2026年人工智能与深度学习算法考试试题及答案

2026年人工智能与深度学习算法考试试题及答案一、单项选择题（本大题共15小题，每小题2分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在深度学习的优化过程中，为了解决梯度消失或梯度爆炸问题，下列哪种激活函数目前最为常用且有效？A.SigmoidB.TanhC.ReLU(RectifiedLinearUnit)D.Softmax2.在卷积神经网络（CNN）中，假设输入图像大小为32×32×A.28B.28C.32D.273.Transformer模型的核心机制是自注意力机制。在计算注意力分数时，为了防止梯度消失并保持梯度的稳定性，通常会将缩放点积注意力中的点积结果除以一个缩放因子，该因子是？A.（向量维度）B.（向量维度的平方根）C.（向量维度的平方）D.1/4.下列关于生成对抗网络（GAN）的描述中，错误的是？A.GAN由生成器和判别器两部分组成B.训练过程中，生成器试图最小化lC.训练过程中，判别器试图最大化lD.GAN的训练目标是达到纳什均衡，此时判别器的输出恒为05.在深度强化学习中，Actor-Critic算法的主要特点是？A.仅基于价值函数进行策略更新B.仅基于策略梯度进行更新，不涉及价值函数C.结合了策略梯度和价值函数估计，利用价值函数来减少策略梯度的方差D.只能处理离散动作空间6.循环神经网络（RNN）在处理长序列时容易遇到梯度消失问题，LSTM（长短期记忆网络）通过引入门控机制来解决该问题。下列不属于LSTM门控单元的是？A.遗忘门B.输入门C.输出门D.注意力门7.在目标检测任务中，非极大值抑制（NMS）的主要作用是？A.提取图像中的关键特征点B.增加检测框的数量以提高召回率C.去除冗余的重叠检测框，保留最优框D.计算检测框与真实框之间的IoU8.下列正则化方法中，哪一种通常在训练过程中以一定概率随机“丢弃”神经元的输出，以防止模型过拟合？A.L1正则化B.L2正则化C.DropoutD.BatchNormalization9.在K-均值聚类算法中，确定聚类中心更新依据的准则是？A.最大化类间距离B.最小化类内距离C.最小化类内误差平方和D.最大化轮廓系数10.关于支持向量机（SVM）中使用核函数的目的，下列说法正确的是？A.将数据从低维空间映射到高维空间，使其变得线性可分B.增加数据的样本数量C.减少特征空间的维度以加速计算D.将线性不可分问题转化为线性回归问题11.在深度学习中，常用的优化器Adam结合了哪两种优化算法的思想？A.SGD和MomentumB.Momentum和RMSpropC.Adagrad和RMSpropD.SGD和Adagrad12.在语义分割任务中，为了解决卷积操作带来的特征图尺寸缩小和空间信息丢失问题，常采用哪种结构？A.全连接层B.池化层C.跳跃连接或U型结构D.转置卷积13.主成分分析（PCA）是一种常用的降维算法，其核心思想是？A.最大化投影后方差B.最小化投影后方差C.最大化类间距离D.最小化重构误差的平方和（等价于最大化投影方差）14.在评估二分类模型性能时，如果正负样本极度不平衡，下列哪个指标比准确率更具参考价值？A.Precision（精确率）B.Recall（召回率）C.F1-ScoreD.Accuracy（准确率）15.现代大语言模型（LLM）训练中，常用的参数高效微调技术PEFT，下列哪一种技术通过引入低秩分解矩阵来更新权重？A.AdapterB.PrefixTuningC.LoRA(Low-RankAdaptation)D.PromptTuning二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有两项或两项以上是符合题目要求的）1.下列关于深度学习中的“损失函数”，描述正确的有？A.均方误差（MSE）常用于回归问题B.交叉熵损失常用于分类问题C.HingeLoss是SVM的损失函数D.损失函数的值越小，表示模型的预测效果一定越好（在测试集上）2.梯度下降算法的变体中，能够自适应调整学习率的方法包括？A.SGD(StochasticGradientDescent)B.AdagradC.RMSpropD.Adam3.卷积神经网络中的池化层主要作用包括？A.降维，减少计算量和参数数量B.引入非线性C.增强模型对平移、旋转等变换的不变性D.提取局部特征4.下列属于无监督学习算法的有？A.K-MeansB.DBSCANC.Autoencoder(自编码器)D.LogisticRegression5.Transformer模型相比传统的RNN模型，具有哪些优势？