2026年南通大学新生考试试题及答案

2026年南通大学新生考试试题及答案考试时长：120分钟满分：100分班级：__________姓名：__________学号：__________得分：__________一、单选题（总共10题，每题2分，总分20分）1.下列哪项不属于人工智能的核心技术领域？A.机器学习B.自然语言处理C.大数据分析D.生物遗传算法2.在神经网络中，用于计算输入层与隐藏层之间加权和的数学工具是？A.激活函数B.梯度下降算法C.权重矩阵D.反向传播3.以下哪种算法不属于监督学习范畴？A.决策树B.支持向量机C.K-means聚类D.线性回归4.在深度学习中，Dropout技术的核心目的是？A.增加网络层数B.减少过拟合C.提高计算效率D.调整学习率5.下列哪种模型最适合处理序列数据？A.卷积神经网络（CNN）B.长短期记忆网络（LSTM）C.朴素贝叶斯D.K近邻算法6.在机器学习模型评估中，F1分数主要用于衡量？A.模型的训练速度B.模型的泛化能力C.模型的精确率与召回率的平衡D.模型的内存占用7.以下哪种数据增强技术属于几何变换类？A.数据清洗B.随机裁剪C.特征选择D.标准化8.在强化学习中，Q-learning算法的核心思想是？A.通过梯度下降优化策略B.基于价值迭代更新Q表C.使用遗传算法进化策略D.依赖外部奖励信号9.以下哪种损失函数适用于多分类问题？A.均方误差（MSE）B.交叉熵损失C.L1损失D.Hinge损失10.在深度学习框架中，PyTorch与TensorFlow的主要区别之一是？A.并行计算能力B.代码可读性C.动态计算图D.模型部署效率二、填空题（总共10题，每题2分，总分20分）1.人工智能的三大基本能力包括______、______和______。2.神经网络中，用于传递输入数据的层称为______层。3.在机器学习中，过拟合通常表现为模型在______数据上表现良好，但在______数据上表现较差。4.Dropout技术通过随机丢弃部分神经元，以______模型对特定训练样本的依赖。5.LSTM网络通过引入______和______来解决长序列中的梯度消失问题。6.评估分类模型时，精确率是指______被正确分类为正例的样本数占所有被分类为正例的样本数的比例。7.数据增强技术中的______是通过随机旋转图像来增加模型的鲁棒性。8.强化学习中，______是智能体根据当前状态选择动作的依据。9.在多分类问题中，交叉熵损失函数通过计算每个类别的概率分布与真实标签的______来衡量模型误差。10.PyTorch框架中，用于构建计算图的类是______。三、判断题（总共10题，每题2分，总分20分）1.机器学习模型的所有参数都必须通过梯度下降算法进行优化。（×）2.卷积神经网络（CNN）特别适合处理图像分类任务。（√）3.支持向量机（SVM）在处理高维数据时表现较差。（×）4.Dropout技术会永久删除被丢弃的神经元。（×）5.LSTM网络可以自然地处理长序列数据，而不会出现梯度消失问题。（√）6.F1分数是精确率和召回率的算术平均值。（×）7.数据增强技术可以提高模型的泛化能力。（√）8.Q-learning算法属于模型无关的强化学习方法。（√）9.交叉熵损失函数适用于回归问题。（×）10.PyTorch和TensorFlow都是基于静态计算图的框架。（×）四、简答题（总共4题，每题4分，总分16分）1.简述机器学习中的过拟合现象及其解决方法。2.解释Dropout技术的原理及其在深度学习中的作用。3.描述长短期记忆网络（LSTM）的基本结构及其优势。4.比较监督学习与强化学习的主要区别。五、应用题（总共4题，每题6分，总分24分）1.假设你正在开发一个图像分类模型，现有数据集包含1000张图像，其中500张为猫，500张为狗。模型在训练集上准确率达到100%，但在测试集上准确率仅为80%。分析可能的原因并提出改进方案。2.设计一个简单的Q-learning算法框架，用于解决一个具有4个状态和3个动作的迷宫问题。假设迷宫的奖励函数如下：-到达终点奖励+10，撞墙奖励-1，其他状态奖励0。3.在一个多分类问题中，模型的预测结果如下表所示：|真实标签|预测标签||----------|----------||A|A||B|A||A|B||C|C||B|B|计算该模型的精确率、召回率和F1分数。4.假设你正在使用PyTorch构建一个简单的全连接神经网络，输入层有784个神经元，隐藏层有128个神经元，输出层有10个神经元。请写出初始化网络参数的代码。【标准答案及解析】一、单选题1.D解析：生物遗传算法属于进化计算的范畴，不属于人工智能的核心技术领域。2.C解析：权重矩阵用于计算输入层与隐藏层之间的加权和，激活函数用于引入非线性关系，梯度下降算法是优化方法，反向传播是计算梯度过程。3.C解析：K-means聚类属于无监督学习，其他选项均属于监督学习。4.B解析：Dropout技术的核心目的是通过随机丢弃神经元来减少过拟合。5.B解析：LSTM网络通过引入门控机制，特别适合处理序列数据。