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》模拟测试卷一、单项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的四个选项中，只有一项是最符合题目要求的。请将正确选项的字母填在题后的括号内。）1.深度学习模型中，用于捕捉输入数据局部特征的卷积层，其核心参数不包括以下哪一项？A.卷积核大小（KernelSize）B.批归一化（BatchNormalization）C.激活函数类型（ActivationFunction）D.输出通道数量（OutputChannels）解析：批归一化（BatchNormalization）主要作用于层之间的数据分布，用于加速训练和提升稳定性，而非直接捕捉局部特征。卷积核大小、激活函数类型和输出通道数量均是卷积层设计的关键参数，直接影响特征提取能力。该知识点属于《人工智能基础》深度学习模块中卷积神经网络（CNN）基础章节的核心内容，大三学生需掌握卷积层的基本构成与功能差异。2.在实现图像分类任务时，以下哪种网络结构通常更适合处理小尺寸图像数据集？A.VGG-16B.ResNet-50C.MobileNetV2D.InceptionV3解析：MobileNetV2采用轻量级设计，通过深度可分离卷积等技术显著降低计算量，特别适用于资源受限场景。VGG-16和ResNet-50属于大型骨干网络，参数量庞大，对小尺寸图像可能存在过拟合风险。InceptionV3虽然具备高效结构，但相较于MobileNetV2仍偏重计算资源。该题目考查《深度学习应用》模块中模型轻量化技术，需结合不同网络特点分析适用场景。3.在训练循环神经网络（RNN）时，为解决梯度消失问题，以下哪种技术最为常用？A.DropoutB.BatchNormalizationC.LSTM单元结构D.ReLU激活函数解析：LSTM（长短期记忆网络）通过门控机制（输入门、遗忘门、输出门）有效缓解梯度消失，是处理长序列依赖的经典方案。Dropout主要用于正则化，BatchNormalization提升训练稳定性，ReLU解决梯度饱和问题。该知识点属于《人工智能基础》RNN章节重点，需区分不同技术的核心作用机制。4.在自然语言处理（NLP）任务中，Transformer模型的核心优势在于？A.支持并行计算B.具备记忆能力C.减少参数量D.改善局部特征提取解析：Transformer通过自注意力机制（Self-Attention）实现全局依赖建模，天然支持并行计算，是现代NLP的基准架构。LSTM具备记忆能力但计算效率低，MobileBERT等模型通过参数剪枝减少参数量，CNN擅长局部特征提取。该题目考查《深度学习应用》模块中Transformer架构的核心特性，需理解其与传统RNN的对比优势。5.在迁移学习场景中，若源域与目标域特征分布差异较大，以下哪种方法可能效果最差？A.微调（Fine-tuning）B.冻结预训练层C.多域对抗训练D.自监督预训练解析：当域差异显著时，冻结预训练层（仅微调整体参数）可能导致模型丢失源域关键知识，此时微调效果可能反不如重新训练。多域对抗训练通过联合优化提升域泛化能力，自监督预训练可构建更鲁棒的表征。该知识点属于《人工智能基础》迁移学习章节，需掌握不同策略的适用边界。6.在实现文本情感分析时，以下哪种模型结构更适合处理多模态输入（如文本+图像）？A.BiLSTMB.BERTC.CLIP模型D.GRU解析：CLIP（ContrastiveLanguage–ImagePre-training）通过对比学习联合优化文本与图像特征表示，是典型的多模态架构。BiLSTM、BERT、GRU均属于单一模态处理工具。该题目考查《深度学习应用》模块中多模态学习技术，需区分不同模型的输入输出特性。7.在训练深度学习模型时，以下哪种正则化方法主要针对过拟合问题？A.数据增强B.DropoutC.学习率衰减D.EarlyStopping解析：Dropout通过随机失活神经元强制模型学习鲁棒特征，是深度学习中最常用的过拟合缓解技术。数据增强提升数据多样性，学习率衰减优化收敛过程，EarlyStopping防止过拟合但非直接解决方案。该知识点属于《人工智能基础》模型调优章节，需掌握不同正则化手段的作用机制。8.在实现目标检测任务时，以下哪种损失函数主要用于处理边界框回归问题？