2026年大三《(人工智能基础)深度学习应用》模拟测试卷

2026年大三《(人工智能基础)深度学习应用》模拟测试卷2026年春季学期《人工智能基础（深度学习应用方向）》课程闭卷模拟测试考试时长120分钟满分100分考试要求：闭卷作答，仅允许携带无存储编程功能的科学计算器，所有推导过程需书写清晰，综合应用题需给出可落地的量化参数。一、单项选择题（共20小题，每小题1分，总计20分。每小题给出的4个选项中，只有1个符合题目要求，错选、漏选、不选均不得分）以下关于深度学习入门阶段感知机模型的基本特性描述，不符合原始理论定义的是A.感知机本质是二分类线性判别模型，决策边界为输入特征空间内的超平面B.感知机的参数更新规则基于误分类样本的随机梯度下降逻辑，无需遍历全部样本即可完成单次迭代C.感知机无需经过任何扩展即可直接解决任意线性不可分的分类问题D.感知机收敛定理明确指出，当训练数据集满足线性可分条件时，模型迭代总次数存在确定的理论上界2026年工业界面向移动端低功耗设备部署的轻量级语义分割任务中，被最多开发者选为默认骨干网络架构的是A.ResNet50B.MobileNetV4C.VGG16D.ViT-Lite以下关于深度学习训练过程中批次归一化（BatchNormalization）的作用机理描述，错误的是A.批次归一化可将每一层神经网络的输入分布强制拉回到均值为0、方差为1的标准正态分布区间B.批次归一化可有效缓解深层网络训练中的内部协变量偏移问题C.批次归一化会完全消除深度学习训练中的梯度消失与梯度爆炸问题D.批次归一化可让开发者选择更大的初始学习率，提升模型整体收敛速度针对大语言模型参数高效微调场景，LoRA（低秩适配）技术中人为设定的秩参数r的取值大小，和模型微调过程中需要训练的参数量的关系是A.二者呈正相关关系，秩越大需要训练的参数量越高B.二者呈负相关关系，秩越大需要训练的参数量越低C.二者不存在任何线性关联关系，参数取值完全随机D.当秩的取值大于模型隐藏层维度时，参数量会保持恒定优化器AdamW相较于传统Adam优化器做的核心改进是A.移除了梯度动量累计机制，完全采用纯随机梯度下降更新参数B.将原有的耦合式L2权重衰减修改为解耦式权重衰减逻辑，避免正则化效果被自适应学习率抵消C.加入了全局学习率自动暴涨机制，训练全程无需调整学习率参数D.取消了二阶动量估计过程，训练速度提升3倍以上卷积神经网络中，若输入特征图尺寸为128×128，卷积核尺寸为3×3，膨胀系数（空洞率）设置为2，不补充边缘像素，该层卷积输出的特征图感受野大小为A.3×3B.4×4C.5×5D.6×6面向长序列自然语言处理任务中，Transformer原生架构相较于BiLSTM架构的核心优势是A.自注意力机制可直接建模任意距离词元的依赖关系，不存在长序列梯度传递衰减问题B.模型整体参数量仅为BiLSTM架构的1/10，训练资源消耗极低C.推理阶段天然支持并行计算，长序列推理速度是BiLSTM的数十倍D.无需任何标注数据即可完成下游任务适配以下不属于生成式扩散模型核心组成环节的是A.前向逐步高斯加噪过程B.反向逐步去噪拟合过程C.对抗判别器梯度对抗过程D.噪声预测网络拟合过程面向时序预测任务开发的深度学习模型中，以下专门针对长时序多变量预测场景优化、当前工业界落地使用率最高的架构是A.TransformerB.LSTMC.TimesNetD.全连接DNN深度学习模型INT8量化部署过程中，不存在量化精度损失风险的运算环节是A.卷积层权重运算B.全连接层偏置项运算C.模型损失函数反向传播运算（推理阶段）D.激活函数输出值范围超出[-128,127]区间的浮点运算以下属于计算机视觉领域对抗样本生成核心方法的是A.FGSM快速梯度符号法B.牛顿迭代法C.K-means聚类法D.主成分分析法面向多模态大模型的跨模态对齐任务，当前工业界最常采用的预训练对齐范式是A.对比学习图文对齐范式（CLIP系列技术路线）B.随机参数初始化范式C.单模态单独训练无对齐范式D.监督学习全参数微调范式循环神经网络中梯度裁剪（GradientClipping）技术的核心作用是A.将反向传播过程中超出设定阈值的梯度强制截断到阈值范围内，避免出现梯度爆炸问题B.完全消除训练过程中的所有梯度值，让模型参数保持恒定C.自动提升梯度数值，彻底解决梯度消失问题D.调整损失函数的分布区间，让模型收敛速度提升10倍以上以下不属于深度学习模型结构化剪枝操作对象的是A.整个卷积核维度B.单个权重参数数值C.某一层卷积的输出通道维度D.某一个残差模块整体联邦学习深度学习落地场景中，核心解决的产业界合规痛点是A.不同参与方数据不出本地即可联合训练全局共享模型，避免数据合规泄露风险B.模型训练速度比集中式训练快10倍以上C.最终模型精度完全不受各方数据分布差异的影响D.无需任何计算资源即可完成模型训练YOLO系列2025年发布的YOLO11检测架构中新增的核心优化特性是A.引入重参数化多尺度分支结构，小目标检测精度较YOLOv8提升6%以上

