2026年人工智能工程师考试试卷及答案

2026年人工智能工程师考试试卷及答案一、单项选择题（每题1分，共20分）1.以下哪种算法属于无监督学习？A.支持向量机（SVM）B.逻辑回归C.K-Means聚类D.决策树2.在深度学习中，ReLU激活函数的数学表达式是：A.f(x)=1/(1+e^{-x})B.f(x)=tanh(x)C.f(x)=max(0,x)D.f(x)=x3.对于一个二分类问题，当正负样本数量极不均衡时，以下哪个评估指标通常比准确率（Accuracy）更合适？A.精确率（Precision）B.F1分数C.均方误差（MSE）D.AUC-ROC曲线下面积4.在自然语言处理中，BERT模型的核心创新之一是采用了：A.循环神经网络（RNN）结构B.双向Transformer编码器结构C.卷积神经网络（CNN）结构D.自回归语言模型结构5.关于梯度消失问题，以下说法正确的是：A.主要出现在使用ReLU激活函数的深层网络中。B.可以通过使用LSTM或GRU等门控机制来缓解。C.是因为损失函数对参数的梯度变得过大。D.批归一化（BatchNormalization）会加剧此问题。6.在强化学习中，智能体通过与环境交互来学习策略，其核心目标是最大化：A.即时奖励B.累积折扣回报C.状态转移概率D.探索率7.以下关于卷积神经网络（CNN）中池化层（PoolingLayer）作用的描述，错误的是：A.减少参数数量，降低计算复杂度。B.提取更高级别的特征。C.扩大特征图的尺寸。D.提供一定程度的平移不变性。8.训练神经网络时，若训练误差很低但验证误差很高，最可能的原因是：A.欠拟合B.过拟合C.学习率设置过低D.数据质量高9.在概率图模型中，贝叶斯网络属于：A.有向无环图模型B.无向图模型C.生成式模型D.判别式模型10.以下哪种优化算法通常被认为对学习率不那么敏感，且能自适应调整每个参数的学习率？A.随机梯度下降（SGD）B.动量法（Momentum）C.AdaGradD.Adam11.在目标检测任务中，YOLO（YouOnlyLookOnce）算法的核心思想是：A.将检测任务视为一个滑动窗口分类问题。B.将检测任务建模为对预定义锚框（anchorboxes）的回归和分类问题。C.使用两阶段方法，首先生成候选区域，然后进行分类和回归。D.仅使用全连接层进行边界框预测。12.关于生成对抗网络（GAN），以下描述正确的是：A.生成器（Generator）的目标是尽可能区分真实数据和生成数据。B.判别器（Discriminator）的目标是生成尽可能逼真的数据。C.训练过程是一个生成器和判别器的极大极小博弈。D.GAN只能用于生成图像数据。13.以下哪种技术主要用于解决神经网络训练中的协变量偏移（CovariateShift）问题？A.DropoutB.权重衰减C.批归一化（BatchNormalization）D.早停法14.在Transformer模型中，自注意力机制（Self-Attention）计算过程中，Query、Key、Value向量通常来自：A.同一输入序列的不同线性变换。B.编码器和解码器的输出。C.完全独立的随机初始化。D.固定的位置编码。15.对于一个多类别分类任务，最常用的输出层激活函数和损失函数组合是：A.Sigmoid激活函数和交叉熵损失函数。B.Softmax激活函数和交叉熵损失函数。C.ReLU激活函数和均方误差损失函数。D.Tanh激活函数和Hinge损失函数。16.在推荐系统中，协同过滤方法主要基于以下哪种假设？A.用户和物品的特征可以用向量表示。B.具有相似兴趣的用户会对物品有相似的评价。C.物品的内容属性是决定用户偏好的关键。D.用户的历史行为序列具有马尔可夫性。17.以下关于集成学习（EnsembleLearning）的说法，错误的是：A.Bagging方法通过减少方差来提高模型泛化能力。B.Boosting方法通过顺序训练弱学习器来减少偏差。C.随机森林（RandomForest）是Bagging思想的典型代表。D.集成学习中的基学习器必须使用同一种算法。18.在知识图谱中，通常使用什么形式来表示事实？A.一阶谓词逻辑B.三元组（头实体，关系，尾实体）C.产生式规则D.概率图19.关于Transformer模型中的位置编码（PositionalEncoding），其主要作用是：A.提供序列中单词的绝对位置信息。B.提供序列中单词的相对位置信息。C.替代自注意力机制。D.增加模型的非线性能力。20.在模型部署阶段，为了减少模型大小和推理延迟，以下哪种方法不常用？A.知识蒸馏B.模型剪枝C.权重量化D.