2026年(人工智能)科目试题及答案

2026年(人工智能)科目试题及答案第一部分：单项选择题（本大题共20小题，每小题2分，共40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.在感知机学习算法中，如果输入数据是线性可分的，那么感知机学习算法的收敛性如何？A.必然收敛，且迭代次数有限B.必然收敛，但迭代次数可能无限C.不一定收敛，取决于初始权重D.必然不收敛2.在决策树算法中，ID3算法使用的信息增益准则倾向于选择取值较多的属性。为了克服这一缺陷，C4.5算法使用了什么准则？A.信息增益率B.基尼指数C.均方误差D.对数似然损失3.关于支持向量机（SVM）中的核函数，下列说法正确的是？A.核函数可以将低维数据映射到高维空间，但在计算中必须显式地计算出映射后的坐标B.高斯核函数对应的映射空间是有限维的C.核函数的引入使得SVM可以处理非线性可分问题D.核函数必须满足正定性，即Mercer定理4.在深度学习的卷积神经网络（CNN）中，池化层的主要作用不包括？A.降低特征图的维度，减少计算量B.引入一定程度的平移不变性C.防止过拟合D.提取非线性特征5.循环神经网络（RNN）在处理长序列时容易遇到梯度消失或梯度爆炸问题。下列哪种结构主要为了解决长距离依赖问题而设计？A.LSTM（长短期记忆网络）B.AlexNetC.LeNetD.ResNet6.在反向传播算法中，权重的更新量通常与学习率以及什么成正比？A.激活函数的输出B.损失函数关于该权重的梯度C.损失函数的值D.输入数据的平方7.下列关于正则化的描述中，错误的是？A.L1正则化倾向于产生稀疏权重矩阵B.L2正则化倾向于让权重值分布更均匀，且数值较小C.Dropout正则化在训练时随机丢弃神经元，在测试时通常保留所有神经元但缩放权重D.正则化项系数越大，模型的欠拟合风险越小8.在Transformer模型中，多头注意力机制的主要目的是？A.增加模型的参数数量，提高计算复杂度B.允许模型在不同的表示子空间中关注不同位置的信息C.替代残差连接，提高梯度传播效率D.减少序列长度对计算复杂度的影响9.下列优化算法中，哪一种引入了“动量”的概念来加速梯度下降并抑制震荡？A.SGD（随机梯度下降）B.AdaGradC.RMSpropD.Adam10.在生成对抗网络中，生成器和判别器的训练目标通常是？A.最小化同一个损失函数B.生成器最小化判别器的准确率，判别器最大化生成器的损失C.进行极小极大博弈D.独立训练，互不干扰11.在聚类算法中，K-Means算法的目标函数是？A.最大化类间距离，最小化类内距离B.最小化样本点到所属簇中心的欧氏距离之和C.最大化轮廓系数D.最小化误差平方和12.下列哪个指标主要用于评估分类模型在不平衡数据集上的表现？A.Accuracy（准确率）B.Precision（精确率）C.Recall（召回率）D.F1-Score13.强化学习中，Q-learning算法属于哪一类方法？A.基于策略的方法B.基于价值的方法C.基于模型的方法D.蒙特卡洛方法14.在自然语言处理中，Word2Vec模型中的Skip-gram和CBOW的主要区别是？A.Skip-gram根据上下文预测中心词，CBOW根据中心词预测上下文B.CBOW根据上下文预测中心词，Skip-gram根据中心词预测上下文C.Skip-gram是深层神经网络，CBOW是浅层神经网络D.CBOW只能处理词袋模型，Skip-gram可以处理序列模型15.关于批量归一化，下列描述正确的是？A.BN层通常放在激活函数之后B.BN层可以显著加速训练速度，允许使用更大的学习率C.BN层在测试时的均值和方差使用当前批次的统计量D.BN层完全消除了对Dropout的需求16.在目标检测任务中，非极大值抑制（NMS）的主要作用是？A.提取图像特征B.生成候选区域C.去除重叠度高的冗余检测框D.计算边界框的回归损失17.下列关于深度学习中的“欠拟合”现象，描述错误的是？A.模型在训练集上的误差很高B.模型在测试集上的误差也很高C.增加模型的复杂度（如增加网络层数）可能缓解欠拟合D.增加正则化强度可以解决欠拟合18.在贝叶斯分类器中，朴素贝叶斯算法做出了什么“朴素”的假设？A.各个类别的先验概率相等B.各个特征之间相互独立C.各个特征服从高斯分布D.损失函数是二次的19.现代大语言模型（LLM）通常采用哪种架构作为基础？