型对文物的数字化图像进行增强，提升展示效果

答案：【使用深度学习模型对文物的破损部分进行虚拟修复，辅助专家制定修复方案】7.单选题：深度学习在农业领域的应用之一是病虫害检测。以下哪种技术是实现这一应用的关键？

选项：

A、计算机视觉与卷积神经网络（CNN）

B、生成对抗网络（GAN）

C、强化学习

D、自编码器

答案：【计算机视觉与卷积神经网络（CNN）】8.单选题：在工业制造中，深度学习被用于质量检测。以下哪种应用是深度学习在该领域的主要优势？

选项：

A、提高机器的使用寿命

B、降低原材料成本

C、提高生产线的运行速度

D、自动化检测生产线上的缺陷产品

答案：【自动化检测生产线上的缺陷产品】9.单选题：在智能交通系统中，深度学习被用于交通流量预测。以下哪种数据是实现这一应用的核心输入？

选项：

A、地理信息系统（GIS）数据

B、交通摄像头视频数据

C、社交媒体数据

D、天气数据

答案：【交通摄像头视频数据】10.单选题：某公司计划利用深度学习技术优化其物流配送系统，以提高配送效率并降低运输成本。以下哪种应用场景最有可能带来显著的业务改进？

选项：

A、利用深度学习模型分析交通流量数据，优化配送路线

B、使用深度学习模型预测包裹的重量和体积，以优化包装材料的使用

C、通过深度学习模型分析客户订单数据，预测需求高峰

D、使用深度学习模型自动识别包裹上的条形码，加快分拣速度

答案：【利用深度学习模型分析交通流量数据，优化配送路线】第三单元卷积神经网络卷积神经网络应用1.单选题：关于卷积操作和感受野的描述，以下哪个是错误的？

选项：

A、卷积操作的核心是通过卷积核在输入数据上滑动，计算卷积核与局部区域的点积，从而提取局部特征。

B、感受野是指卷积神经网络中某个神经元能够感知到的输入数据区域的大小，感受野越大，神经元能够感知到的全局信息越多。

C、在卷积神经网络中，增加卷积层的数量可以扩大感受野，但同时也会增加计算量。

D、小卷积核（如3×3）通过多层堆叠可以实现与大卷积核（如7×7）相同大小的感受野，但参数数量更多。

答案：【小卷积核（如3×3）通过多层堆叠可以实现与大卷积核（如7×7）相同大小的感受野，但参数数量更多。】2.单选题：关于卷积神经网络的优化和推理，以下哪个说法是错误的？

选项：

A、在卷积神经网络中，使用小卷积核进行多层堆叠，可以增加参数数量，提高计算效率。

B、空洞卷积（DilatedConvolution）可以扩大卷积核的感受野，但不会改变特征图的尺寸，适用于获取多尺度信息。

C、在卷积神经网络的训练中，学习率调整策略（如学习率衰减）可以加速训练过程，提高模型的收敛速度。

D、在卷积神经网络的推理过程中，转置卷积（TransposeConvolution）常用于特征图的上采样，以恢复图像的分辨率。

答案：【在卷积神经网络中，使用小卷积核进行多层堆叠，可以增加参数数量，提高计算效率。】3.单选题：关于卷积神经网络的训练与优化策略，以下哪些说法是正确的？

选项：

A、在卷积神经网络的训练中，使用批量归一化（BatchNormalization）可以加速训练过程，但会增加模型的过拟合风险。

B、Dropout技术通过在训练阶段随机增加部分神经元，减少神经元之间的共适应，从而增强模型的泛化能力。

C、在卷积神经网络中，使用较大的学习率可以加快训练速度，但可能导致训练过程不稳定，甚至无法收敛。

D、数据增强技术通过生成更多的训练样本，增加了数据的多样性，从而有助于提高模型的泛化能力，但对模型的训练速度没有影响。

答案：【在卷积神经网络中，使用较大的学习率可以加快训练速度，但可能导致训练过程不稳定，甚至无法收敛。】4.单选题：关于卷积神经网络的结构与应用，以下哪个说法是错误的？

选项：

A、卷积神经网络中的卷积层和池化层通常交替出现，卷积层用于提取图像的局部特征，池化层用于降低特征图的维度，减少计算量。

B、转置卷积（TransposeConvolution）是一种常用的上采样技术，用于在卷积神经网络中恢复特征图的分辨率，常用于语义分割任务。

C、卷积神经网络在图像分类任务中表现出色，但在目标检测和语义分割任务中，由于需要处理更复杂的像素级信息，卷积神经网络的应用受到限制。

D、在卷积神经网络中，全连接层通常位于网络的最后几层，用于将卷积层和池化层提取的特征进行分类或回归。

答案：【卷积神经网络在图像分类任务中表现出色，但在目标检测和语义分割任务中，由于需要处理更复杂的像素级信息，卷积神经网络的应用受到限制。】5.单选题：以下关于卷积神经网络（CNN）的描述中，哪一项是不正确的？

选项：

A、卷积神经网络的训练过程中，使用BatchNormalization技术可以加速训练过程，但BatchNormalization技术会显著增加模型的参数数量。

B、卷积神经网络的训练过程中，使用Dropout技术可以减少神经元之间的共适应，从而增强模型的泛化能力，但Dropout技术会增加模型的训练时间。

C、在卷积神经网络中，使用小卷积核（如3×3）进行多层堆叠，可以减少参数数量，同时通过增加网络深度来提高模型的复杂度和性能。

D、卷积神经网络通常由卷积层、池化层和全连接层组成，其中卷积层通过卷积核提取局部特征，池化层用于降低特征图的维度，全连接层用于分类或回归。

答案：【卷积神经网络的训练过程中，使用BatchNormalization技术可以加速训练过程，但BatchNormalization技术会显著增加模型的参数数量。】6.单选题：关于卷积神经网络中的池化层和全连接层，以下哪些说法是错误的？

选项：

A、在卷积神经网络中，全连接层通常位于网络的最前面，用于提取图像的高级特征。

B、全连接层的作用是将卷积层和池化层提取的特征进行分类或回归，全连接层的神经元与前一层的每个神经元相连。

C、最大池化（MaxPooling）和平均池化（AveragePooling）是两种常用的池化方法，其中最大池化更注重保留图像的纹理特征，平均池化更注重保留图像的背景信息。