A.Cross-EntropyB.MSEC.IoULossD.KLDivergence解析：IoULoss（交并比损失）通过计算预测框与真实框的交并比优化边界框回归精度，是目标检测中的标准损失函数。Cross-Entropy用于分类，MSE用于回归但精度较低，KL散度用于概率分布拟合。该题目考查《深度学习应用》模块中目标检测技术，需掌握不同损失函数的适用场景。9.在实现机器翻译任务时，以下哪种模型架构更适合处理长距离依赖？A.CNNB.TransformerC.Seq2SeqD.GRU解析：Transformer通过自注意力机制显式建模任意位置依赖关系，显著优于依赖递归结构的Seq2Seq、GRU等模型。CNN擅长局部特征提取，但难以捕捉长距离依赖。该知识点属于《人工智能基础》NLP章节，需理解不同架构的依赖建模能力差异。10.在实现生成对抗网络（GAN）时，以下哪种技术主要用于缓解模式崩溃问题？A.DropoutB.LabelSmoothingC.WGAN-GPD.CycleGAN解析：WGAN-GP（WassersteinGANwithGradientPenalty）通过Wasserstein距离和梯度惩罚提升判别器鲁棒性，有效缓解模式崩溃。LabelSmoothing用于分类任务，CycleGAN实现域迁移，Dropout用于正则化。该题目考查《深度学习应用》模块中GAN技术，需掌握不同变种的改进思路。二、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在题中横线上。）1.在卷积神经网络中，通过堆叠多个卷积层并逐步增大卷积核大小，可以实现______和______的双重提升。参考答案：感受野扩大；特征层次化解析：该知识点属于《人工智能基础》CNN章节，考查网络结构设计原理。感受野扩大使网络能捕捉更大范围特征，特征层次化通过多尺度卷积实现从低级到高级的抽象表示。大三学生需理解网络深度与宽度的设计权衡。2.在循环神经网络中，LSTM通过______、______和______三个门控结构实现记忆与遗忘的动态控制。参考答案：输入门；遗忘门；输出门解析：该知识点属于《人工智能基础》RNN章节，是LSTM的核心机制。输入门控制新信息流入，遗忘门决定保留哪些历史信息，输出门决定当前状态输出。需掌握每个门的具体计算逻辑及其功能差异。3.在Transformer模型中，自注意力机制通过计算______和______的加权和，得到序列的动态依赖表示。参考答案：查询向量（Query）；键向量（Key）解析：该知识点属于《深度学习应用》模块中Transformer章节。自注意力计算Query与所有Key的点积，再通过Value加权求和。理解自注意力计算过程是掌握Transformer的关键。4.在迁移学习场景中，若源域与目标域分布相似，以下哪种方法通常效果最佳？参考答案：微调（Fine-tuning）解析：该知识点考查《人工智能基础》迁移学习章节。当域分布相似时，微调预训练模型能充分利用源域知识，显著提升目标域性能。需掌握不同迁移策略的适用条件。5.在实现文本分类任务时，BERT模型通过______机制实现双向上下文理解。参考答案：掩码语言模型（MaskedLanguageModel）解析：该知识点属于《深度学习应用》模块中BERT章节。BERT通过动态掩码部分输入词，预测被掩盖词，从而学习完整上下文依赖。需理解BERT预训练与微调的协同作用。6.在目标检测任务中，YOLOv5模型采用______结构实现高精度检测。参考答案：PANet（PathAggregationNetwork）解析：该知识点考查《深度学习应用》模块中目标检测技术。YOLOv5通过PANet融合多尺度特征，显著提升小目标检测性能。需掌握不同骨干网络与特征融合策略的优劣。7.在实现机器翻译任务时，Transformer模型通过______机制实现并行计算，大幅提升效率。参考答案：位置编码（PositionalEncoding）解析：该知识点属于《人工智能基础》NLP章节。Transformer通过添加绝对位置信息，解决自然语言中相对位置依赖问题，同时支持并行计算。需理解位置编码的作用机制。8.在生成对抗网络（GAN）中，判别器通常采用______损失函数提升鲁棒性。参考答案：Wasserstein距离（WassersteinDistance）解析：该知识点考查《深度学习应用》模块中GAN技术。