A.能够并行计算，训练效率高B.通过自注意力机制捕捉长距离依赖能力强C.模型参数量通常比RNN小D.对位置信息进行了显式编码6.导致深度神经网络过拟合的常见原因及对策包括？A.原因：模型复杂度过高；对策：减少网络层数或神经元数量B.原因：训练数据量太少；对策：数据增强C.原因：训练时间过长；对策：早停法D.原因：学习率过大；对策：使用学习率衰减7.在图像分类任务中，数据增强的常见技术包括？A.随机裁剪B.随机水平翻转C.随机旋转D.添加高斯噪声8.下列关于深度残差网络（ResNet）的描述，正确的有？A.引入了残差块，解决了深层网络难以训练的问题B.使用跳跃连接直接将输入传递到输出C.即使网络深度增加，梯度也能通过跳跃连接有效地反向传播D.ResNet完全抛弃了卷积层，只使用全连接层9.强化学习的基本要素包括？A.智能体B.环境C.奖励D.状态10.评估聚类算法效果的常用指标有？A.轮廓系数B.Davies-BouldinIndexC.调整兰德指数D.准确率三、填空题（本大题共10小题，每小题2分，共20分。请将答案写在答题纸的指定位置）1.在神经网络的反向传播过程中，根据链式法则计算梯度的核心算法被称为________。2.假设一个二分类问题，预测概率为0.8，真实标签为1，则使用二元交叉熵损失函数计算得到的损失值为________（保留两位小数，ln3.在卷积操作中，为了保持输入和输出的特征图尺寸一致，通常需要使用________填充。4.Softmax函数的公式为S(5.在深度学习中，________技术通过标准化每一层的输入，加速了模型的收敛并允许使用更高的学习率。6.决策树算法中，用于衡量数据集纯度的指标包括信息增益和________。7.在目标检测中，预测框与真实框的交并比常简称为________。8.Transformer模型中，为了弥补位置信息的缺失，在输入层加入了________编码。9.变分自编码器（VAE）在编码器输出的不是确定的隐变量，而是隐变量的________和方差。10.在Q-learning算法中，Q值的更新公式利用了贝尔曼方程，其核心思想是________。四、简答题（本大题共5小题，每小题6分，共30分）1.简述反向传播算法（Backpropagation）的基本原理和步骤。2.请对比说明RNN、LSTM和GRU在处理序列数据时的主要区别。3.什么是过拟合？请列举至少三种防止过拟合的方法。4.简述卷积神经网络中感受野的概念，以及如何扩大感受野。5.解释Transformer模型中“多头注意力机制”的作用及其计算流程。五、计算与分析题（本大题共2小题，每小题15分，共30分）1.已知一个简单的全连接神经网络，输入层有2个神经元,，隐藏层有1个神经元h，输出层有1个神经元。网络参数如下：输入到隐藏层的权重：=0.5,隐藏层到输出层的权重：=0.3，偏置激活函数：隐藏层使用Sigmoid函数σ(损失函数：均方误差L现有一个样本：输入x=[1.0请完成以下任务：(1)计算该样本的前向传播过程，求出隐藏层输出h和预测输出。（保留3位小数）(2)计算损失值Lo(3)计算损失函数对输出层权重的梯度。2.给定一个数据集包含三个二维样本点：A(1,1)(1)请使用K-Means算法进行聚类，设K=(2)初始聚类中心选择为：=A(1(3)请写出第一次迭代后的样本分配情况以及更新后的聚类中心坐标。(4)（附加分）简要说明该算法是否会收敛，以及可能的收敛结果。六、综合应用题（本大题共2小题，每小题25分，共50分）1.设计一个基于卷积神经网络（CNN）的图像分类模型，用于区分“猫”、“狗”和“鸟”三类图像。假设输入图像尺寸为224×(1)请画出模型的大致架构图（用文字描述层级结构即可，包含卷积层、池化层、全连接层等）。(2)详细说明每一层的作用（如特征提取、降维、分类等）。(3)如果在训练过程中发现模型在训练集上准确率很高，但在验证集上准确率很低，你应该采取哪些具体的调优措施？请结合该场景详细阐述。2.随着大语言模型（LLM）的发展，检索增强生成（RAG）技术被广泛应用。(1)请简述RAG技术的基本架构和工作流程。(2)相比于直接微调（Fine-tuning）大模型，RAG技术有哪些优势？(3)在构建RAG系统时，向量数据库起到了什么作用？如何提高检索的准确性？参考答案与解析一、单项选择题1.C解析：ReLU函数在正区间的导数恒为1，有效缓解了深层网络中的梯度消失问题，且计算简单，是目前最常用的激活函数。Sigmoid和Tanh在输入值较大或较小时梯度趋近于0，容易导致梯度消失。