D、池化层的主要作用是减少特征图的尺寸，同时保留重要特征，增强模型对输入图像的平移不变性。

答案：【在卷积神经网络中，全连接层通常位于网络的最前面，用于提取图像的高级特征。】7.单选题：关于卷积神经网络中的激活函数和优化算法，以下哪个说法是错误的？

选项：

A、ReLU激活函数是最常用的激活函数之一，其缺点是不能缓解梯度消失问题，但可能导致神经元死亡。

B、Sigmoid激活函数是一种非线性激活函数，其输出范围为(0,1)，适合用于二分类问题的输出层。

C、在卷积神经网络的训练中，Adam优化器结合了动量（Momentum）和RMSprop的优点，适用于训练深度网络。

D、Dropout是一种防止过拟合的技术，通过在训练过程中随机丢弃部分神经元，增强模型的泛化能力。

答案：【ReLU激活函数是最常用的激活函数之一，其缺点是不能缓解梯度消失问题，但可能导致神经元死亡。】8.单选题：关于卷积神经网络的结构设计，以下哪个说法是错误的？

选项：

A、卷积神经网络通常由卷积层、池化层、全连接层组成，其中卷积层用于提取局部特征，池化层用于减少特征图的尺寸，全连接层用于分类或回归。

B、在卷积神经网络中，减少卷积层的数量可以提高模型的复杂度和性能，但同时也会增加计算量和训练时间。

C、ResNet（残差网络）通过引入残差块，解决了深层网络训练中的梯度消失问题，使得网络可以更深而不会导致性能下降。

D、深度可分离卷积（DepthwiseSeparableConvolution）是一种高效的卷积操作，通过将标准卷积分解为深度卷积（DepthwiseConvolution）和逐点卷积（PointwiseConvolution），减少了计算量和参数数量。

答案：【在卷积神经网络中，减少卷积层的数量可以提高模型的复杂度和性能，但同时也会增加计算量和训练时间。】9.单选题：关于卷积神经网络中的数据增强和正则化技术，以下哪个说法是错误的？

选项：

A、数据增强通过旋转、缩放、裁剪等操作生成更多的训练样本，从而增加数据多样性，防止模型过拟合。

B、BatchNormalization（批量归一化）主要用于加速训练过程，对防止过拟合没有帮助。

C、Dropout是一种正则化技术，通过在训练过程中随机丢弃部分神经元，增强模型的泛化能力。

D、L2正则化（权重衰减）通过在损失函数中加入权重的平方和，限制权重的大小，从而防止模型过拟合。

答案：【BatchNormalization（批量归一化）主要用于加速训练过程，对防止过拟合没有帮助。】10.单选题：以下关于卷积神经网络（CNN）的应用和优化的描述中，哪一项是不正确的？

选项：

A、卷积神经网络的训练过程中，使用学习率衰减策略可以动态调整学习率，从而提高模型的收敛速度和稳定性。

B、卷积神经网络在自然语言处理（NLP）任务中应用较少，因为卷积操作更适合处理图像数据，而不适合处理序列数据。

C、在卷积神经网络中，使用空洞卷积（DilatedConvolution）可以扩大卷积核的感受野，但不会改变特征图的尺寸，适用于语义分割任务。

D、卷积神经网络在图像分类任务中表现出色，通过引入更深的网络结构（如ResNet），可以进一步提高分类精度。

答案：【卷积神经网络在自然语言处理（NLP）任务中应用较少，因为卷积操作更适合处理图像数据，而不适合处理序列数据。】11.单选题：以下关于卷积神经网络（CNN）的结构和优化的描述中，哪一项是正确的？

选项：

A、在卷积神经网络中，增加卷积层的数量会显著增加模型的参数数量，因此通常不建议使用多层卷积。

B、卷积神经网络中的池化层只能使用最大池化（MaxPooling），不能使用平均池化（AveragePooling）。

C、ResNet（残差网络）通过引入跳跃连接（SkipConnection）解决了深层网络中的梯度消失问题。

D、在卷积神经网络中，全连接层的参数数量通常比卷积层和池化层的参数数量少。

答案：【ResNet（残差网络）通过引入跳跃连接（SkipConnection）解决了深层网络中的梯度消失问题。】12.单选题：以下关于卷积神经网络（CNN）的训练和应用的描述中，哪一项是正确的？

选项：

A、卷积神经网络在训练过程中，通常使用ReLU激活函数来避免梯度消失问题，但ReLU激活函数可能导致梯度爆炸问题。

B、在卷积神经网络中，使用BatchNormalization（批量归一化）技术可以减少内部协变量偏移，但会显著增加模型的训练时间。

C、卷积神经网络在目标检测任务中，通常需要同时输出物体的类别和位置（边界框）。

D、卷积神经网络在自然语言处理（NLP）任务中应用较少，因为其主要适用于图像处理。

答案：【卷积神经网络在目标检测任务中，通常需要同时输出物体的类别和位置（边界框）。】13.多选题：以下关于卷积神经网络（CNN）的描述中，哪些是正确的？（多选题）

选项：

A、卷积神经网络中的卷积层通过卷积核（Filter）在输入图像上滑动，每次计算卷积核与输入图像局部区域的点积，从而提取图像的局部特征。

B、在卷积神经网络中，池化层（PoolingLayer）的主要作用是减少特征图的尺寸，同时保留重要特征，从而降低计算量并增强模型对输入图像的平移不变性。

C、卷积神经网络的训练过程中，通常使用反向传播算法来更新卷积核的权重，以最小化网络的损失函数。

D、卷积神经网络在训练时，为了避免过拟合，通常会使用数据增强、Dropout等技术，但BatchNormalization技术主要用于加速训练过程，对防止过拟合没有帮助。

答案：【卷积神经网络中的卷积层通过卷积核（Filter）在输入图像上滑动，每次计算卷积核与输入图像局部区域的点积，从而提取图像的局部特征。;在卷积神经网络中，池化层（PoolingLayer）的主要作用是减少特征图的尺寸，同时保留重要特征，从而降低计算量并增强模型对输入图像的平移不变性。;卷积神经网络的训练过程中，通常使用反向传播算法来更新卷积核的权重，以最小化网络的损失函数。】第四单元典型卷积神经网络算法典型卷积神经网络算法1.单选题：ResNet的特点不包括以下哪一点？