A.Encoder-only（如BERT）B.Decoder-only（如GPT系列）C.Encoder-Decoder（如原始Transformer）D.RNN20.AI伦理领域中，“算法偏见”的主要来源不包括？A.训练数据中存在的历史社会偏见B.算法设计者的主观意图C.模型过于复杂导致的随机性D.特征选择的不当第二部分：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）21.下列哪些属于机器学习的常见范型？A.监督学习B.无监督学习C.半监督学习D.强化学习22.深度学习中解决过拟合问题的常用方法有？A.增加训练数据量B.使用数据增强C.减小模型规模D.增大学习率23.卷积神经网络中，卷积层的超参数包括？A.卷积核大小B.步长C.填充D.激活函数类型24.关于Attention机制，下列说法正确的有？A.它是Transformer模型的核心组件B.它的计算复杂度与序列长度的平方成正比C.它可以捕捉序列中长距离的依赖关系D.Self-Attention中Query、Key、Value来自同一来源25.梯度下降算法的变体包括？A.BatchGradientDescentB.StochasticGradientDescentC.Mini-batchGradientDescentD.CoordinateDescent26.下列哪些属于无监督学习算法？A.K-MeansB.PCA（主成分分析）C.DBSCAND.LogisticRegression27.在强化学习中，智能体的核心要素包括？A.策略B.奖励信号C.价值函数D.模型28.自然语言处理中的预训练模型通常使用哪些任务进行自监督学习？A.掩码语言模型B.下一句预测C.机器翻译D.情感分析29.评价回归模型性能的指标有？A.MSE（均方误差）B.MAE（平均绝对误差）C.R-Squared（决定系数）D.Precision30.关于计算机视觉中的骨干网络，描述正确的有？A.ResNet引入了残差连接，解决了深层网络梯度消失问题B.VGGNet证明了网络深度的增加对性能提升至关重要C.MobileNet专注于在移动端设备上高效运行D.YOLO主要用于图像分类任务第三部分：填空题（本大题共15小题，每小题2分，共30分）31.在逻辑回归中，为了将线性回归的输出映射到(0,1)区间，通常使用________函数作为激活函数。32.SVM中，使得间隔最大化的决策超平面仅由少数几个支持向量决定，这些支持向量对应于拉格朗日乘子________的样本点。33.在深度学习中，常用的权重初始化方法是Xavier初始化和________初始化，后者更适合ReLU激活函数。34.CNN中，假设输入图像大小为32×32，卷积核大小为35.LSTM单元中，________门负责决定丢弃多少细胞状态中的信息。36.Transformer模型中，为了保留序列的位置信息，引入了________编码。37.在评估二分类问题时，TPR（真正例率）也被称为________，FPR（假正例率）用于绘制ROC曲线。38.K-Means算法需要预先指定簇的个数________。39.AdaBoost算法通过调整样本权重来关注前一轮被分类错误的样本，最终通过________的方式组合多个弱分类器。40.在强化学习中，ϵ-greedy策略用于在________和利用当前最佳策略之间进行平衡。41.主成分分析（PCA）是一种降维技术，它试图找到数据方差最大的________方向。42.生成对抗网络中，生成器G试图最小化lo43.目标检测算法分为One-stage和Two-stage，其中________算法（如FasterR-CNN）精度通常较高但速度较慢。44.在知识蒸馏中，复杂的教师模型将知识传递给轻量级的________模型。45.深度学习中的批量大小的选择会影响训练速度和内存占用，当显存不足时，通常会________批量大小并使用梯度累积。第四部分：判断题（本大题共10小题，每小题2分，共20分。正确的打“√”，错误的打“×”）46.神经网络的参数越多，模型的泛化能力一定越强。47.所有的机器学习模型都需要对数据进行归一化或标准化处理。48.随机森林通过集成多个决策树并采用Bagging方法，能够有效降低单一决策树的方差。49.在深度学习中，测试集的数据只能在模型训练和参数选择完全结束后使用一次，以评估最终性能。50.梯度消失问题在RNN中尤为严重，但在深层CNN中不会出现。51.L1正则化相比于L2正则化更容易获得稀疏解，因此常用于特征选择。