2.B解析：卷积后尺寸计算公式为Outp3.B解析：Transformer论文中提出，当维度很大时，点积结果很大，会导致Softmax进入梯度极小的区域。因此除以进行缩放。4.D解析：GAN的理想状态是纳什均衡，此时生成器生成的数据分布接近真实数据分布，判别器无法区分真假，输出概率为0.5，而非0。选项D描述错误。5.C解析：Actor-Critic算法是策略梯度方法和价值函数方法的结合，Actor负责更新策略，Critic负责估计价值函数以减少方差。6.D解析：LSTM包含遗忘门、输入门和输出门。注意力门是Attention机制中的概念，不属于标准LSTM单元。7.C解析：NMS用于目标检测后处理，根据置信度排序，剔除与最高分框重叠度（IoU）超过阈值的其他框，以消除重复检测。8.C解析：Dropout在训练时随机将部分神经元输出置为0，防止神经元对特定特征产生过度依赖，从而抑制过拟合。9.C解析：K-Means的目标函数是最小化类内误差平方和（SSE），即让样本点距离所属聚类中心尽可能近。10.A解析：核函数通过将低维非线性可分数据映射到高维空间，使其在高维空间中变得线性可分，从而可以使用线性超平面进行分割。11.B解析：Adam优化器结合了Momentum（动量）的一阶矩估计和RMSprop的二阶矩估计。12.C解析：在语义分割（如FCN、U-Net）中，通过跳跃连接将浅层的高分辨率特征与深层的语义特征融合，以恢复空间信息。13.A解析：PCA旨在找到一个投影方向，使得数据点在该方向上的投影方差最大，从而保留最多的信息。14.C解析：在样本不平衡时，Accuracy可能产生误导（如全预测多数类准确率也很高）。F1-Score是Precision和Recall的调和平均，能更综合地反映模型在少数类上的性能。15.C解析：LoRA通过冻结预训练权重并在旁路注入低秩分解矩阵（A和B）来实现高效微调。二、多项选择题1.ABC解析：损失函数值小在训练集上意味着拟合好，但在测试集上不一定，可能过拟合，故D错误。2.BCD解析：Adagrad、RMSprop、Adam均为自适应学习率优化算法。SGD通常指固定学习率或简单动量的SGD，不具备自适应调整每个参数学习率的特性（除非加入特定scheduler，但算法本身定义通常指基础版）。3.AC解析：池化层主要作用是降维（减少参数）和引入不变性。虽然它本身是非线性的，但主要目的不是为了像激活函数那样引入非线性以解决线性不可分；特征提取主要由卷积层完成。4.ABC解析：LogisticRegression是监督学习算法。5.ABD解析：Transformer可以并行计算（A），通过Attention捕捉长距离依赖（B），使用了PositionalEncoding（D）。但Transformer参数量通常比同等任务下的RNN大得多，故C错误。6.ABC解析：学习率过大通常导致梯度爆炸或震荡，不是过拟合的直接原因，虽然正则化项可以抑制过拟合，但D选项对应关系不严谨。A、B、C均为过拟合的典型原因及对策。7.ABCD解析：均为常见的数据增强技术。8.ABC解析：ResNet基于卷积层构建，并未抛弃卷积层，故D错误。9.ABCD解析：智能体、环境、奖励、状态、策略（虽未列出但ABCD均为要素）构成了强化学习的核心。10.ABC解析：准确率用于监督学习分类，不适用于无监督的聚类评估。三、填空题1.反向传播算法或BP算法2.0.22解析：Lo3.Same4.(0,1)5.BatchNormalization或BN6.基尼系数或Gini指数7.IoU(IntersectionoverUnion)8.位置或Positional9.均值或Mean10.时序差分或TD(TemporalDifference)四、简答题1.答：反向传播算法是训练神经网络的核心算法，用于高效计算损失函数关于每个权重的梯度。基本原理：基于微积分中的链式法则。算法分为两个阶段：(1)前向传播：输入数据经过各层神经元计算，得到输出层的预测结果，并计算损失函数值。(2)反向传播：将损失函数的误差从输出层向输入层反向传递。在每一层，根据该层的误差信号（δ）和激活值，计算损失函数对该层权重的偏导数（梯度），并将误差信号传递给前一层，直至输入层。最后，利用计算出的梯度更新网络权重（如使用梯度下降法）。2.答：(1)RNN（循环神经网络）：结构最简单，通过隐藏状态传递信息。但在长序列训练中，容易出现梯度消失或梯度爆炸问题，难以捕捉长距离依赖。(2)LSTM（长短期记忆网络）：引入了细胞状态（）和三个门控（遗忘门、输入门、输出门）。通过门控机制选择性遗忘旧信息和添加新信息，有效解决了梯度消失问题，能够捕捉较长距离的依赖。