选项：

A、减少深层网络的梯度消失问题

B、特征的重用

C、增强特征的获取能力

D、模型参数明显增加

答案：【模型参数明显增加】2.单选题：VGG对图像的分类准确度高于AlexNet的原因可能不是下面的哪一项？

选项：

A、较小的卷积核

B、更多的隐层（深度大）

C、训练次数多

D、多个卷积层组成的模块

答案：【训练次数多】3.单选题：以下卷积神经网络优化的方法正确的是哪个？

选项：

A、卷积层使用卷积+ReLU+batchnormalization的结构

B、mini-batch的batch值越大越好

C、增加池化层的个数可以提高网络训练参数，但降低了网络性能

D、激活函数尽量选择Sigmoid等函数，提高网络的非线性拟合能力

答案：【增加池化层的个数可以提高网络训练参数，但降低了网络性能】4.单选题：对于GoogLeNet网络，以下哪个说法是错误的？

选项：

A、为适应不同大学的图形特征的获取，采用了多种大小的卷积核

B、网络的宽度和深度都得到了加强，特征获得更充分

C、通过线性堆叠各种Inception模块，在不明显增加网络课训练参数的情况下，提升网络的性能

D、GoogLeNetL的两个辅助分类器的主要目的是增加分类子模型，提高分类准确度

答案：【GoogLeNetL的两个辅助分类器的主要目的是增加分类子模型，提高分类准确度】5.单选题：ResNet中引入shortcut的功能不包括以下哪一个？

选项：

A、ResNet的梯度通过shortcut回到更早的层，缓解了网络因为深度增大导致的梯度消失

B、引出了残差模块，简化了学习

C、改善了网络的特征获取能力

D、减少了计算量

答案：【减少了计算量】6.单选题：以下哪个不是AlexNet的创新点？

选项：

A、dropout

B、Relu激活函数和重叠池化

C、双GPU训练

D、共享权重

答案：【共享权重】7.单选题：AlexNet使用ReLU激活函数的好处不包括以下哪个方面？

选项：

A、缓解了梯度消失问题

B、提高l网络训练速度

C、梯度为0时神经元难以正常工作

D、开销小、计算快

答案：【梯度为0时神经元难以正常工作】8.单选题：在池化中，当步长小于卷积核的大小时会称为重叠池化。与非重叠池化相比，下面哪个不是重叠池化的优点？

选项：

A、损失信息少

B、获得的图像特更丰富

C、提高卷积神经网络的正确率

D、减少计算量

答案：【减少计算量】9.单选题：有关VGG网络的说法，以下哪个说法是错误的？

选项：

A、多个3X3小卷积的级联效果与5X5和7X7的大卷积核功能相仿

B、使用了dropout减少过拟合

C、使用不同数量的卷积核拼成模块，同一模块特征图的尺寸不变。

D、卷积层与池化层是一一配对的

答案：【卷积层与池化层是一一配对的】10.单选题：梯度消失和梯度爆炸不会导致下面哪种情况？

选项：

A、梯度消失会导致网络训练变慢

B、梯度消失使网络性能不佳，分类准确度低

C、梯度爆炸使网络训练时代价函数震荡，不利于收敛

D、梯度爆炸会加快网络训练，更易达到最优解

答案：【梯度爆炸会加快网络训练，更易达到最优解】11.多选题：提高卷积神经网络分类准确性，以下哪些方法可能是有效的？

选项：

A、增加可调整参数的隐层数目

B、使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强

C、采用小卷积核，提高通道的个数

D、增强特征获取能力对样本按照一定的方式排序

答案：【增加可调整参数的隐层数目;使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强;采用小卷积核，提高通道的个数】12.多选题：提升卷积神经网络对图像的特征获取能力有效的方法包括以下哪些方面？

选项：

A、采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗大的特征，然后再后续的卷积层采用小卷积核获得细致的特征

B、同一隐层组合不同大小的卷积核函数

C、采用shortcut等方式，随着网络层次的加深，减少特征的损失

D、多增加池化操作

答案：【采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗大的特征，然后再后续的卷积层采用小卷积核获得细致的特征;同一隐层组合不同大小的卷积核函数;采用shortcut等方式，随着网络层次的加深，减少特征的损失】13.多选题：以下有关卷积神经网络的说法哪些是正确的？

选项：

A、单纯增加卷积神经网络的深度不一定能获得比较好的性能

B、增加卷积神经网络每层卷积核的多样性可以改善网络的性能

C、采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能

D、卷积神经网络的特征图中的特征很容易归纳解释

答案：【单纯增加卷积神经网络的深度不一定能获得比较好的性能;增加卷积神经网络每层卷积核的多样性可以改善网络的性能;采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能】14.多选题：哪些权重的取值或调整方法可以改善卷积神经网络的训练和性能？