52.K-近邻算法是一种懒惰学习算法，它在训练阶段只是存储样本，而在测试阶段才进行计算。53.Transformer模型完全抛弃了循环和卷积结构，仅依靠注意力机制处理序列信息。54.在强化学习中，基于模型的算法比无模型的算法更高效，因为它们可以规划，但需要环境模型。55.数据泄露是指在模型训练过程中使用了测试集的信息，导致评估结果过于乐观，这是允许的调试手段。第五部分：简答题（本大题共5小题，每小题8分，共40分）56.简述监督学习、无监督学习和半监督学习的主要区别，并各举一个典型算法。57.解释卷积神经网络中“局部感受野”、“权值共享”和“下采样（池化）”的含义及其作用。58.什么是梯度消失和梯度爆炸问题？在深度神经网络中通常采取哪些措施来缓解这些问题？59.简述Transformer模型中“自注意力机制”的计算过程，并说明其相比RNN的优势。60.在强化学习中，什么是“探索与利用”困境？常见的解决策略有哪些？第六部分：计算与分析题（本大题共3小题，共40分）61.（10分）给定一个简单的二分类问题，数据集包含两个样本：样本1：=[1样本2：=[2假设使用逻辑回归模型，模型参数为权重w=[,]和偏置b。初始化w=[0,0请计算对样本1进行一次随机梯度下降（SGD）更新后的参数w和b。（保留两位小数）62.（15分）现有一个简单的数据集：−1(1)请使用K-Means算法（K=2）进行聚类。假设初始聚类中心为=0(2)如果继续迭代直到收敛，最终的聚类中心是多少？63.（15分）在一个简化的强化学习场景中，有一个状态S，两个动作和。Q表初始化为：Q(S,假设采用ϵ-greedy策略，ϵ=当前智能体处于状态S，执行动作，获得奖励R=1学习率α=0.5，折扣因子请利用Q-learning更新公式Q(s,并简述如果此时再次回到状态S，在ϵ-greedy策略下选择动作的过程。第七部分：综合应用题（本大题共2小题，共50分）64.（25分）随着大语言模型（LLM）的广泛应用，提示工程变得至关重要。假设你是一名AI算法工程师，需要利用GPT-4模型辅助一家电商公司进行客户情感分析。任务背景：公司每天收到大量用户评论，需要自动判断评论是“正面”、“负面”还是“中性”。(1)请设计一个详细的Prompt（提示词），包含Few-shot（少样本）学习的例子，以提高模型在特定电商领域的情感判断准确率。(2)除了直接生成情感标签，还可以利用思维链来提升复杂评论的分析能力。请给出一个利用思维链进行情感分析的Prompt示例框架。(3)如果模型输出格式不稳定，你会如何优化Prompt以约束输出格式（例如要求输出JSON格式）？65.（25分）你受聘于一家医疗科技公司，负责设计一个辅助医生诊断肺部CT影像的深度学习系统。(1)请画出该系统的整体架构图（用文字描述模块及其连接关系），包括数据输入、预处理、骨干网络、检测/分割头、后处理及输出。(2)针对医疗影像数据标注成本高、样本量少的问题，你会采用哪些数据增强技术和训练策略？(3)在医疗AI中，模型的“可解释性”至关重要。请简述如何利用类激活图或注意力机制来帮助医生理解模型关注图像的哪些区域，从而做出诊断。(4)训练完成后，模型在测试集上的表现很好，但在实际临床使用中效果不佳。请分析可能的原因（如数据分布偏移、DomainShift等），并提出相应的解决方案。参考答案与解析第一部分：单项选择题1.【答案】A【解析】感知机收敛定理指出，如果数据集是线性可分的，且学习率足够小，感知机算法必然在有限次迭代后收敛到一个解。2.【答案】A【解析】C4.5算法是ID3的改进版，它使用信息增益率作为特征选择的标准，有效解决了ID3偏向选择取值较多特征的问题。3.【答案】C【解析】核函数技巧允许我们在低维空间计算高维空间的内积，无需显式映射（A错）；高斯核（RBF）映射到无限维空间（B错）；核函数必须满足Mercer条件，即半正定（D对）；C是核函数的核心作用。4.【答案】D【解析】池化层的主要作用是降维（A）、引入不变性（B）、在一定程度上减少过拟合（C）。提取非线性特征主要靠激活函数，池化通常是线性操作（如最大值或平均值），故D错误。5.【答案】A【解析】LSTM通过引入门控机制（遗忘门、输入门、输出门）和细胞状态，有效缓解了梯度消失问题，能够捕捉长距离依赖。6.【答案】B【解析】根据梯度下降法，参数更新公式为w=7.【答案】D【解析】正则化系数越大，对模型复杂度的惩罚越重，模型越简单，反而容易导致欠拟合（D错）。A、B、C描述均正确。8.