2026年人工智能应用开发考试试题及答案

2026年人工智能应用开发考试试题及答案一、单项选择题（每题2分，共20分）1.在监督学习中，训练样本的标准构成是？A.仅包含特征向量B.特征向量及其对应的标签C.仅包含类别标签D.特征向量与样本编号2.下列激活函数中，最常用于多分类任务输出层的是？A.ReLUB.SigmoidC.TanhD.Softmax3.卷积神经网络中，池化层（Pooling）的主要作用是？A.增加网络参数量B.降低特征图尺寸，减少计算量并提取主要特征C.加快梯度下降收敛速度D.替代全连接层完成分类4.在PyTorch中，要启用张量的自动求导功能，应设置的参数是？A.requires_grad=TrueB.requires_grad=FalseC.trainable=TrueD.gradient=True5.对于类别极不平衡的二分类数据集，以下哪个指标更能客观反映模型性能？A.准确率（Accuracy）B.F1值（F1-Score）C.训练损失值D.模型参数量6.关于LoRA（低秩自适应）微调技术，下列说法正确的是？A.需要更新模型的全部参数B.通过注入低秩矩阵大幅减少微调阶段的训练参数量C.只适用于图像分类任务D.微调后模型的推理速度一定会变慢7.RAG（检索增强生成）的核心工作流程是？A.预训练→微调→推理B.检索→增强→生成C.分词→向量化→分类D.编码→解码→输出8.ONNX格式的主要作用是？A.数据集的自动标注工具B.跨框架的模型交换与部署格式C.模型训练的可视化工具D.超参数自动搜索算法9.下列算法中，属于无监督学习的是？A.K近邻B.线性回归C.K-Means聚类D.逻辑回归10.Transformer中自注意力机制（Self-Attention）的核心作用是？A.增强图像的空间分辨率B.捕捉序列中任意两个位置之间的依赖关系C.替代所有的正则化方法D.将文本转换为固定长度向量二、判断题（每题2分，共10分）1.过拟合表现为模型在训练集上表现优异，但在测试集上表现较差。2.梯度消失问题只与网络层数有关，与激活函数的选择无关。3.数据增强（DataAugmentation）可以有效提升模型的泛化能力。4.模型量化（Quantization）可以提高推理速度，但可能带来一定程度的精度损失。5.在Prompt工程中，指令描述得越模糊，大模型的输出效果越稳定。三、填空题（每空2分，共10分）1.深度学习中常用的优化器包括随机梯度下降（SGD）和______。2.PyTorch中定义自定义神经网络模型时，通常需要继承基类______。3.图像多分类任务中，最常用的损失函数是______。4.原始Transformer的基本结构由编码器（Encoder）和______组成。5.Softmax函数输出的所有分量之和恒等于______。四、简答题（每题5分，共20分）1.简述监督学习、无监督学习与强化学习三者的主要区别。2.简述过拟合的概念，并列举三种缓解过拟合的常用方法。3.简述RAG（检索增强生成）的基本流程及其解决的核心问题。4.简述模型量化（Quantization）的原理及其主要作用。五、综合应用题（每题10分，共20分）1.某二分类模型的混淆矩阵如下：TP=85，FP=10，FN=15，TN=90。请计算该模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值，并分析该模型在哪个方面表现相对薄弱、应如何改进。N准确率：A精确率：P召回率：RF1值：F解析：对比精确率与召回率可见，模型的召回率（85%）明显低于精确率（89.47%），说明有较多正类样本被漏报（FN=15）。如果业务更关注"不能漏掉正类"（如疾病筛查、风险预警），应优先提升召回率，可通过降低分类阈值、增加正类样本权重、使用过采样/欠采样方法，或改用更适合不平衡数据的模型与损失函数来实现。2.某企业将大型语言模型（LLM）接入智能客服系统，上线后发现两个问题：(1)模型无法回答内部知识库中的最新政策；(2)单次请求响应时间过长，影响用户体验。请结合RAG与模型部署相关技术，设计一套改进方案，并说明理由。六、程序设计题（每题10分，共20分）1.使用PyTorch定义一个包含一个隐藏层的全连接神经网络（MLP），用于手写数字分类（输入为28×28像素图像，共10类）。要求：写出完整的模型类定义，包括`initimporttorch

importtorch.nnasnn

classMLP(nn.Module):

def__init__(self):

super().__init__()

self.fc1=nn.Linear(28*28,128)

self.relu=nn.ReLU()

self.fc2=nn.Linear(128,10)

defforward(self,x):

x=x.view(x.size(0),-1)#展平为[batch,784]

x=self.relu(self.fc1(x))

x=self.fc2(x)