B.完全移除卷积运算，全部采用自注意力运算C.模型参数量提升10倍，推理速度大幅下降D.只能支持RGB三通道图像输入，无法适配其他模态数据深度学习图像分类任务中，当训练集损失持续下降但验证集损失持续上升时，最有可能发生的问题是A.模型过拟合B.模型欠拟合C.学习率设置过小D.批次尺寸设置过大以下不属于大语言模型推理阶段KV缓存优化技术直接带来的收益是A.大幅减少自注意力机制中重复计算历史键值对的算力开销B.大模型生成长文本的速度可提升3-5倍

C.推理阶段显存占用量可降低40%以上

D.模型最终生成结果的语义准确性提升20%以上

19.面向工业缺陷检测小样本深度学习场景，以下适配性最优的技术路线是A.小样本零样本目标检测+风格迁移数据增强B.全监督全参数量微调大模型C.完全不使用任何数据增强直接训练超大模型D.仅采用传统规则视觉检测方案深度学习多任务学习场景中，梯度归一化（GradNorm）技术的核心作用是A.自动动态调整多个下游任务的损失权重，避免某一任务梯度占比过高压制其余任务学习B.让所有任务的损失值完全相等C.彻底消除所有任务的梯度值D.仅保留主任务的梯度，其余子任务梯度直接置零二、多项选择题（共10小题，每小题2分，总计20分。每小题给出的4个选项中，有2-4个符合题目要求，错选、漏选、不选均不得分）