【答案】B【解析】多头注意力机制将输入映射到多个子空间，分别进行注意力计算，最后拼接结果。这使得模型能够从不同的表示子空间（如语法、语义等）捕捉信息。9.【答案】D【解析】Adam算法结合了动量法和RMSprop的思想，利用梯度的一阶矩估计和二阶矩估计来动态调整学习率。虽然SGD也可以加动量，但Adam是典型的代表。10.【答案】C【解析】GAN的训练是一个极小极大博弈过程：生成器G试图最小化log(11.【答案】B【解析】K-Means的目标是最小化误差平方和（SSE），即每个样本点到其所属簇中心的欧氏距离的平方和。12.【答案】D【解析】在不平衡数据集中，Accuracy可能具有误导性。F1-Score是Precision和Recall的调和平均，能综合反映模型在正类上的表现，是更稳健的指标。13.【答案】B【解析】Q-learning通过学习状态-动作值函数Q(s,a)来评估在状态s采取动作a的预期回报，属于基于价值的方法。14.【答案】B【解析】CBOW根据上下文预测中心词（快，适合小数据）；Skip-gram根据中心词预测上下文（慢，适合大数据，能更好捕捉罕见词关系）。15.【答案】B【解析】BN层通常放在激活函数之前（A错）；测试时使用训练集统计的移动平均均值和方差（C错）；BN不能完全替代Dropout，有时也会混用（D错）；B是BN的主要优点。16.【答案】C【解析】NMS用于目标检测后处理，当同一目标有多个重叠检测框时，保留得分最高的框，抑制（去除）其他重叠度高的框。17.【答案】D【解析】欠拟合意味着模型太简单，无法捕捉数据规律。增加正则化强度会进一步限制模型能力，加剧欠拟合。解决欠拟合应减小正则化或增加模型复杂度。18.【答案】B【解析】朴素贝叶斯的核心假设是“条件独立性假设”，即在给定类别的情况下，各个特征之间相互独立。19.【答案】B【解析】目前主流的大语言模型（如GPT-3,GPT-4,Llama系列）大多采用Decoder-only架构，因为其自回归特性更适合文本生成任务。20.【答案】C【解析】算法偏见主要源于数据偏见（A）、设计者偏见（B）或特征选择不当（D）。模型复杂度导致的随机性通常表现为方差，而非系统性的社会偏见。第二部分：多项选择题21.【答案】ABCD【解析】这是机器学习的四大主要范型。22.【答案】ABC【解析】增加数据量、数据增强、减小模型规模都能降低过拟合。增大学习率通常导致训练不稳定，甚至发散，不是解决过拟合的直接手段（通常减小学习率或配合正则化）。23.【答案】ABCD【解析】卷积核大小、步长、填充决定了特征图的尺寸和感受野，激活函数类型（如ReLU）也是层配置的一部分。24.【答案】ABCD【解析】Attention是Transformer核心（A）；复杂度O(25.【答案】ABC【解析】CoordinateDescent（坐标下降）是另一种优化策略，不属于梯度下降的变体。26.【答案】ABC【解析】LogisticRegression是典型的监督学习分类算法。27.【答案】ABCD【解析】策略、奖励、价值函数、模型是强化学习智能体的四个核心要素（Model-based有模型，Model-free无模型，但广义上都是要素）。28.【答案】AB【解析】MLM和NSP是BERT等预训练模型常用的自监督任务。机器翻译和情感分析通常是有监督的下游任务。29.【答案】ABC【解析】Precision主要用于分类。回归常用MSE,MAE,RMSE,R-Squared。30.【答案】ABC【解析】YOLO是目标检测算法，不是单纯的分类网络。第三部分：填空题31.【答案】Sigmoid32.【答案】大于0(>033.【答案】He34.【答案】28【解析】(3235.【答案】遗忘36.【答案】位置37.【答案】召回率38.【答案】K39.【答案】加权投票/加权组合40.【答案】探索41.【答案】正交42.【答案】l43.【答案】Two-stage44.【答案】学生45.【答案】减小第四部分：判断题46.【答案】×【解析】参数过多容易导致过拟合，泛化能力可能下降（奥卡姆剃刀原理）。47.【答案】×【解析】决策树等基于树的模型通常不需要归一化；但神经网络、KNN、SVM等通常需要。48.【答案】√49.【答案】√【解析】这是测试集的基本原则，防止数据泄露。50.【答案】×【解析】深层CNN（特别是使用Sigmoid/Tanh激活函数时）同样会遇到梯度消失问题，这也是ResNet引入残差连接的原因之一。51.【答案】√52.【答案】√53.【答案】√54.