NANPLAN神经网络与深度学习期末试题（含详细答案）

NANPLAN神经网络与深度学习期末试题（含详细答案）适用专业：人工智能、计算机科学与技术、大数据技术考试时长：120分钟满分：100分考试说明：闭卷考试，无额外资料，所有答案写在答题纸上，字迹清晰、步骤完整一、单项选择题（共15题，每题2分，共30分）1.以下不属于神经网络激活函数作用的是（）A.引入非线性特性B.解决梯度消失问题C.提升模型拟合能力D.实现多层网络堆叠的有效性2.经典BP神经网络的核心训练原理是（）A.正向传播更新权重B.误差反向传播梯度下降C.随机采样更新参数D.贪心算法迭代优化3.训练深度学习模型时，Dropout的主要作用是（）A.加速模型收敛B.防止模型过拟合C.降低计算量D.解决梯度爆炸4.LSTM网络相较于传统RNN，主要解决的核心问题是（）A.训练速度慢B.长序列梯度消失/梯度爆炸C.参数过多D.过拟合严重5.卷积神经网络（CNN）中，用来压缩特征图尺寸、减少参数的核心操作是（）A.卷积B.池化C.归一化D.激活6.下列优化器中，具备自适应学习率、能适配不同参数更新节奏的是（）A.随机梯度下降SGDB.批量梯度下降BGDC.AdamD.小批量梯度下降MBGD7.模型在训练集精度极高、测试集精度极低，该现象属于（）A.欠拟合B.过拟合C.梯度消失D.数据偏差8.神经网络中BatchNormalization（BN）的主要作用是（）A.标准化数据分布、加速收敛B.增加模型复杂度C.防止欠拟合D.减少训练数据量9.处理文本、语音等时序数据，首选的网络结构是（）A.CNNB.RNN/LSTMC.TransformerD.全连接网络10.损失函数MSE（均方误差）最适用于以下哪类任务（）A.二分类B.多分类C.回归预测D.语义分割11.Transformer模型的核心创新模块是（）A.卷积核B.自注意力机制C.门控单元D.池化层12.以下哪种操作不能有效缓解过拟合（）A.增加训练数据B.添加L2正则化C.增大网络层数D.使用Dropout13.梯度消失的主要原因是（）A.深层网络反向传播时梯度连乘趋近于0B.学习率过大C.批次数据量太小D.激活函数输出过大14.二分类任务中，标准损失函数是（）A.MSEB.交叉熵损失C.MAED.Huber损失15.模型迭代训练中，Epoch指的是（）A.单次输入的样本数量B.遍历全部训练集的次数C.单次参数更新的次数D.测试集验证次数二、填空题（共10空，每空1分，共10分）1.神经网络分为输入层、________和输出层三层基础结构。2.Sigmoid激活函数的输出区间是________，容易引发深层网络________问题。3.CNN的三大核心操作：卷积、池化、________。4.LSTM包含三个门控单元：输入门、________、输出门。5.正则化的核心目的是惩罚________参数，降低模型复杂度。6.模型训练的核心流程：正向传播、________、参数更新。7.Transformer的自注意力机制能够捕捉序列数据的________依赖关系。8.欠拟合的核心原因是模型________不足，无法拟合数据规律。三、简答题（共4题，每题5分，共20分）1.简述ReLU激活函数的优点及存在的缺陷。2.简要区分过拟合与欠拟合，并分别写出两种对应的解决办法。3.简述LSTM相较于传统RNN的改进逻辑。4.简述Adam优化器的核心优势。四、计算题（共2题，每题10分，共20分）1.已知二分类任务，模型预测输出概率为[0.8,0.2]，真实标签为[1,0]，请计算交叉熵损失值。（写出计算步骤）2.某卷积层输入特征图尺寸为224×224，卷积核大小3×3，步长为1，填充为1，求输出特征图尺寸。写出通用计算公式及计算过程。五、综合应用题（共2题，每题10分，共20分）1.某团队训练图像分类模型，训练集准确率98%，验证集准确率72%，测试集准确率70%。请分析该模型存在的问题，说明问题成因，并给出3种可落地的优化方案。2.对比CNN、LSTM、Transformer三种网络的适用场景，结合实际业务举例说明。参考答案及详细解析一、单项选择题答案及解析1.B解析：部分激活函数（如Sigmoid）会加剧梯度消失，并非解决该问题；激活函数核心作用是引入非线性，保证多层网络有效拟合复杂数据。2.B解析：BP网络核心逻辑是正向传播计算预测值，反向传播计算误差梯度，通过梯度下降迭代更新权重和偏置。3.B解析：Dropout训练时随机丢弃部分神经元，避免神经元过度依赖，弱化冗余特征，有效抑制过拟合，不加速收敛、不减少计算量。