选项：

A、He初始化

B、batchnormalization

C、dropout

D、任意随机初始化

答案：【He初始化;dropout】15.多选题：对于卷积神经网络而言，减少梯度消失可以采用以下哪些方法？

选项：

A、增大学习率

B、减少网络深度（隐层个数）

C、skipconnection

D、减少通道数

答案：【增大学习率;减少网络深度（隐层个数）;skipconnection】16.单选题：大的卷积核可以获得大粒度的特征，而小的卷积核可以获得比较局部的图像特征

选项：

A、正确

B、错误

答案：【正确】17.单选题：GoogLeNet中1X1卷积核的作用是控制输入的通道个数，减少卷积操作参数，还能起到shortcut的作用

选项：

A、正确

B、错误

答案：【正确】18.单选题：交叠池化（即池化核大小比步长大）可以减少特征图的信息损失，但增加了计算量

选项：

A、正确

B、错误

答案：【正确】19.单选题：batchnormalization(BN)可以改善网络训练的稳定性，但也会一定程度上影响卷积神经网络的分类性能

选项：

A、正确

B、错误

答案：【正确】20.单选题：卷积神经网络最后都需要2层或多层全连接层，才能起到分类的功能

选项：

A、正确

B、错误

答案：【错误】第五单元循环神经网络循环神经网络1.单选题：以下哪项不是RNN的典型应用？

选项：

A、股票价格预测

B、文本生成

C、图像风格迁移

D、语音识别

答案：【图像风格迁移】2.单选题：GRU（门控循环单元）与LSTM的主要区别是：

选项：

A、GRU没有遗忘门和输出门

B、GRU将输入门和遗忘门合并为更新门，结构更简单

C、GRU只能处理短序列

D、GRU必须与注意力机制结合使用

答案：【GRU将输入门和遗忘门合并为更新门，结构更简单】3.单选题：在编码器-解码器架构中，编码器的作用是：

选项：

A、直接生成目标序列

B、对输出序列进行反向处理

C、仅保留输入序列的最后一个状态

D、将输入序列映射为固定长度的上下文向量

答案：【将输入序列映射为固定长度的上下文向量】4.单选题：注意力机制（Attention）的提出主要解决了什么问题？

选项：

A、编码器-解码器结构中固定长度上下文向量难以有效压缩长序列全部信息的问题

B、RNN无法处理图像数据

C、梯度消失问题的彻底消除

D、训练数据不足

答案：【编码器-解码器结构中固定长度上下文向量难以有效压缩长序列全部信息的问题】5.单选题：以下哪种问题最适合用RNN解决？

选项：

A、机器翻译（序列到序列任务）

B、图像分类

C、线性回归预测房价

D、聚类分析

答案：【机器翻译（序列到序列任务）】6.单选题：RNN训练中常见的“梯度消失”问题是指：

选项：

A、梯度随网络层数增加指数级增大

B、梯度随时间步反向传播时逐渐趋近零

C、梯度计算出现数值溢出

D、梯度方向与优化目标无关

答案：【梯度随时间步反向传播时逐渐趋近零】7.单选题：LSTM相比传统RNN的主要改进是：

选项：

A、减少网络参数数量

B、使用更大的学习率加速训练

C、引入遗忘门、输入门、输出门控制信息流动

D、增加卷积层提取局部特征

答案：【引入遗忘门、输入门、输出门控制信息流动】8.单选题：双向RNN（Bi-RNN）的特点是：

选项：

A、只能从左到右处理序列

B、同时从左到右和从右到左处理序列并拼接结果

C、仅使用未来信息预测当前输出

D、随机打乱输入序列顺序

答案：【同时从左到右和从右到左处理序列并拼接结果】9.单选题：以下哪种技术不能缓解RNN的梯度消失问题？

选项：

A、使用ReLU激活函数

B、梯度裁剪（GradientClipping）

C、LSTM或GRU结构

D、残差连接（ResidualConnection）

答案：【梯度裁剪（GradientClipping）】10.单选题：循环神经网络（RNN）的核心特点是什么？

选项：

A、只能处理固定长度的输入序列

B、隐含层的输出仅依赖当前输入，与历史状态无关

C、通过循环连接保留历史信息，处理序列数据

D、必须使用反向传播算法训练

答案：【通过循环连接保留历史信息，处理序列数据】第六单元目标检测目标检测与语义分割1.单选题：在目标检测中，当需要在实时性要求较高的场景（如无人机实时目标追踪）和精度要求极高的场景（如医学影像中的病灶检测）之间进行平衡时，以下哪种说法是正确的？

选项：

A、实时性场景应优先选择YOLOv5-n，精度场景应优先选择FasterR-CNN

B、实时性场景应优先选择YOLOv5-x，精度场景应优先选择YOLOv5-n

C、实时性场景应优先选择FasterR-CNN，精度场景应优先选择YOLOv5-n

D、实时性场景应优先选择FasterR-CNN，精度场景应优先选择YOLOv5-x

答案：【实时性场景应优先选择YOLOv5-n，精度场景应优先选择FasterR-CNN】2.单选题：以下关于语义分割和实例分割的描述，错误的是（）

选项：

A、语义分割只需要对每个像素进行类别标注，而实例分割需要区分不同实例的同一类别物体

B、语义分割的输出是一个二维标签图，实例分割的输出是每个实例的掩码和类别

C、MaskR-CNN是一种实例分割算法，也可以用于语义分割任务

D、语义分割算法通常可以作为实例分割算法的基础

答案：【MaskR-CNN是一种实例分割算法，也可以用于语义分割任务】3.单选题：YOLOv5相比YOLOv4主要进行了以下改进（）

选项：

A、引入了新的主干网络结构

B、增加了更多的锚框数量

C、优化了训练策略和超参数调整

D、其他选项都是

答案：【其他选项都是】4.单选题：在FasterR-CNN中，区域提议（RegionProposal）的生成（）

选项：

A、由RPN网络自动学习生成

B、需要人工标注大量的候选区域

C、直接使用图像的边缘检测结果

D、完全基于手工设计的规则

答案：【由RPN网络自动学习生成】5.单选题：以下关于目标检测算法的描述，正确的是（）

选项：

A、R-CNN算法中，候选区域提取采用的是选择性搜索方法

B、FasterR-CNN算法中，候选区域提取采用的是选择性搜索方法

C、R-CNN算法中，候选区域提取采用的是滑动窗口方法

D、FasterR-CNN算法中，候选区域提取采用的是滑动窗口方法

答案：【R-CNN算法中，候选区域提取采用的是选择性搜索方法】6.单选题：在YOLOv5算法中，其主干网络使用的是（）

选项：

A、VGG-16

B、ResNet系列

C、CSPDarknet-53

D、DenseNet

答案：【CSPDarknet-53】7.单选题：以下关于目标检测任务的描述，正确的是（）

选项：

A、目标检测只需定位出图像中目标物体的位置

B、目标检测需要同时定位出图像中目标物体的位置并识别出物体的类别

C、目标检测只需确定图像中是否存在目标物体

D、目标检测任务与图像分类任务相同

答案：【目标检测需要同时定位出图像中目标物体的位置并识别出物体的类别】8.单选题：在FasterR-CNN算法中，RPN（RegionProposalNetwork）的作用是（）

选项：

A、提出一系列不带类别信息的候选区域，后续由ROIPooling等模块进行处理

B、生成一系列带有类别信息的候选区域

C、直接输出目标物体的类别和位置

D、对输入图像进行特征提取

答案：【提出一系列不带类别信息的候选区域，后续由ROIPooling等模块进行处理】9.单选题：YOLOv1算法的主要优点不包括（）

选项：

A、实时性高，检测速度快

B、将目标检测任务转化为回归问题，端到端训练

C、对小目标的检测性能特别出色

D、目标定位准确性较高

答案：【对小目标的检测性能特别出色】10.单选题：在FasterR-CNN中，ROIPooling的主要作用是（）

选项：

A、对特征图进行降维

B、将不同大小的候选区域特征图转换为固定大小的特征

C、提取图像中的边缘特征

D、对候选区域进行分类

答案：【将不同大小的候选区域特征图转换为固定大小的特征】11.单选题：在FasterR-CNN中，若候选区域数量为2000，类别数为20，那么分类损失（classificationloss）的维度是（）