【答案】√55.【答案】×【解析】数据泄露是严重的错误，会导致模型在实战中失效，是不允许的。第五部分：简答题56.【答案】(1)监督学习：使用有标签的数据进行训练，输入数据对应明确的输出标签。目的是学习从输入到输出的映射。典型算法：线性回归、支持向量机、神经网络。(2)无监督学习：使用无标签的数据，目的是发现数据内部的结构、模式或分布。典型算法：K-Means聚类、主成分分析（PCA）。(3)半监督学习：结合少量有标签数据和大量无标签数据进行训练，利用未标注数据的信息提升模型性能。典型算法：标签传播算法、自训练。57.【答案】(1)局部感受野：卷积层中的每个神经元只连接输入数据的一个局部区域。作用：提取局部特征（如边缘、纹理），减少参数数量。(2)权值共享：卷积核在图像的不同位置滑动时使用相同的权重参数。作用：进一步减少参数数量，使模型具有平移等变性。(3)下采样（池化）：在一个局部区域内取最大值或平均值作为输出。作用：降低特征图维度，减少计算量和内存消耗，引入微小的平移和旋转不变性。58.【答案】梯度消失和梯度爆炸是指在深层神经网络反向传播过程中，梯度值随着层数向前传递变得极小或极大，导致前面层权重更新缓慢或不稳定。原因：链式法则中连乘了多个小于1或大于1的导数（如Sigmoid导数<0.25）。缓解措施：(1)更换激活函数：使用ReLU、LeakyReLU等缓解梯度消失。(2)初始化权重：使用Xavier或He初始化，保持方差稳定。(3)引入残差连接：如ResNet，搭建“高速公路”让梯度直接流向前面的层。(4)使用归一化层：如BatchNormalization，防止数据分布偏移。(5)梯度裁剪：针对梯度爆炸，设定阈值截断梯度。59.【答案】计算过程：(1)输入矩阵X分别通过三个线性变换生成Query(Q),Key(K),Value(V)。(2)计算Q和K的点积，得到相关性分数。(3)将分数除以尺度因子（防止点积过大导致梯度消失）。(4)对结果进行Softmax归一化，得到注意力权重。(5)将权重与V相乘，得到加权后的输出。优势：(1)并行计算：Attention机制可以并行计算所有位置的关联，而RNN必须串行计算，训练速度慢。(2)长距离依赖：Attention直接计算任意两个位置的距离，解决了RNN的长距离遗忘问题。60.【答案】定义：在强化学习中，智能体需要在“利用”已知的、能获得高回报的动作（探索当前最优策略）和“探索”未知的、可能发现更好策略的动作之间寻找平衡。只利用可能导致陷入局部最优，只探索可能导致效率低下。解决策略：(1)ϵ-greedy策略：以ϵ概率随机选择动作（探索），1−(2)Softmax策略：根据动作值的相对大小按概率选择，值大的概率大，但小值也有机会被选中。(3)乐观初始化：将初始Q值设为较大值，鼓励尝试未访问过的动作。(4)上置信界算法（UCB）：根据动作的不确定性给予探索奖励。第六部分：计算与分析题61.【答案】解：1.前向传播：==2.计算梯度：损失L对的导数：−=对w的梯度：L对b的梯度：L3.参数更新(w←==b更新后参数：w=[0.0562.【答案】(1)第一次迭代：初始中心=0计算各点到中心的距离：1:|−1−00:|0−0|1:|1−0|2:|2−0|3:|3−0|4:|4−0|=4,|45:|5−0|6:|6−0|7:|7−0|8:|8−0|聚类结果：簇1:−簇2:5更新中心：==(2)最终收敛：继续迭代，中心会逐渐向数据密集区域移动。由于数据分布均匀，最终中心会稳定在两个局部区域的均值。实际上，数据分为0−4和如果严格按距离划分，分界点在(1.5所以最终簇1:−1,0簇2:5,6,（注：若初始中心不同，结果可能不同，但在此特定初始化下，上述即为稳定状态）。63.【答案】1.更新Q(公式：Q已知：QRγ为终止状态，故maα代入：QQ2.再次回到状态S的选择过程：当前Q(S,最优动作是。采用ϵ-greedy(ϵ=生成一个[0,1若r<0.5（概率50%）：随机选择动作（探索），可能是或。若r≥0.5（概率50%）：选择当前最优动作第七部分：综合应用题64.【答案】(1)Few-shotPrompt设计：“你是一个专业的电商情感分析助手。请根据用户的评论内容，判断其情感倾向。输出标签仅限于：正面、负面、中性。示例1：评论：物流超级快，东西质量也很好，下次还来！情感：正面示例2：评论：衣服色差太大，跟图片完全不一样，退货了。情感：负面示例3：评论：一般般吧，没什么特别的，性价比不高。情感：中性待分析评论：{用户输入