WGAN-GP使用Wasserstein距离替代传统交叉熵损失，有效缓解模式崩溃和梯度振荡问题。需掌握不同GAN变种的改进思路。9.在实现多模态学习时，CLIP模型通过______和______联合优化文本与图像特征表示。参考答案：对比损失（ContrastiveLoss）；联合嵌入空间（JointEmbeddingSpace）解析：该知识点属于《深度学习应用》模块中多模态学习章节。CLIP通过对比学习将文本与图像映射到统一嵌入空间，实现跨模态理解。需理解其预训练与微调的协同作用。10.在深度学习模型训练中，学习率衰减的目的是______和______。参考答案：加速收敛；防止过拟合解析：该知识点属于《人工智能基础》模型调优章节。学习率衰减通过逐步降低学习率，使模型在训练后期更精细地逼近最优解，同时缓解过拟合。需掌握不同衰减策略的适用场景。三、判断题（本大题共10小题，每小题2分，共20分。请判断下列各题是否正确，正确的填“√”，错误的填“×”。）1.在卷积神经网络中，池化层的主要作用是降低特征维度，但会丢失部分空间信息。参考答案：√解析：该知识点属于《人工智能基础》CNN章节。池化层通过下采样降低计算量，但确实会丢失部分空间细节。大三学生需理解池化层的权衡设计。2.在循环神经网络中，双向LSTM（BiLSTM）能同时捕捉前向和后向上下文信息，但计算复杂度显著高于单向LSTM。参考答案：√解析：该知识点属于《人工智能基础》RNN章节。BiLSTM通过并行计算两个单向LSTM实现双向依赖建模，计算复杂度是单向LSTM的两倍。需掌握不同RNN结构的优劣。3.在Transformer模型中，位置编码只能使用绝对位置信息，无法处理相对位置依赖。参考答案：×解析：该知识点属于《深度学习应用》模块中Transformer章节。Transformer通过相对位置编码（如RotaryPositionEmbedding）同时支持绝对和相对位置依赖。需理解现代Transformer的改进设计。4.在迁移学习场景中，若源域与目标域分布差异较大，采用冻结预训练层的方法通常效果最佳。参考答案：×解析：该知识点考查《人工智能基础》迁移学习章节。当域差异显著时，冻结预训练层可能导致模型失效，此时微调或领域对抗训练效果更佳。需掌握不同迁移策略的适用边界。5.在实现文本情感分析时，BERT模型通过动态掩码部分输入词，预测被掩盖词，从而学习完整上下文依赖。参考答案：√解析：该知识点属于《深度学习应用》模块中BERT章节。BERT的掩码语言模型（MLM）预训练机制通过动态掩码实现上下文依赖学习。需掌握BERT预训练的核心机制。6.在目标检测任务中，YOLOv5模型通过FPN（FeaturePyramidNetwork）结构实现多尺度特征融合，显著提升小目标检测性能。参考答案：×解析：该知识点考查《深度学习应用》模块中目标检测技术。YOLOv5采用PANet（PathAggregationNetwork）而非FPN，PANet通过路径聚合实现更有效的特征融合。需掌握不同骨干网络与特征融合策略的优劣。7.在实现机器翻译任务时，Transformer模型通过自注意力机制显式建模任意位置依赖关系，但计算复杂度随序列长度呈指数增长。参考答案：√解析：该知识点属于《人工智能基础》NLP章节。Transformer自注意力计算复杂度是O(n²)，随序列长度二次方增长。需理解其计算效率的权衡。8.在生成对抗网络（GAN）中，模式崩溃是指生成器只能产生单一类别的样本。参考答案：×解析：该知识点考查《深度学习应用》模块中GAN技术。模式崩溃是指生成器只能产生部分样本，而非单一类别。需掌握GAN训练中的典型问题。9.在实现多模态学习时，CLIP模型通过对比学习将文本与图像映射到统一嵌入空间，实现跨模态理解。参考答案：√解析：该知识点属于《深度学习应用》模块中多模态学习章节。CLIP的核心思想是学习跨模态的统一表示空间。需掌握其预训练与微调的协同作用。10.在深度学习模型训练中，学习率衰减的目的是使模型在训练后期更精细地逼近最优解，但可能导致训练时间显著延长。参考答案：√解析：该知识点属于《人工智能基础》模型调优章节。学习率衰减通过逐步降低学习率，使模型在训练后期更精细地逼近最优解，但计算步数增加，训练时间延长。需掌握其权衡设计。四、简答题（本大题共8小题，每小题2分，共16分。