选项：

A、2000×20

B、2000×1

C、1×20

D、20×2000

答案：【2000×20】12.单选题：目标检测算法在处理小目标时面临的挑战不包括哪个（）

选项：

A、小目标在图像中占比小，特征不明显

B、小目标容易被误分类为背景

C、小目标的边界框定位精度要求高

D、小目标的类别多样

答案：【小目标的类别多样】13.单选题：以下关于YOLOv5中锚框（anchorbox）的描述，错误的是（）

选项：

A、锚框的大小是预先设定好的

B、锚框的宽高是基于数据集的边界框尺寸聚类得到的

C、锚框的数量越多越好，可以提高检测精度

D、不同尺度的特征图使用不同大小的锚框

答案：【锚框的数量越多越好，可以提高检测精度】14.单选题：在FasterR-CNN中，ROIAlign与ROIPooling的主要区别在于（）

选项：

A、ROIAlign使用双线性插值，ROIPooling使用最大池化

B、ROIAlign能更好地处理特征图中的小目标

C、ROIPooling的输出特征大小固定，ROIAlign的输出特征大小不固定

D、ROIAlign在特征图上进行双线性插值，ROIPooling在特征图上进行最大池化

答案：【ROIAlign使用双线性插值，ROIPooling使用最大池化】15.单选题：YOLOv3算法中，每个边界框预测（）个类别概率。

选项：

A、1

B、C（类别数）

C、B×C（B为锚框数量）

D、B

答案：【C（类别数）】16.单选题：以下关于FPN（FeaturePyramidNetwork）的描述，错误的是（）

选项：

A、FPN用于构建多尺度的特征金字塔

B、FPN只能从下往上构建特征金字塔

C、FPN可以结合自下而上和自上而下路径

D、FPN可以提高对多尺度目标的检测性能

答案：【FPN只能从下往上构建特征金字塔】17.多选题：在语义分割任务中，以下哪种损失函数更适合处理类别不平衡问题（）

选项：

A、交叉熵损失（Cross-EntropyLoss）

B、焦点损失（FocalLoss）

C、均方误差损失（MeanSquaredErrorLoss）

D、Dice损失

答案：【焦点损失（FocalLoss）;Dice损失】18.多选题：以下关于目标检测算法中非极大值抑制（NMS）的描述，正确的有（）

选项：

A、NMS可以减少检测框的冗余，保留最优的检测框

B、NMS的阈值越大，保留的检测框越多

C、NMS可以完全消除误检的框

D、NMS的阈值会影响检测的召回率

答案：【NMS可以减少检测框的冗余，保留最优的检测框;NMS的阈值越大，保留的检测框越多;NMS的阈值会影响检测的召回率】19.多选题：在目标检测任务中，以下哪些方法可以用于数据增强（）

选项：

A、随机裁剪

B、随机旋转

C、随机平移

D、随机颜色抖动

答案：【随机裁剪;随机旋转;随机平移;随机颜色抖动】20.多选题：以下关于YOLOv5和YOLOv4的区别，正确的有（）

选项：

A、YOLOv5使用了更高效的特征融合方式

B、YOLOv5支持动态输入尺寸，可以根据显存大小自动调整

C、YOLOv4的网络结构更复杂，计算量更大

D、YOLOv5的训练和推理速度更慢

答案：【YOLOv5使用了更高效的特征融合方式;YOLOv5支持动态输入尺寸，可以根据显存大小自动调整;YOLOv4的网络结构更复杂，计算量更大】21.多选题：在FasterR-CNN中，以下哪些因素会影响最终的检测精度（）

选项：

A、提议区域的质量

B、特征提取网络的性能

C、分类器的准确性

D、边界框回归的精度

答案：【提议区域的质量;特征提取网络的性能;分类器的准确性;边界框回归的精度】22.多选题：下列属于目标检测中IoU的计算方法的有（）

选项：

A、常规IoU

B、CIoU

C、DIoU

D、GIoU

答案：【常规IoU;CIoU;DIoU;GIoU】23.多选题：FasterR-CNN的RPN网络输出包括（）

选项：

A、候选区域的边界框坐标

B、候选区域的类别概率

C、候选区域的置信度

D、候选区域的数量

答案：【候选区域的边界框坐标;候选区域的置信度】第七单元生成对抗网络生成对抗网络1.单选题：在原始GAN的损失函数中，生成器的目标是最小化以下哪个表达式？

选项：

A、log(1-D(G(z)))

B、log(D(G(z)))

C、-log(D(G(z)))

D、D(G(z))-D(x)

答案：【-log(D(G(z)))】2.单选题：DCGAN的关键结构不包括：

选项：

A、转置卷积

B、LSTM层

C、批量归一化

D、LeakyReLU激活

答案：【LSTM层】3.单选题：解决GAN训练不稳定问题的常见方法是：

选项：

A、使用更深的网络

B、交替冻结生成器和判别器

C、添加梯度惩罚

D、增大学习率

答案：【添加梯度惩罚】4.单选题：以下哪种技术常用于防止判别器过拟合？

选项：

A、梯度裁剪

B、标签平滑

C、权重共享

D、早停法

答案：【标签平滑】5.单选题：在标准GAN的训练过程中，生成器和判别器的更新方式是：

选项：

A、同时更新

B、先固定生成器，训练判别器；再固定判别器，训练生成器

C、仅训练生成器

D、仅训练判别器

答案：【先固定生成器，训练判别器；再固定判别器，训练生成器】6.单选题：WassersteinGAN（WGAN）的核心改进是：

选项：

A、用JS散度替代KL散度

B、引入Lipschitz约束

C、增加生成器层数

D、使用交叉熵损失

答案：【引入Lipschitz约束】7.单选题：条件GAN（cGAN）中，标签信息如何输入模型？

选项：

A、同时输入生成器和判别器

B、作为损失函数的正则项

C、仅输入判别器

D、仅输入生成器

答案：【同时输入生成器和判别器】8.单选题：模式崩溃（ModeCollapse）的主要表现是：

选项：

A、生成样本质量低

B、生成样本多样性不足

C、判别器过拟合

D、训练过程不稳定

答案：【生成样本多样性不足】9.单选题：当判别器训练得过于强大时，生成器可能遇到：

选项：

A、梯度爆炸

B、梯度消失

C、过拟合

D、欠拟合

答案：【梯度消失】10.单选题：GAN的两个核心组件是：

选项：

A、编码器（Encoder）和分类器（Classifier）

B、生成器（Generator）和判别器（Discriminator）

C、编码器（Encoder）和解码器（Decoder）

D、输入层（InputLayer）和输出层（OutputLayer）

答案：【生成器（Generator）和判别器（Discriminator）】11.多选题：关于GAN中激活函数的选择，以下哪些说法正确？

选项：

A、生成器的输出层通常使用Sigmoid函数

B、判别器的中间层常用LeakyReLU

C、生成器的中间层可能使用ReLU

D、判别器的输出层必须使用Softmax

答案：【判别器的中间层常用LeakyReLU;生成器的中间层可能使用ReLU】12.多选题：关于GAN生成器的输入和输出，以下哪些描述正确？

选项：

A、生成器的输入是随机噪声向量

B、生成器的输入是真实样本

C、生成器的输出是判别器的分类结果

D、生成器的输出是合成的假样本

答案：【生成器的输入是随机噪声向量;生成器的输出是合成的假样本】13.多选题：在原始GAN中，判别器的损失函数包含以下哪些项？（多选）

选项：

A、log(D(x))

B、log(1-D(G(z)))

C、log(D(G(z)))

D、log(1-D(x))

答案：【log(D(x));log(1-D(G(z)))】14.多选题：DCGAN（深度卷积GAN）的推荐结构特点包括哪些？

选项：

A、使用全连接层

B、使用批量归一化

C、使用LeakyReLU激活函数

D、使用LSTM层

答案：【使用批量归一化;使用LeakyReLU激活函数】15.多选题：以下哪些方法被用于稳定GAN的训练过程？

选项：

A、使用标签平滑

B、在判别器中使用Dropout层

C、对生成器使用更大的学习率

D、限制判别器的更新频率

答案：【使用标签平滑;在判别器中使用Dropout层;限制判别器的更新频率】第八单元注意力机制注意力机制1.单选题：Transformer中，位置编码（PositionalEncoding）的作用是：