returnx训练时选用交叉熵损失函数：criterion=nn.CrossEntropyLoss()理由：手写数字识别属于多分类任务，CrossEntropyLoss内部集成了Softmax与对数损失计算，直接接收网络输出的logits与整数标签即可，计算过程数值更稳定。解析：核心考点包括继承nn.Module、定义线性层与激活函数、在forward中实现数据展平，以及多分类损失函数的选择。注意x.view(x.size(0),-1)必须保留批次维度，将每个样本展平为784维向量；输出层神经元个数为10，与类别数一致。2.使用FastAPI为一个已训练好的模型封装HTTP推理接口。要求：编写完整代码，包括创建应用、定义请求与响应数据模型、实现/predict接口，调用模型预测方法并返回预测结果。fromfastapiimportFastAPI

frompydanticimportBaseModel

importjoblib

app=FastAPI()

clf=joblib.load("model.pkl")#加载已训练好的模型

classPredictRequest(BaseModel):

features:list[float]

classPredictResponse(BaseModel):

label:int

probability:float

@app.post("/predict")

defpredict(req:PredictRequest):

probs=clf.predict_proba([req.features])[0]

label=int(probs.argmax())

probability=float(probs[label])

returnPredictResponse(label=label,probability=probability)启动服务命令：uvicornmain:app--host--port8080请求示例：{"features":[0.5,-1.2,3.4]}解析：本题的考点包括FastAPI路由定义、Pydantic请求体自动校验、响应格式规范化以及模型调用封装。通过BaseModel定义数据模型后，FastAPI会自动完成JSON解析与类型校验；使用@app.post("/predict")暴露POST接口，客户端以JSON格式提交特征向量即可获得预测标签与对应的置信概率。参考答案与解析一、单项选择题1.答案：B解析：监督学习通过"特征—标签"映射完成训练。只有特征而无标签属于无监督学习场景，仅有标签则无法建立输入与输出之间的对应关系。2.答案：D解析：Softmax可将多个实数输出转换为各类别的概率分布且总和为1；Sigmoid一般只用于二分类输出层。3.答案：B4.答案：A解析：PyTorch通过张量的requires_grad属性控制是否在反向传播中记录并计算梯度。5.答案：B解析：当多数类占比极大时，准确率容易被多数类主导而虚高；F1值综合了精确率与召回率，能更真实地反映少数类的识别效果。6.答案：B7.答案：B8.答案：B9.答案：C解析：K-Means不需要标签，通过样本间距离将数据划分为若干簇，属于典型的无监督学习方法。10.答案：B二、判断题1.答案：正确2.答案：错误解析：激活函数影响很大。例如Sigmoid在输入绝对值较大时导数趋近于0，多层叠加后极易引发梯度消失。3.答案：正确4.答案：正确5.答案：错误解析：指令越具体、约束越明确，输出才越符合预期；模糊指令容易让模型自由发挥，产生偏离需求的结果。三、填空题1.答案：Adam（答AdamW、RMSProp、Momentum等亦可）2.答案：torch.nn.Module3.答案：交叉熵损失（CrossEntropyLoss）4.答案：解码器（Decoder）5.答案：1四、简答题1.答案：(1)监督学习使用带标签的数据学习从特征到标签的映射关系，典型任务包括分类与回归；(2)无监督学习使用无标签数据发现数据内在的结构与规律，典型任务包括聚类与降维；(3)强化学习通过智能体与环境不断交互，依据奖励信号学习最优策略，典型应用包括游戏博弈与机器人控制。2.答案：过拟合是指模型在训练集上拟合得过于精确，把训练数据中的噪声也当作规律学习，导致在验证集或测试集上表现明显变差的现象。常用缓解方法：(1)增加训练数据量或使用数据增强；(2)使用L1/L2正则化；(3)使用Dropout随机丢弃部分神经元；(4)采用早停法（EarlyStopping）。3.答案：基本流程：将外部知识库文档切分为片段并向量化后存入向量数据库；用户提问时，先从向量数据库中检索出与问题语义最相关的文档片段；再将检索结果与用户问题拼接为Prompt输入大语言模型；最后模型依据检索到的上下文生成回答。解决的核心问题：大语言模型知识过时、无法回答私有或实时知识，以及生成内容存在"幻觉"的问题。4.答案：原理：将模型权重和激活值从高精度浮点数（如FP32）转换为低精度表示（如FP16、INT8），以降低数值表示的精度。主要作用：(1)减小模型体积，降低存储与内存占用；(2)加快推理速度，提升计算效率；(3)便于在移动端、边缘设备等资源受限环境中部署；(4)代价是可能带来一定精度损失，可通过校准与微调缓解。五、综合应用题1.答案：样本总数：2.答案：(1)引入RAG架构解决知识时效性问题。将内部知识库（含最新政策文档）切片后通过Embedding模型向量化，存入向量数据库；用户提问时先检索出相关片段，再与问题一起拼接为Prompt交给LLM生成回答。这样无需重新训练模型即可让回答覆盖最新知识，同时有效降低"幻觉"。(2)从推理环节优化响应速度，可采用以下技术组合：•模型量化：将模型权重从FP16压缩为INT8，显著降低单次推理时延；•高性能推理框架：采用vLLM、TensorRT-LLM等框架，利用连续批处理（ContinuousBatching）等技术提升吞吐量；•推理结果缓存：对高频问题进行结果缓存，直接返回缓存答案；