请结合所学知识，简要回答下列问题。）1.简述卷积神经网络（CNN）中池化层的主要作用及其设计原理。参考答案：池化层通过下采样降低特征图分辨率，主要作用包括：（1）降低计算量：减少参数量和计算复杂度，使网络更轻量；（2）提升鲁棒性：对微小位置偏移具有不变性，增强模型泛化能力；（3）提取关键特征：通过最大池化或平均池化保留最显著特征。设计原理基于人类视觉系统对空间位置的不变性，通过局部感受野实现特征提取。解析：该知识点属于《人工智能基础》CNN章节，考查池化层的基本作用与设计动机。需掌握不同池化方式（最大池化、平均池化）的优缺点，以及其在网络中的位置设计。2.简述循环神经网络（RNN）中梯度消失问题的产生原因及其解决方案。参考答案：梯度消失产生原因：在RNN反向传播时，梯度通过循环连接逐层相乘，当时间步数增加时，梯度指数衰减至接近零，导致长序列依赖难以建模。解决方案：（1）LSTM：通过门控机制（遗忘门、输入门）控制梯度流动；（2）GRU：简化LSTM结构，通过更新门和重置门缓解梯度消失；（3）注意力机制：显式建模序列依赖，避免梯度链过长。解析：该知识点属于《人工智能基础》RNN章节，考查RNN的核心缺陷及其改进方案。需掌握不同RNN变种的门控机制差异，以及其在实际应用中的选择依据。3.简述Transformer模型中自注意力机制的核心计算过程及其优势。参考答案：自注意力计算过程：（1）计算Query（Q）、Key（K）、Value（V）线性投影；（2）计算Q与所有K的点积，得到注意力权重；（3）将权重与V加权求和，得到输出。优势：（1）显式建模任意位置依赖，优于RNN的递归依赖；（2）支持并行计算，训练效率高；（3）无循环连接，不存在梯度消失问题。解析：该知识点属于《深度学习应用》模块中Transformer章节，考查自注意力机制的核心原理。需掌握其计算公式，以及与传统RNN的对比优势。4.简述迁移学习在深度学习应用中的主要优势及其适用场景。参考答案：主要优势：（1）减少训练数据需求：利用预训练模型知识，加速收敛；（2）提升模型泛化能力：预训练模型已学习通用特征，适应新任务；（3）降低计算成本：避免从头训练大型模型。适用场景：（1）小数据集任务：弥补数据不足问题；（2）相似任务：源域与目标域分布相似时效果最佳；（3）资源受限场景：如移动端或嵌入式设备。解析：该知识点属于《人工智能基础》迁移学习章节，考查迁移学习的核心价值。需掌握不同迁移策略（微调、特征提取）的适用场景，以及其局限性。5.简述目标检测任务中，边界框回归（BoundingBoxRegression）的主要挑战及其解决方案。参考答案：主要挑战：（1）尺度变化：目标大小差异导致回归难度增加；（2）遮挡问题：部分目标被遮挡时难以准确回归；（3）小目标检测：分辨率限制导致回归精度低。解决方案：（1）多尺度特征融合：如FPN、PANet；（2）锚框（AnchorBoxes）机制：预定义多种尺度框；（3）多尺度训练：调整输入分辨率或使用多尺度数据增强。解析：该知识点考查《深度学习应用》模块中目标检测技术，需掌握边界框回归的核心挑战及其解决方案。6.简述BERT模型中掩码语言模型（MLM）的预训练机制及其作用。参考答案：MLM预训练机制：随机掩盖输入序列部分词元（15%），预测被掩盖词元。作用：（1）学习上下文依赖：通过预测上下文词元，学习词义和语法关系；（2）模拟语言理解任务：与填空题类似，提升模型语言理解能力；（3）为下游任务提供预训练表示：预训练模型可直接用于微调，提升效果。解析：该知识点属于《深度学习应用》模块中BERT章节，考查BERT预训练的核心机制。需掌握MLM的具体实现方式，以及其在BERT中的作用。7.简述生成对抗网络（GAN）中模式崩溃问题的产生原因及其缓解方法。参考答案：产生原因：判别器过于强大，导致生成器只能产生少数样本，无法覆盖数据分布。缓解方法：（1）WGAN-GP：使用Wasserstein距离替代交叉熵损失；（2）谱归一化：限制判别器梯度范数；（3）多模态生成器：如StyleGAN，通过噪声映射生成多样样本。解析：该知识点考查《深度学习应用》模块中GAN技术，需掌握模式崩溃的具体表现及其解决方案。8.简述多模态学习在人工智能领域的应用价值及其主要挑战。参考答案：应用价值：（1）增强模型理解能力：融合文本、图像、声音等多源信息；（2）提升人机交互体验：如视觉问答、图像描述等任务；（3）拓展应用场景：如自动驾驶、多模态检索等。