增加网络深度二、多项选择题（每题2分，共10分，多选、少选、错选均不得分）21.以下哪些方法可以有效缓解机器学习模型中的过拟合现象？A.获取更多的训练数据B.降低模型复杂度（如减少网络层数、神经元数）C.使用L1或L2正则化D.在训练过程中使用DropoutE.提前停止训练22.关于循环神经网络（RNN）及其变体，以下描述正确的有：A.标准RNN难以处理长序列依赖问题，容易出现梯度消失或爆炸。B.LSTM通过引入输入门、遗忘门、输出门和细胞状态来解决长依赖问题。C.GRU是LSTM的一种变体，结构更简单，只有更新门和重置门。D.RNN及其变体特别适合处理序列数据，如时间序列、文本。E.双向RNN可以同时利用序列过去和未来的信息进行预测。23.以下哪些属于常见的模型可解释性技术？A.LIME（LocalInterpretableModel-agnosticExplanations）B.SHAP（SHapleyAdditiveexPlanations）C.梯度提升树（GradientBoostingDecisionTree）的特征重要性D.卷积神经网络中的卷积核可视化E.仅使用线性模型以保证可解释性24.关于机器学习项目的生命周期，以下步骤属于核心环节的有：A.业务理解和问题定义B.数据收集与清洗C.特征工程D.模型训练与评估E.模型部署与监控25.在计算机视觉领域，数据增强（DataAugmentation）是常用的技术，以下哪些操作属于图像数据增强？A.随机水平翻转B.随机裁剪C.调整亮度、对比度D.添加高斯噪声E.对图像进行傅里叶变换三、填空题（每空1分，共10分）26.在信息论中，__________用于度量两个概率分布之间的差异性，在机器学习中常作为分类任务的损失函数。27.支持向量机（SVM）在寻找最优分类超平面时，其目标是最大化__________。28.在深度学习中，__________算法通过计算损失函数对网络权重的梯度，并沿梯度反方向更新权重以最小化损失。29.在自然语言处理中，将单词转换为固定维度的实数向量的过程称为__________。30.强化学习中，__________策略是指智能体在选择动作时，始终选择当前估计价值最高的动作。31.主成分分析（PCA）是一种常用的__________降维方法。32.在评估聚类算法效果时，如果已知真实的类别标签，可以使用__________等外部指标。33.神经网络中，参数初始化方法如Xavier初始化，旨在保持前向传播和反向传播过程中__________的稳定性。34.在时间序列预测中，__________模型是一种经典的方法，它通过自回归项和移动平均项来建模序列。35.当训练数据量非常大时，通常使用__________梯度下降，它每次使用一个批次的样本计算梯度并更新参数。四、简答题（每题5分，共20分）36.（封闭型）简述批归一化（BatchNormalization）在训练深度神经网络时的主要作用和工作原理（前向传播过程）。37.（封闭型）什么是注意力机制？简述其在机器翻译任务中的基本作用。38.（开放型）请列举并简要说明三种常见的机器学习模型评估方法（不包括简单的训练集/测试集划分）。39.（开放型）在部署一个图像分类模型到移动端时，可能会面临哪些挑战？请提出至少两种应对策略。五、应用题（共40分）40.（计算类，10分）假设有一个逻辑回归模型用于二分类，其假设函数为h_θ(x)=1/(1+e^{-θ^Tx})。已知单个样本的交叉熵损失函数为L=-[ylog(h)+(1-y)log(1-h)]，其中y是真实标签（0或1）。请推导损失函数L对参数θ_j的梯度∂L/∂θ_j。41.（分析类，15分）现有一个电商网站的用户购买预测项目。数据包含用户ID、年龄、性别、历史浏览记录、历史购买记录、最后登录时间、商品类别、商品价格等字段，目标是根据用户近期行为预测其未来一周是否会购买某类特定商品。（1）请识别该任务属于什么类型的机器学习问题（如分类、回归、聚类等）？（2分）（2）请列举并说明至少四个在该项目中可能需要进行的关键特征工程步骤。（8分）（3）你会选择哪2-3种模型进行尝试，并简要说明理由。（5分）42.（综合类，15分）阅读以下材料并回答问题。材料：某研究团队使用一个深层CNN在图像数据集A上训练了一个高性能的图像分类模型。现在他们希望将该模型应用于一个新的、规模较小且与数据集A分布略有不同的图像数据集B上（例如，数据集A是自然风景照，数据集B是城市街景照），以完成相同的分类任务（类别集合相同）。（1）直接将在数据集A上训练好的模型在数据集B上进行测试，性能可能会不理想。