选项：

A、替代词嵌入（WordEmbedding）

B、为模型提供序列中token的位置信息

C、减少注意力头的数量

D、直接计算token间的相似度

答案：【为模型提供序列中token的位置信息】2.单选题：关于BERT的输入表示，以下哪项正确？

选项：

A、仅包含词嵌入（TokenEmbeddings）

B、包含词嵌入、位置编码和段落编码（SegmentEmbeddings）

C、使用二维卷积提取特征

D、需特殊分隔符

答案：【包含词嵌入、位置编码和段落编码（SegmentEmbeddings）】3.单选题：Transformer的解码器（Decoder）比编码器（Encoder）多出哪一关键组件？

选项：

A、LayerNormalization

B、掩码自注意力（MaskedSelf-Attention）

C、前馈神经网络

D、残差连接

答案：【掩码自注意力（MaskedSelf-Attention）】4.单选题：以下哪项是自注意力机制的优点？

选项：

A、计算复杂度与序列长度呈线性关系

B、能够直接建模任意距离的token依赖关系

C、参数量恒定为O(1)

D、必须依赖递归计算

答案：【能够直接建模任意距离的token依赖关系】5.单选题：自注意力机制（Self-Attention）的核心计算步骤是：

选项：

A、通过卷积核提取局部特征

B、计算查询（Query）、键（Key）、值（Value）的权重分配

C、使用双向RNN编码上下文信息

D、对输入进行池化降维

答案：【计算查询（Query）、键（Key）、值（Value）的权重分配】6.单选题：Transformer模型中，Multi-HeadAttention的作用是：

选项：

A、降低计算复杂度

B、并行学习输入序列的不同子空间表示

C、替换前馈神经网络层

D、减少需要训练的参数量

答案：【并行学习输入序列的不同子空间表示】7.单选题：外部注意力（ExternalAttention）与自注意力的主要区别是：

选项：

A、外部注意力依赖外部可学习的记忆单元，而非输入本身生成Key-Value

B、外部注意力只能处理图像数据

C、自注意力无法处理长序列

D、外部注意力无需计算注意力分数

答案：【外部注意力依赖外部可学习的记忆单元，而非输入本身生成Key-Value】8.单选题：BERT的预训练任务不包括：

选项：

A、MaskedLanguageModel

B、NextSentencePrediction

C、Auto-RegressiveLanguageModeling

D、句子顺序预测

答案：【Auto-RegressiveLanguageModeling】9.单选题：BERT在处理任务时，[CLS]token的作用是：

选项：

A、标记句子结尾

B、用于分类任务的聚合表示

C、计算词级损失

D、作为填充符（Padding）

答案：【用于分类任务的聚合表示】10.单选题：在Transformer中，残差连接（ResidualConnection）的主要目的是：

选项：

A、减少模型层数

B、替代层归一化（LayerNorm）

C、缓解梯度消失问题

D、降低注意力分数

答案：【缓解梯度消失问题】11.多选题：BERT的预训练任务（MaskedLanguageModel,MLM）中，以下哪些说法正确？

选项：

A、被遮蔽的token一定替换为[MASK]符号

B、模型需要预测被遮蔽token的原始词

C、训练时随机遮蔽15%的输入token

D、遮蔽策略包括替换为随机词或保持原词

答案：【模型需要预测被遮蔽token的原始词;训练时随机遮蔽15%的输入token;遮蔽策略包括替换为随机词或保持原词】12.多选题：关于多头注意力（Multi-HeadAttention），以下哪些描述正确？

选项：

A、每个头的注意力计算相互独立，最终结果直接拼接

B、头的数量越多，模型参数量必然线性增加

C、允许模型同时关注不同子空间的表示

D、所有头的输出需通过线性变换再合并

答案：【允许模型同时关注不同子空间的表示;所有头的输出需通过线性变换再合并】13.多选题：以下哪些是Transformer相比RNN的优势？

选项：

A、更适合处理超长序列（如1000+token）

B、天然支持并行计算

C、无需位置编码即可理解序列顺序

D、更容易捕获局部依赖关系

答案：【更适合处理超长序列（如1000+token）;天然支持并行计算】14.多选题：关于自注意力（Self-Attention）机制，以下哪些描述是正确的？

选项：

A、计算复杂度随序列长度呈平方级增长（O(n²)）

B、通过SoftMax生成注意力权重时，键（Key）和查询（Query）必须维度相同

C、可以捕获序列中任意两个token之间的关系，无论距离远近

D、必须依赖外部记忆单元（如ExternalAttention）

答案：【计算复杂度随序列长度呈平方级增长（O(n²)）;通过SoftMax生成注意力权重时，键（Key）和查询（Query）必须维度相同;可以捕获序列中任意两个token之间的关系，无论距离远近】15.多选题：Transformer模型中，以下哪些组件用于解决梯度问题或提升训练稳定性？

选项：

A、残差连接（ResidualConnection）

B、层归一化（LayerNormalization）

C、位置编码（PositionalEncoding）

D、Dropout

答案：【残差连接（ResidualConnection）;层归一化（LayerNormalization）;Dropout】结业考试结业考试1.单选题：Transformer中，若d_model=512，头数h=8，则拼接多头输出后使用的权重矩阵的维度为：

选项：

A、

B、

C、

D、

答案：【】2.单选题：BERT的掩码语言模型（MLM）预训练中，对输入序列中被选中的Token，具体操作是：

选项：

A、全部替换为[MASK]标记

B、其中替换为,替换为随机词,保持不变

C、随机选择一个Token替换为[MASK]并预测该位置

D、将所有Token替换为[MASK],由模型恢复整个句子

答案：【其中替换为,替换为随机词,保持不变】3.单选题：StyleGAN在传统GAN的输入隐变量z与生成网络之间增加了一个映射网络，将其转换为中间隐变量w，其主要目的是：

选项：

A、减少全连接层的参数量

B、在中间隐空间中实现更好的特征解耦，使不同风格维度的控制更分离

C、增加生成器的总深度以获得更大容量

D、完全替代自适应实例归一化（AdaIN）

答案：【在中间隐空间中实现更好的特征解耦，使不同风格维度的控制更分离】4.单选题：当源域与目标域数据分布差异较大时，基于预训练模型的迁移微调策略通常建议：

选项：

A、冻结所有卷积层，仅重新训练最后的分类器

B、解冻所有层从零开始重新训练

C、冻结底层通用特征提取层，主要微调高层及任务相关层

D、只使用知识蒸馏，不进行任何微调

答案：【冻结底层通用特征提取层，主要微调高层及任务相关层】5.单选题：目标检测中边界框回归损失从L2Loss发展到IoULoss、GIoU、DIoU、CIoU等，最核心的原因是为了解决L2Loss的什么问题？