主要挑战：（1）数据异构性：不同模态数据分布差异大；（2）特征融合难度：如何有效融合多模态特征；（3）评估标准：缺乏统一的多模态评估指标。解析：该知识点属于《深度学习应用》模块中多模态学习章节，考查多模态学习的核心价值与挑战。五、应用题（本大题共8小题，每小题4分，共32分。请结合所学知识，分析下列问题并给出解决方案。）1.某图像分类任务需要处理小尺寸图像（如64×64像素），且计算资源有限，请设计一个轻量级卷积神经网络结构，并说明设计思路。参考答案：结构设计：```plaintextInput->[3x3Conv(32)+ReLU+BN]->[3x3Conv(32)+ReLU+BN]->MaxPool2d->[3x3Conv(64)+ReLU+BN]->[3x3Conv(64)+ReLU+BN]->MaxPool2d->Flatten->[FC(128)+ReLU]->[FC(10)+Softmax]```设计思路：（1）使用小尺寸卷积核（3x3）减少参数量；（2）增加卷积层深度而非宽度，提升特征层次化能力；（3）采用深度可分离卷积（如MobileNetV2结构）进一步轻量化；（4）使用BN层提升训练稳定性；（5）合理设置池化层减少计算量。解析：该知识点考查《深度学习应用》模块中轻量级网络设计，需掌握参数量优化、计算量控制等技巧。需注意轻量级网络的设计权衡，如可能牺牲精度换取效率。2.某文本情感分析任务需要处理长文本（如1000词），且存在大量噪声词，请设计一个循环神经网络结构，并说明设计思路。参考答案：结构设计：```plaintextInput->[Embedding+LSTM(128)+Dropout]->[LSTM(128)+Attention]->[FC(64)+ReLU]->[FC(2)+Softmax]```设计思路：（1）使用Embedding层处理词向量，降低噪声词影响；（2）采用双向LSTM（BiLSTM）捕捉双向上下文依赖；（3）加入Attention机制解决长序列依赖问题；（4）使用Dropout缓解过拟合；（5）输出层使用Softmax进行二分类。解析：该知识点考查《深度学习应用》模块中长文本处理技术，需掌握Embedding、LSTM、Attention等组件的协同作用。需注意长文本处理中的计算效率问题。3.某目标检测任务需要同时检测车辆和行人，且场景中存在大量遮挡，请设计一个目标检测模型，并说明设计思路。参考答案：模型设计：```plaintextInput->[YOLOv5backbone(PANet)]->[FPN+Neck]->[Head(YOLOv5)]->[BoundingBoxRegression+Classification+IoULoss]```设计思路：（1）使用YOLOv5作为骨干网络，PANet实现多尺度特征融合；（2）加入FPN（特征金字塔网络）增强小目标检测能力；（3）使用AnchorBoxes机制处理不同尺度目标；（4）采用IoULoss优化边界框回归，缓解遮挡问题；（5）输出层包含分类、回归和置信度分数。解析：该知识点考查《深度学习应用》模块中目标检测技术，需掌握不同骨干网络与特征融合策略的优劣。需注意遮挡问题的解决方案。4.某机器翻译任务需要处理中英双语文本，且源语言存在大量长句，请设计一个Transformer模型，并说明设计思路。参考答案：模型设计：```plaintextInput(EN)->[ENEmbedding+PositionalEncoding]->[TransformerEncoder]->[TransformerDecoder(withEN-DEattention)]->[DEOutput]```设计思路：（1）使用TransformerEncoder处理源语言，捕捉长距离依赖；（2）使用TransformerDecoder生成目标语言，通过交叉注意力机制利用源语言信息；（3）加入PositionalEncoding解决长序列位置依赖问题；（4）使用LookaheadMask防止信息泄露；（5）输出层使用Linear+Softmax进行词元预测。解析：该知识点考查《深度学习应用》模块中机器翻译技术，需掌握Transformer在NLP中的核心应用。需注意长序列处理中的计算效率问题。5.