请解释可能导致性能下降的两个主要原因。（4分）（2）针对此场景，请描述一种名为“微调”的迁移学习方法的操作步骤。（5分）（3）除了微调，请再提出一种可以提升模型在数据集B上性能的技术方法，并简述其思路。（6分）参考答案一、单项选择题1.C2.C3.B（或D，但F1更常用于不均衡分类的单一指标评估）4.B5.B6.B7.C8.B9.A10.D11.B12.C13.C14.A15.B16.B17.D18.B19.A（或B，原始论文主要提供绝对位置，但也能学到一些相对位置信息）20.D二、多项选择题21.ABCDE22.ABCDE23.ABCD24.ABCDE25.ABCD三、填空题26.交叉熵27.间隔（或几何间隔）28.反向传播29.词嵌入30.贪婪31.线性32.调整兰德指数（ARI）或归一化互信息（NMI）（答对一个即可）33.方差34.ARIMA35.小批量（Mini-batch）四、简答题36.主要作用：缓解内部协变量偏移，加速网络训练，允许使用更高的学习率，具有一定的正则化效果。工作原理（前向传播）：对于每一批（Batch）数据，在网络的某一层激活前，先对该批数据的该层输入进行归一化。设该批输入为ℬ=（1）计算该批数据的均值：=（2）计算该批数据的方差：=（3）归一化：=，其中ϵ为小常数用于数值稳定。（4）缩放与平移：=+β，其中γ和37.注意力机制：是一种模仿人类视觉或认知注意力的资源分配机制。在神经网络中，它允许模型在处理序列（或集合）信息时，动态地关注与当前任务最相关的部分。在机器翻译中的作用：在经典的编码器-解码器架构中引入注意力机制，允许解码器在生成每一个目标语言单词时，“注意”编码器输出的所有源语言单词隐藏状态，并为其分配不同的权重。这使得模型能够直接利用与当前生成词最相关的源语言信息，有效解决了长距离依赖和信息瓶颈问题，显著提升了翻译质量，尤其是对长句子的翻译。38.（1）K折交叉验证：将数据集随机划分为K个大小相似的互斥子集。每次用K-1个子集的并集作为训练集，剩下的一个作为测试集。重复K次，取K次测试结果的平均值作为最终评估。有效减少因数据划分不同带来的方差，更充分利用数据。（2）留出法：将数据集按一定比例（如7:3）随机划分为互斥的训练集和测试集。方法简单，但单次评估结果稳定性受划分影响较大。（3）自助法：从包含m个样本的数据集中有放回地随机抽取m次，形成训练集（约含原数据集63.2%的样本），未被抽到的样本作为测试集。适用于数据集较小的情况，但改变了初始数据分布，会引入估计偏差。39.挑战：（1）计算资源限制：移动端CPU/GPU算力有限，内存和存储空间小。（2）功耗限制：复杂的模型推理耗电快。（3）延迟要求：需要实时或近实时响应。应对策略：（1）模型轻量化：使用模型压缩技术，如知识蒸馏将大模型的知识迁移到小模型；进行模型剪枝去除冗余连接或神经元；进行权重量化（如从32位浮点数量化为8位整数）以减少模型大小和加速计算。（2）使用专用轻量级架构：直接设计或选用专为移动端设计的轻量级神经网络架构，如MobileNet、ShuffleNet、EfficientNetLite等，它们在精度和速度间取得了良好平衡。五、应用题40.推导过程：令z=x，则已知L=先求∂L∂L已知sigmoid函数导数∂h根据链式法则：∂L又因为z=x，所以再次应用链式法则：∂L因此，损失函数对参数θ_j的梯度为：∂L41.（1）二分类问题。（2）关键特征工程步骤（列举四个）：用户行为序列特征化：将“历史浏览记录”、“历史购买记录”等序列数据转化为特征，如统计过去7天、30天的浏览/购买次数、不同商品类别的分布、最近一次行为的时间间隔等。时间特征提取：从“最后登录时间”中提取星期几、是否周末、一天中的时段等周期性特征。交叉特征构建：结合用户属性和商品属性，例如“性别-商品类别”、“年龄-商品价格段”的交叉统计特征（如该性别用户对该类商品的历史购买率）。目标编码：对高基数类别特征（如“商品ID”，在训练集上）可以用目标变量（是否购买）的均值（或平滑后的均值）进行编码，但需注意防止数据泄露。特征缩放/归一化：对“商品价格”、“年龄”等连续数值特征进行标准化或归一化，使不同尺度的特征具有可比性。（3）模型选择及理由：梯度提升决策树：如XGBoost、LightGBM。擅长处理表格型数据、混合类型特征，能自动学习特征交互，且通常能取得很好的性能。逻辑回归：简单、可解释性强，可作为基线模型。配合良好的特征工程也能有不错效果，且易于上线部署。深度神经网络：如果特征工程后特征维度较高，且希望更复杂地自动学习特征表示，可以尝试使用多层感知机。42.（1）性能下降的主要原因：数据集分