4.B解析：传统RNN对长序列数据反向传播时，梯度会持续累积缩放，出现消失或爆炸；LSTM通过门控机制调控信息传递，保留长序列依赖。5.B解析：池化（最大池化、平均池化）主要用于降维压缩特征图，减少参数量和计算量，卷积用于提取特征。6.C解析：Adam融合动量和自适应学习率，根据参数梯度动态调整学习步长，适配不同参数更新；SGD、BGD均为固定学习率。7.B解析：过拟合指模型过度学习训练集噪声，在训练集表现极好，泛化到未知测试集表现极差。8.A解析：BN对每层输入数据做标准化，统一数据分布，避免梯度波动，大幅加快模型收敛速度。9.B解析：RNN/LSTM专为时序数据设计，可记忆历史序列信息，适配文本、语音、时间序列预测任务。10.C解析：MSE计算预测值与真实值的误差平方均值，是回归任务的经典损失函数；分类任务多用交叉熵损失。11.B解析：Transformer完全基于自注意力机制，可全局捕捉序列依赖，摆脱RNN串行训练限制。12.C解析：增大网络层数会提升模型复杂度，加剧过拟合；增加数据、正则化、Dropout均能缓解过拟合。13.A解析：深层网络反向传播时，梯度层层连乘，若激活函数梯度小于1，多次相乘后梯度趋近于0，形成梯度消失。14.B解析：二分类、多分类任务标准损失函数为交叉熵损失，收敛速度和分类精度远优于MSE。15.B解析：Epoch定义为完整遍历一次所有训练样本；Batch是单次输入样本数，Iteration是批次迭代次数。二、填空题答案1.隐藏层2.(0,1)；梯度消失3.激活4.遗忘门5.过大/冗余6.反向传播7.全局长距离8.拟合能力/复杂度三、简答题详细答案1.ReLU激活函数的优点及缺陷优点：①计算简单，无需指数运算，训练速度快；②正数区间梯度恒定为1，有效缓解深层网络梯度消失；③单侧抑制特性，引入稀疏性，减少冗余参数依赖。缺陷：①负数区间梯度恒为0，容易出现神经元死亡问题，导致参数无法更新；②输出无归一化约束，数值波动较大，可能引发梯度爆炸。2.过拟合与欠拟合区分及解决办法定义：过拟合是模型学习了训练集噪声和冗余特征，训练精度高、泛化精度低；欠拟合是模型复杂度不足，无法捕捉数据核心规律，训练集和测试集精度均偏低。过拟合解决：增加训练数据、添加L1/L2正则化、使用Dropout、降低网络复杂度。欠拟合解决：增加网络层数/神经元数量、调整超参数、延长训练迭代次数、更换拟合能力更强的模型。3.LSTM对传统RNN的改进逻辑传统RNN仅通过简单线性变换传递时序信息，长序列训练时梯度持续衰减，无法保留远距离依赖。LSTM引入遗忘门、输入门、输出门三大门控单元，通过门控机制选择性遗忘无效历史信息、记忆有效当前信息、输出关键时序特征，精准控制信息的传递和留存，从根本上解决了RNN长序列梯度消失问题，大幅提升时序数据拟合能力。4.Adam优化器的核心优势①融合SGD动量机制，加速梯度收敛，避免局部最优；②具备自适应学习率，根据各参数梯度的一阶、二阶矩动态调整学习步长，适配不同参数的更新节奏；③对稀疏梯度、噪声梯度适应性强，训练稳定性更高，收敛速度优于传统梯度下降算法。四、计算题详细步骤1.二分类交叉熵损失计算二分类交叉熵损失公式：L=−已知：真实标签y=[1,0]，预测概率ŷ=[0.8,0.2]代入计算：L=-(1×log0.8+0×log0.2)=-log0.8计算得：L≈-(-0.0969)=0.09692.卷积输出特征图尺寸计算通用公式：Output=⌊已知：Input=224，Padding=1，Kernel=3，Stride=1代入：(224+2×1-3)÷1+1=223+1=224×224结论：该卷积操作为等尺寸卷积，输出特征图尺寸不变。五、综合应用题详细解析1.模型问题分析与优化方案存在问题：模型严重过拟合。训练集精度接近满分，验证集、测试集精度大幅下降，泛化能力极差。成因：①训练数据量不足或数据单一，样本代表性差；②网络模型复杂度过高，远超数据所需拟合能力；③训练迭代次数过多，模型过度学习训练集噪声；④未添加正则化、Dropout等约束机制。优化方案：①扩充训练数据集，采用数据增强（裁剪、翻转、缩放）提升样本多样性；②简化网络结构，减少卷积层、全连接层神经元数量，降低模型复杂度；③训练中添加Dropout层、L2正则化，抑制参数冗余；④采用早停策略，监控验证集精度，精度不再提升时停止训练。2.三种网络结构场景对比及实例（1）CNN卷积神经网络：核心优势是局部特征提取、参数共享，擅长处理网格结构的空间数据。适