选项：

A、计算速度过慢

B、对目标尺度敏感，且未考虑边界框重叠方式（如非重叠时损失不可导）

C、梯度容易爆炸

D、无法优化中心点距离

答案：【对目标尺度敏感，且未考虑边界框重叠方式（如非重叠时损失不可导）】6.单选题：在DenseNet中，若第1层的输出通道数为，则超参数一般称为：

选项：

A、压缩因子

B、增长率

C、扩展率

D、深度因子

答案：【增长率】7.单选题：标准非极大值抑制（NMS）处理冗余检测框时，当两个检测框的IoU超过阈值，其操作是：

选项：

A、保留两个框

B、将低置信度框的置信度按IoU线性衰减

C、直接移除置信度较低的检测框

D、将两个框合并为一个框

答案：【直接移除置信度较低的检测框】8.单选题：VisionTransformer（ViT）将的输入图像分为的patch，得到的patch序列长度（不含分类token）为：

选项：

A、196

B、256

C、14

D、224

答案：【196】9.单选题：关于自注意力与LSTM捕获长距离依赖的能力，下列描述正确的是：

选项：

A、LSTM通过门控可实现任意长度信息的无损存储

B、自注意力中任意两位置间的最大信息传播路径长度为，LSTM为

C、自注意力的最大路径长度为，LSTM为

D、两者的最大路径长度均为

答案：【自注意力的最大路径长度为，LSTM为】10.单选题：在DeepLab的早期版本中，全连接条件随机场作为后处理，其能量函数的一元项和二元项通常分别依赖于：

选项：

A、一元项来自CNN对每个像素的分类得分；二元项基于像素间的颜色相似度与空间距离

B、一元项为框回归损失；二元项为类别交叉熵

C、一元项为生成对抗损失；二元项为循环一致性损失

D、一元项为像素均方误差；二元项为总变分损失

答案：【一元项来自CNN对每个像素的分类得分；二元项基于像素间的颜色相似度与空间距离】11.单选题：在GRU中,若重置门,更新门,此时隐藏状态的更新方式最接近:

选项：

A、完全保留历史状态，忽略当前输入

B、遗忘历史状态，完全由当前候选状态取代

C、对历史状态与候选状态求加权平均

D、当前隐藏状态主要由候选状态决定，而候选状态中完整包含了历史信息的影响，该行为类似于标准RNN的状态更新

答案：【当前隐藏状态主要由候选状态决定，而候选状态中完整包含了历史信息的影响，该行为类似于标准RNN的状态更新】12.单选题：Transformer的多头自注意力中，设输入维度为d_model，头数为h，则每个注意力头处理的Query、Key、Value向量维度d_k通常为：

选项：

A、d_model

B、d_model/h

C、h

D、d_modelh

答案：【d_model/h】13.单选题：在混合专家模型（MoE）中，门控网络对输入Token输出概率分布后，采用Top-k路由。训练时为保持与推理时输出尺度的一致性，常见做法是：

选项：

A、直接将选中的k个专家输出乘以各自门控值并求和,不重新归一化

B、只取门控值最大的那一个专家

C、对选中的k个门控值重新进行softmax归一化,再对专家输出加权求和

D、无论取多少,所有专家的输出都参与计算

答案：【无论取多少,所有专家的输出都参与计算】14.单选题：CycleGAN中循环一致性损失通常采用哪一种损失函数？

选项：

A、L2损失

B、L1损失

C、交叉熵损失

D、感知损失

答案：【L1损失】15.单选题：Anchor-Free检测方法如CenterNet，将目标建模为中心点。其中心点热力图标签的生成方式通常为：

选项：

A、边界框内所有像素值设为1

B、将边界框中心点通过高斯核渲染到热力图上,中心处为1,向四周衰减

C、直接回归中心点的x、y坐标值，不使用热图

D、将四个角点编码为关键点

答案：【将边界框中心点通过高斯核渲染到热力图上,中心处为1,向四周衰减】16.单选题：ResNet瓶颈残差块（Bottleneck）中三层卷积的核尺寸与通道变化顺序通常为：

选项：

A、降维卷积升维

B、卷积卷积卷积

C、升维卷积降维

D、卷积降维升维

答案：【降维卷积升维】17.单选题：ShuffleNetv2提出了四条高效网络设计准则，以下哪一项不属于这些准则？

选项：

A、卷积层的输入与输出通道数尽量相等

B、谨慎使用分组卷积，避免过多分组增加内存访问成本

C、增加网络碎片化程度（多分支）有助于提高并行效率

D、不可忽视逐元素操作（如ReLU、残差相加）的计算开销

答案：【增加网络碎片化程度（多分支）有助于提高并行效率】18.单选题：将ImageNet预训练的ResNet-50应用于小样本医学图像分割任务，图像风格与自然图像差异大，较为合理的微调策略是：

选项：

A、随机初始化所有层重新训练

B、冻结整个骨干网络，只训练分割头

C、冻结底层，微调中高层及分割头，并采用适应性数据增强

D、直接使用预训练参数进行推理，不做任何训练

答案：【冻结底层，微调中高层及分割头，并采用适应性数据增强】19.单选题：从预训练任务角度看，BERT的掩码语言模型（MLM）本质上属于：

选项：

A、自回归语言模型

B、去噪自编码器

C、对比学习

D、生成对抗训练

答案：【去噪自编码器】20.单选题：当教师模型与学生模型结构异构（例如CNN教师vs.Transformer学生）时，知识蒸馏面临的主要挑战是：

选项：

A、教师网络无法输出logits

B、特征空间的语义不对齐，可能需要额外适配层或基于关系的蒸馏

C、异构模型之间不能进行知识蒸馏

D、蒸馏温度必须设为1

答案：【特征空间的语义不对齐，可能需要额外适配层或基于关系的蒸馏】21.单选题：训练GAN时，若判别器每步更新多次而生成器只更新一次，过度训练判别器可能直接导致：

选项：

A、生成器梯度消失,训练停滞

B、生成样本多样性突然增加

C、判别器迅速欠拟合

D、生成器损失稳定下降

答案：【生成器梯度消失,训练停滞】22.单选题：SwinTransformer中的PatchMerging操作本质上等价于：

选项：

A、对特征图进行双线性插值上采样

B、将相邻patch的特征在通道维拼接后通过线性变换实现下采样

C、计算窗口内的自注意力

D、为patch添加位置编码

答案：【将相邻patch的特征在通道维拼接后通过线性变换实现下采样】23.单选题：Transformer解码器的掩码自注意力中，为保持自回归特性，掩盖未来信息的常用做法是：