1.深度学习监督训练全流程中，可有效缓解过拟合问题的常用手段包括A.训练集数据随机增强处理B.网络层中添加Dropout正则层C.对模型权重参数添加L2正则惩罚项D.大幅提升模型整体参数量到百亿级大语言模型端侧部署落地阶段，可有效降低推理显存占用的主流技术方案包括A.4bit/8bit权重量化技术B.模型结构化与非结构化剪枝技术C.推理过程KV缓存动态复用技术D.随意扩展模型总层数Transformer架构中自注意力机制的计算逻辑涉及的核心变量包括A.查询矩阵Q（Query）B.键矩阵K（Key）C.值矩阵V（Value）D.独立于输入的随机噪声矩阵N以下属于深度学习医疗影像落地场景必须严格遵循的伦理与合规要求的是A.所有参与训练的医疗影像数据必须获得患者知情同意，完成去标识化脱敏处理B.临床使用的AI诊断模型精度必须通过法定医疗器械资质认证C.模型输出结果仅作为临床辅助参考依据，不能直接替代执业医师给出最终诊断结论D.训练完成的医疗AI模型可无限制直接对外售卖获取商业收益深度学习时序异常检测任务中，当前工业界主流应用的技术范式包括A.基于重构误差的自编码器异常检测范式B.基于预测误差的时序Transformer异常检测范式C.基于孤立森林的传统统计异常检测范式D.完全无输入随机输出范式卷积神经网络中常用的下采样实现方式包括A.步长设置为2的卷积运算B.2×2尺寸的最大池化运算C.2×2尺寸的平均池化运算D.随机像素点丢弃运算深度学习训练优化过程中，可有效应对局部最优解陷阱的合理操作包括A.采用学习率退火调度策略，训练后期逐步降低学习率B.引入动量梯度累计机制，优化过程跳出鞍点区域C.采用不同参数初始化组合多次训练验证D.全程将学习率设置为100以上，强制参数迭代当前多模态大模型落地应用中，主流支持的多任务能力包括A.输入文本指令生成对应高清图像内容B.输入视频流实现时序内容语义理解C.输入音频信号完成语音转文字+语义问答D.无需任何输入直接输出任意现实场景精准数据以下属于扩散模型图像生成流程中可人为控制的生成参数是A.总去噪迭代步数B.输入文本提示词权重系数C.生成图像的分辨率尺寸D.生成内容的完全不受控随机程度深度学习边缘端部署阶段，常用的开源推理加速框架包括A.TensorRTB.ONNXRuntimeC.NCNND.原生Python解释器直接运行框架三、简答题（共6小题，每小题5分，总计30分。作答需核心要点清晰，必要时给出量化参数与落地场景说明）请简述卷积神经网络中空洞卷积（DilatedConvolution）的核心计算原理、两个相较于普通卷积的独有优势，以及两个当前工业界的典型落地应用场景。请简述Transformer多头自注意力机制中查询矩阵Q、键矩阵K、值矩阵V的完整计算逻辑，并说明多头注意力机制相对于单头注意力机制的两个核心性能增益。请对比分析L1正则、L2正则、Dropout三类深度学习正则化手段的内在作用机理差异，并分别给出三类技术最适配的典型深度学习任务场景。请针对当前开源7B参数大语言模型下游适配场景，简述参数高效微调（PEFT）技术体系中LoRA、PrefixTuning、PromptTuning三类主流技术的核心工作原理差异，并给出同等batchsize为8、输入序列长度为2048的测试条件下，三类技术的微调显存占用、单轮迭代速度、下游分类任务适配精度的量化实测对比数据。请简述深度学习计算机视觉端侧部署场景中，模型INT8线性量化技术的核心执行流程，同时给出3种可有效缓解量化后模型精度损失问题的主流优化方案。请简述生成式AI领域扩散模型的前向高斯加噪过程与反向去噪拟合过程的核心数学逻辑，并对比GAN生成对抗网络，列出扩散模型在通用图像生成任务中的两个核心落地优势。四、模型推导题（共1小题，总计15分。作答需推导步骤完整，逻辑清晰，结果说明明确）针对多分类深度学习任务，设任务总类别数为K，模型输出层采用Softmax激活函数，损失函数采用多分类交叉熵损失，定义第i类的全连接层净输出为zi，模型经过Softmax计算后第i类的预测概率为pi，真实标签的独热编码为yi（仅对应真实类别位置取值为1，其余位置为0），请完成以下推导：

（2）详细推导交叉熵损失函数对全连接层净输出zi的梯度完整计算过程，给出最终化简后的梯度表达式；

（3）五、综合应用题（共1小题，总计15分。作答方案需可直接落地，所有环节给出明确量化参数）某2026年国内地级市智慧交通建设项目需要开发一套部署在路侧边缘AI盒子上的实时非机动车违规识别系统，功能要求为实时监测路侧摄像头采集的道路视频流，自动识别电动车、自行车违规驶入机动车道的行为，触发本地抓拍上传后台的动作。项目给出的硬性技术指标为：单路1080P视频流推理延迟不超过80ms，违规目标识别平均精度均值（mAP@0.5）不低于96%，边缘端AI盒子算力仅支持最高4TOPS的INT8运算算力。请结合你所学的深度学习应用相关知识，从骨干网络选型、数据集构建与数据增强策略、模型训练调优流程、模型压缩部署方案、最终性能验收标准五个维度给出完整可落地的技术实现方案，所有维度的核心参数需明确量化标注，同时说明每个环节技术选型的合理性依据。参考答案及评分标准一、单项选择题答案：1.C2.B3.C4.A5.B6.C7.A8.C9.C10.C11.A12.A13.A14.B15.A16.A17.A18.D19.A20.A二、多项选择题答案：1.ABC2.ABC3.ABC4.ABC5.ABC6.ABC7.ABC8.ABC9.ABC10.ABC三、简答题评分标准：每个要点表述完整得对应分数，核心原理描述错误扣全题60%分值，场景描述错误扣对应要点分值。第4