6.C解析：F1分数是精确率和召回率的调和平均值，用于衡量两者的平衡。7.B解析：随机裁剪属于几何变换类数据增强技术。8.B解析：Q-learning算法通过价值迭代更新Q表来选择最优策略。9.B解析：交叉熵损失函数适用于多分类问题。10.C解析：PyTorch基于动态计算图，而TensorFlow早期基于静态计算图。二、填空题1.学习、推理、规划解析：人工智能的三大基本能力是学习、推理和规划。2.输入解析：输入层用于传递输入数据。3.训练解析：过拟合通常表现为模型在训练数据上表现良好，但在测试数据上表现较差。4.减少解析：Dropout技术通过随机丢弃神经元，减少模型对特定训练样本的依赖。5.遗忘门、输入门解析：LSTM通过遗忘门和输入门解决梯度消失问题。6.正例解析：精确率是指被正确分类为正例的样本数占所有被分类为正例的样本数的比例。7.随机旋转解析：随机旋转图像是数据增强技术之一。8.策略解析：策略是智能体根据当前状态选择动作的依据。9.差距解析：交叉熵损失函数通过计算概率分布与真实标签的差距来衡量模型误差。10.nn.Module解析：PyTorch中，用于构建计算图的类是nn.Module。三、判断题1.×解析：机器学习模型的参数可以通过多种优化算法进行优化，如Adam、RMSprop等。2.√解析：CNN通过卷积操作，特别适合处理图像分类任务。3.×解析：SVM在高维数据中表现良好。4.×解析：Dropout技术是临时丢弃神经元，训练结束后所有神经元都会参与计算。5.√解析：LSTM通过门控机制，可以自然地处理长序列数据。6.×解析：F1分数是精确率和召回率的调和平均值。7.√解析：数据增强技术可以提高模型的泛化能力。8.√解析：Q-learning算法属于模型无关的强化学习方法。9.×解析：交叉熵损失函数适用于分类问题，均方误差适用于回归问题。10.×解析：PyTorch基于动态计算图，而TensorFlow早期基于静态计算图。四、简答题1.过拟合现象及其解决方法：过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的现象。解决方法包括：-数据增强：通过旋转、裁剪等方式增加训练数据多样性。-正则化：使用L1或L2正则化限制模型复杂度。-早停：当验证集性能不再提升时停止训练。2.Dropout技术的原理及其作用：原理：通过随机丢弃部分神经元，减少模型对特定训练样本的依赖。作用：减少过拟合，提高模型泛化能力。3.LSTM的基本结构及其优势：基本结构：包含输入门、遗忘门、输出门和细胞状态。优势：可以自然地处理长序列数据，避免梯度消失问题。4.监督学习与强化学习的主要区别：监督学习：通过标签数据学习映射关系，如分类、回归。强化学习：通过奖励信号学习最优策略，如Q-learning。五、应用题1.图像分类模型分析：可能原因：模型在训练数据上过拟合，导致泛化能力差。改进方案：-数据增强：增加训练数据多样性。-正则化：使用L2正则化限制模型复杂度。-早停：当测试集性能不再提升时停止训练。2.Q-learning算法框架：```pythonimportnumpyasnpclassQLearningAgent:def__init__(self,states,actions,learning_rate=0.1,discount_factor=0.99,epsilon=0.1):self.states=statesself.actions=actionsself.q_table=np.zeros((len(states),len(actions)))self.learning_rate=learning_rateself.discount_factor=discount_factorself.epsilon=epsilondefchoose_action(self,state):ifnp.random.random()<self.epsilon:returnnp.random.choice(self.actions)else:returnnp.argmax(self.q_table[state])defupdate_q_table(self,state,action,reward,next_state):best_next_action=np.argmax(self.q_table[next_state])current_q=self.q_table[state][action]next_q=reward+self.discount_factorself.q_table[next_state][best_next_action]new_q=(1-self.learning_rate)current_q+self.learning_ratenext_qself.q_table[state][action]=new_q```3.模型评估指标计算：精确率：50%召回率：50%F1分数：50%4.PyTorch网络初始化代码：```pythonimporttorch.nnas