选项：

A、将未来位置对应的注意力分数设为，使softmax后权重归零

B、将未来位置的Value向量置零

C、在序列维度上直接丢弃未来位置

D、依靠相对位置编码自动忽略未来

答案：【将未来位置对应的注意力分数设为，使softmax后权重归零】24.单选题：在知识蒸馏中，学生模型训练时一般联合优化蒸馏损失与真实标签的交叉熵损失，蒸馏损失通常需乘以进行缩放。这样做的目的是：

选项：

A、将软标签损失放大，使其主导训练

B、补偿温度升高导致的梯度缩放，使软标签损失的梯度量级与硬标签损失匹配，从而保持超参数的平衡作用

C、降低教师模型输出的影响

D、等效于降低学习率

答案：【补偿温度升高导致的梯度缩放，使软标签损失的梯度量级与硬标签损失匹配，从而保持超参数的平衡作用】25.单选题：YOLOv5中使用的CIoULoss相比DIoULoss额外考虑了下列哪一要素？

选项：

A、重叠面积

B、中心点距离

C、长宽比一致性

D、旋转角度

答案：【长宽比一致性】26.单选题：关于深度学习第三次浪潮的核心驱动力与突破，以下哪项描述最为准确？

选项：

A、核心是反向传播算法的成熟与支持向量机在图像领域的广泛应用

B、深度信念网络及无监督预训练思路、GPU并行计算能力与ImageNet等大规模数据集的共同推动

C、生成对抗网络的提出直接引爆了第三次人工智能热潮

D、第三次浪潮以Transformer在自然语言处理中的绝对统治为起点和标志

答案：【深度信念网络及无监督预训练思路、GPU并行计算能力与ImageNet等大规模数据集的共同推动】27.单选题：在FasterR-CNN的RPN阶段，锚框与真实框的匹配策略通常为：

选项：

A、与任一真实框IoU最大的锚框以及IoU大于某高阈值（如0.7）的锚框标记为正样本，IoU小于某低阈值（如0.3）的标记为负样本

B、所有IoU大于0.5的锚框为正样本，其余皆为负样本

C、直接采用FocalLoss自动进行样本分配

D、依据真实框中心点与锚框中心点的最近邻距离决定

答案：【与任一真实框IoU最大的锚框以及IoU大于某高阈值（如0.7）的锚框标记为正样本，IoU小于某低阈值（如0.3）的标记为负样本】28.单选题：GAN生成器采用非饱和损失（即最大化而非最小化）的主要原因是：

选项：

A、两种损失在数学上完全等价，仅计算效率不同

B、训练初期判别器较易区分真假时，饱和损失梯度极小，非饱和损失可提供更有效的梯度

C、非饱和损失天然保证生成分布与真实分布的JS散度下降

D、非饱和损失能起到正则化判别器的作用

答案：【训练初期判别器较易区分真假时，饱和损失梯度极小，非饱和损失可提供更有效的梯度】29.单选题：FocalLoss公式为。若，一个易分类样本的预测概率，则调制因子将其交叉熵损失缩放为原来的：

选项：

A、0.01

B、0.1

C、0.81

D、0.02

答案：【0.01】30.单选题：为什么ResNet中的恒等映射能让网络深度突破百层？其最关键的原因是：

选项：

A、增加了模型的总参数量

B、残差连接为梯度提供了一条近乎无障碍的直接通路，有效缓解了梯度消失

C、使用更大的批尺寸进行训练

D、完全去除了全连接层，只保留卷积

答案：【残差连接为梯度提供了一条近乎无障碍的直接通路，有效缓解了梯度消失】31.单选题：知识蒸馏中，教师模型输出logits为，引入温度软化后的概率为。当温度时，该软标签分布将趋近于：

选项：

A、独热分布

B、均匀分布

C、仅保留教师模型最大logit的类别

D、与原始logits的分布形状完全相同

答案：【均匀分布】32.单选题：在缩放点积注意力中，除以是为了防止点积结果过大导致softmax进入饱和区，进而造成梯度消失。如果时不进行缩放，将出现：

选项：

A、梯度爆炸

B、softmax输出趋于独热向量，梯度消失

C、注意力权重全部接近0

D、计算量急剧上升

答案：【softmax输出趋于独热向量，梯度消失】33.单选题：某一时间步的LSTM中，遗忘门，输入门，细胞候选值，则此步操作相当于：

选项：

A、完全清空历史记忆，将细胞状态重置为5

B、完整保留历史记忆，忽略当前输入

C、将历史记忆与当前候选值相加

D、关闭输出门，使隐藏状态为零

答案：【完全清空历史记忆，将细胞状态重置为5】34.单选题：深度信念网络（DBN）由多个受限玻尔兹曼机堆叠而成，其生成过程通常为：

选项：

A、自底向上逐层前向传播

B、自顶向下采样,由最顶层激活逐层向下重构

C、同时进行双向传播

D、仅通过最顶层的RBM生成样本

答案：【自顶向下采样,由最顶层激活逐层向下重构】35.单选题：采用"预激活"设计的残差单元（BN-ReLU-Conv-BN-ReLU-Conv）相比原始残差单元的主要优势是：

选项：

A、计算量减半

B、梯度可通过恒等映射更直接地传播至浅层，信息通路不受ReLU等操作阻断

C、不再需要恒等映射分支

D、网络宽度成倍增加

答案：【梯度可通过恒等映射更直接地传播至浅层，信息通路不受ReLU等操作阻断】36.单选题：U-Net中，跳跃连接所传递的编码器特征图，与解码器对应层特征图相比，其典型特点是：

选项：

A、空间分辨率更高，语义抽象层次更高

B、空间分辨率相同，语义抽象层次更低

C、空间分辨率更高，语义抽象层次更低

D、空间分辨率更低，语义抽象层次更高

答案：【空间分辨率更高，语义抽象层次更低】37.单选题：CBAM等混合注意力模块中，通常如何生成通道注意力和空间注意力？

选项：

A、通道注意力同时在空间维度使用平均池化和最大池化；空间注意力在通道维度使用平均池化和最大池化

B、通道注意力和空间注意力均只使用全局平均池化

C、通道注意力使用卷积，空间注意力使用卷积

D、通道注意力对通道做pooling，空间注意力对空间做pooling，方式相反

答案：【通道注意力同时在空间维度使用平均池化和最大池化；空间注意力在通道维度使用平均池化和最大池化】38.单选题：在Transformer解码器层的"编码器-解码器注意力"中，Query、Key、Value的来源分别是：

选项：

A、Q、K、V均来自编码器的输出

B、Q来自解码器前一子层的输出，K和V来自编码器的输出

C、Q来自编码器，K和V来自解码器

D、Q、K、V均来自解码器

答案：【Q来自解码器前一子层的输出，K和V来自编码器的输出】39.单选题：深度可分离卷积的计算量约为标准卷积的。当输入通道、输出通道、卷积核尺寸时，