(3)GRU（门控循环单元）：LSTM的变体，结构更为简化。将遗忘门和输入门合并为一个“更新门”，将细胞状态和隐藏状态合并。GRU参数更少，计算效率通常高于LSTM，在多数任务上性能与LSTM相当。3.答：过拟合：指模型在训练数据上表现非常好（误差很低），但在未见过的测试数据上表现较差（误差较高）的现象。这意味着模型学到了训练数据中的噪声和特有特征，而不是数据的通用规律。防止过拟合的方法：(1)数据增强：通过旋转、缩放、加噪等方式增加训练数据的多样性。(2)正则化：如L1/L2正则化，在损失函数中加入权重惩罚项，限制权重过大。(3)Dropout：在训练过程中随机丢弃部分神经元。(4)早停法：在验证集误差不再下降时停止训练。(5)简化模型结构：减少网络层数或神经元数量。4.答：感受野：指卷积神经网络中，某一层的特征图上的一个像素点对应输入图像上映射的区域大小。换句话说，它是该神经元能够“看到”的原始输入区域。扩大感受野的方法：(1)增加卷积层的深度（堆叠卷积层）：更深的网络通常拥有更大的感受野。(2)使用池化层：池化操作（如下采样）会扩大后续层的感受野。(3)增大卷积核的尺寸：使用5×5或(4)使用空洞卷积：在卷积核的元素之间插入空洞，在不增加参数量的情况下扩大感受野。5.答：作用：多头注意力机制允许模型在不同的表示子空间中并行地关注信息的不同位置，捕捉更丰富的特征依赖关系（如语法、语义等不同层面的信息）。计算流程：(1)线性投影：将输入的Query(Q)、Key(K)、Value(V)分别通过不同的线性变换矩阵，映射到h个不同的子空间，得到h组,,(2)缩放点积注意力：对每一组头(i)独立进行注意力计算：At(3)拼接：将所有头计算得到的输出向量拼接起来。(4)线性变换：对拼接后的向量进行一次线性变换，得到最终的输出。五、计算与分析题1.解：(1)前向传播：隐藏层输入=隐藏层输出h输出层输入=预测输出=≈(2)损失值：L(3)梯度计算：求：根据链式法则：2.解：(1)初始状态：=(1(2)第一次迭代-分配样本：计算样本A(1,1计算样本A(1,1A属于簇。计算样本B(2,2计算样本B(2,2B属于簇。计算样本C(−1,计算样本C(−1,C属于簇。分配结果：簇1包含A,B，簇2包含(3)第一次迭代-更新聚类中心：新：簇1A(1=(1+2)新：簇2C(−即=(结果：更新后的聚类中心为(1.5,1.5(4)收敛性分析：该算法会收敛。K-Means算法保证在有限步内收敛到一个局部最优解（因为簇中心的可能组合是有限的，且每次迭代SSE单调不增）。在此例中，随着迭代进行，簇中心会逐渐稳定。最终可能收敛到趋近于(1.5,1.5)（即A和B的中心），为六、综合应用题1.答：(1)模型架构描述：输入层：224×卷积块1：Conv2D(32,3x3,ReLU)->Conv2D(32,3x3,ReLU)->MaxPooling(2x2)卷积块2：Conv2D(64,3x3,ReLU)->Conv2D(64,3x3,ReLU)->MaxPooling(2x2)卷积块3：Conv2D(128,3x3,ReLU)->Conv2D(128,3x3,ReLU)->MaxPooling(2x2)展平层：Flatten()全连接层1：Dense(512,ReLU)->Dropout(0.5)输出层：Dense(3,Softmax)(2)层级作用说明：输入层：接收原始像素数据。卷积层：使用滤波器提取图像的局部特征，如边缘、纹理等。随着层数加深，提取的特征逐渐从低级特征变为高级语义特征（如眼睛、耳朵形状）。激活函数：引入非线性，使网络能够拟合复杂的映射。池化层：进行下采样，降低特征图尺寸，减少计算量，同时增加模型对物体微小位移的鲁棒性。展平层：将多维特征图转换为一维向量，以便输入全连接层。全连接层：汇总所有特征，用于分类推理。Dropout层：随机失活神经元，防止过拟合。输出层：输出属于“猫”、“狗”、“鸟”三类的概率分布。(3)调优措施（针对过拟合）：数据增强：对训练图像进行随机旋转、翻转、缩放、亮度调整，增加数据多样性，让模型学到更通用的特征。增加Dropout比率：在全连接层前或中增加Dropout层，或将丢弃率从0.5适当增加。使用L2正则化：在卷积层和全连接层的权重上添加L2正则化项，限制权重过大。早停法：监控验证集损失，当验证集损失不再下降（或开始上升）时，提前停止训练，并恢复到验证集效果最好的模型权重。减少模型复杂度：减少卷积核数量或减少全连接层神经元数量。使用预训练模型进行微调：如使用ResNet50在ImageNet上的预训练权重，冻结部分层，只训练最后几层，这在小数据集上非常有效