某多模态学习任务需要同时处理图像和文本，实现图像描述生成，请设计一个CLIP-like模型，并说明设计思路。参考答案：模型设计：```plaintextImage->[ResNetBackbone]->[ImageFeatureExtractor]Text->[BERTEmbedding]->[TextFeatureExtractor][ImageFeature+TextFeature]->[ContrastiveLoss]->[JointEmbeddingSpace]```设计思路：（1）使用ResNet提取图像特征；（2）使用BERT提取文本特征；（3）通过对比损失（ContrastiveLoss）联合优化图像与文本特征表示；（4）学习跨模态的统一嵌入空间；（5）输出层使用Siamese网络结构。解析：该知识点考查《深度学习应用》模块中多模态学习技术，需掌握CLIP的核心思想。需注意跨模态特征融合的挑战。6.某生成对抗网络（GAN）需要生成逼真的自然风景图像，请设计一个StyleGAN-like模型，并说明设计思路。参考答案：模型设计：```plaintextGenerator:[NoiseMapping+AdversarialDiscriminator]Discriminator:[PatchGAN+GradientPenalty]```设计思路：（1）Generator使用噪声映射（Noise）生成图像，通过多尺度生成网络（Multi-ScaleGenerativeNetwork）提升细节；（2）Discriminator使用PatchGAN（局部判别器）提升分辨率感知能力；（3）加入GradientPenalty缓解模式崩溃；（4）通过对抗训练学习图像风格。解析：该知识点考查《深度学习应用》模块中GAN技术，需掌握StyleGAN的核心思想。需注意生成图像的多样性问题。7.某迁移学习任务需要利用预训练模型进行小数据集目标检测，请设计一个微调策略，并说明设计思路。参考答案：微调策略：（1）冻结骨干网络（如ResNet50）所有层；（2）微调颈部和头部（如FPN和检测头）；（3）使用余弦退火（CosineAnnealing）调整学习率；（4）加入LabelSmoothing缓解过拟合；（5）使用多尺度训练和数据增强。解析：该知识点考查《人工智能基础》迁移学习章节，需掌握不同迁移策略的适用场景。需注意微调过程中的参数选择。8.某深度学习模型训练过程中出现梯度爆炸问题，请设计一个解决方案，并说明设计思路。参考答案：解决方案：（1）使用梯度裁剪（GradientClipping）限制最大梯度范数；（2）加入BatchNormalization稳定输入分布；（3）调整学习率或使用学习率衰减；（4）使用ReLU6或LeakyReLU替代ReLU；（5）增加Dropout缓解过拟合。解析：该知识点考查《人工智能基础》模型调优章节，需掌握梯度问题的常见解决方案。需注意不同方法的适用场景。【标准答案及解析】一、单项选择题1.C2.C3.C4.B5.A6.C7.B8.C9.B10.C解析：2.批归一化（BatchNormalization）是层间操作，不直接参与特征提取。3.MobileNetV2轻量级设计最适合小尺寸图像。4.LSTM通过门控机制缓解梯度消失。5.Transformer支持并行计算，优于RNN。6.微调（Fine-tuning）适用于域差异小的场景。7.CLIP模型支持多模态输入。8.Dropout是正则化方法。9.IoULoss用于边界框回归。10.Transformer通过自注意力机制建模依赖。11.WGAN-GP缓解模式崩溃。二、填空题1.扩大感受野；特征层次化2.输入门；遗忘门；输出门3.查询向量（Query）；键向量（Key）4.微调（Fine-tuning）5.掩码语言模型（MaskedLanguageModel）6.冻结预训练层7.位置编码（PositionalEncoding）8.Wasserstein距离（WassersteinDistance）9.对比损失（ContrastiveLoss）；联合嵌入空间（JointEmbeddingSpace）10.加速收敛；防止过拟合三、判断题1.√2.√3.×4.×5.√6.×7.√8.×解析：2.池化层降低分辨率但保留关键特征。3.Transformer通过相对位置编码实现双向依赖。4.域差异大时微调效果可能更差。