2026年人工智能工程师基础人工智能算法基础试题及答案

2026年人工智能工程师基础人工智能算法基础试题及答案一、单项选择题（共20题，每题2分，总计40分）1.下列线性回归模型的损失函数中，对异常值敏感度最高的是（）A.Huber损失B.平均绝对误差（MAE）C.均方误差（MSE）D.对数余弦损失答案：C。解析：均方误差通过对误差项取平方放大了大误差的权重，当样本存在偏离均值较远的异常值时，平方项会使得模型参数向异常值方向偏移，敏感度显著高于其他选项；MAE对误差取绝对值，梯度恒定，对异常值鲁棒性更强；Huber损失在误差小于阈值时取平方、大于阈值时取绝对值，平衡了收敛速度和鲁棒性；对数余弦损失通过平滑处理进一步降低了大误差的影响。2.逻辑回归模型输出的概率值范围是（）A.(-∞,+∞)B.[0,1]C.(-1,1)D.[0,+∞)答案：B。解析：逻辑回归在线性输出的基础上叠加Sigmoid激活函数σ(z)=1/(1+e^(-z))，当z趋向正无穷时函数值趋近于1，z趋向负无穷时函数值趋近于0，最终输出严格落在[0,1]区间，可直接作为二分类任务的类别概率。3.决策树ID3算法选择最优划分特征的核心依据是（）A.信息增益B.信息增益率C.基尼系数D.均方误差答案：A。解析：ID3算法以信息增益作为特征划分的度量标准，信息增益越大代表使用该特征划分后数据集的纯度提升越高；信息增益率是C4.5算法的划分依据，用于修正信息增益偏向取值较多特征的缺陷；基尼系数是CART分类树的划分依据；均方误差是CART回归树的划分依据。4.当支持向量机（SVM）的惩罚参数C趋向于无穷大时，下列说法正确的是（）A.模型对误分类样本的容忍度提升，易出现欠拟合B.模型对误分类样本的惩罚极强，易出现过拟合C.间隔边界会向分类超平面方向收缩，间隔宽度增大D.所有样本都将被视为支持向量答案：B。解析：惩罚参数C控制软间隔SVM中误分类项的权重，C越大表示模型越不能容忍分类错误，会尽可能将所有训练样本划分正确，此时分类间隔会被压缩到极小，模型复杂度升高，容易在训练集上过拟合；当C趋向于0时，模型会忽略误分类样本，间隔宽度增大，易出现欠拟合；只有落在间隔边界上或被误分类的样本才会成为支持向量，C无穷大时仅间隔边界附近的少量样本为支持向量。5.下列聚类算法中，不属于基于划分的聚类方法是（）A.K-MeansB.K-MedoidsC.DBSCAND.模糊C均值（FCM）答案：C。解析：DBSCAN是基于密度的聚类算法，通过样本邻域内的点密度判断核心点、边界点和噪声点，能够发现任意形状的簇，无需预先指定簇数量；K-Means、K-Medoids、FCM均属于基于划分的聚类方法，核心思路是通过迭代优化将数据集划分为预先指定数量的互斥簇。6.卷积神经网络中，1×1卷积核的核心作用不包括（）A.跨通道信息融合B.特征图通道数降维/升维C.减少模型参数量D.提取特征图的空间邻域特征答案：D。解析：1×1卷积的感受野仅覆盖单个像素位置，无法捕获像素周边的空间邻域信息，其核心作用是实现跨通道的特征交互与线性组合，同时通过调整卷积核数量灵活改变特征图通道数，在相同感受野条件下大幅降低后续卷积层的参数量；空间邻域特征的提取依赖尺寸大于1×1的卷积核。7.批量归一化（BatchNormalization,BN）层在模型训练和推理阶段的计算逻辑存在差异，下列说法正确的是（）A.训练阶段使用当前批次的均值和方差做归一化，推理阶段使用全局滑动平均的均值和方差B.训练和推理阶段均使用当前输入批次的均值和方差做归一化C.训练阶段使用全局滑动平均的均值和方差，推理阶段使用当前批次的均值和方差D.BN层在推理阶段不需要做归一化计算，直接输出原始特征答案：A。解析：BN层的设计初衷是缓解深度网络训练中的内部协变量偏移问题，训练时由于批次数据可获得，采用当前小批次的均值和方差完成归一化，并通过动量法累计全局滑动平均的均值、方差；推理时单样本输入无法计算批次统计量，因此使用训练阶段保存的全局统计量完成归一化，保证推理结果的确定性。8.循环神经网络（RNN）处理长序列时易出现梯度消失或梯度爆炸问题，其根本原因是（）A.序列长度过长导致参数量过大B.反向传播时参数梯度随时间步连乘，权重矩阵的特征值乘积趋向于0或无穷C.激活函数选择不当，Sigmoid函数的饱和区间过长D.序列中存在噪声样本干扰梯度计算答案：B。解析：标准RNN的隐状态计算为h_t=tanh(W_hhh_{t-1}+W_xhx_t+b)，反向传播沿时间步传递梯度时，需要逐时间步乘以权重矩阵W_hh和激活函数的导数，当W_hh的最大特征值小于1时，连乘结果会随时间步增加指数级衰减至0，引发梯度消失；当最大特征值大于1时，连乘结果会指数级增长至无穷，引发梯度爆炸；激活函数饱和、序列噪声是次要影响因素，参数量大小与梯度消失爆炸无直接因果关系。9.下列激活函数中，存在神经元死亡问题（即部分神经元输出恒为0，参数无法更新）的是（）A.SigmoidB.TanhC.ReLUD.GELU答案：C。解析：ReLU函数的表达式为f(x)=max(0,x)，当神经元输入长期为负时，ReLU输出恒为0，此时反向传播的梯度为0，对应权重无法得到更新，即出现神经元死亡问题；Sigmoid和Tanh在输入为负时仍存在非零梯度，仅在饱和区间梯度趋近于0，不会出现永久性死亡；GELU通过高斯误差函数的平滑形式，在负区间保留了少量非零梯度，有效缓解了神经元死亡问题。10.下列关于Transformer模型中自注意力机制的说法，错误的是（）A.自注意力的计算复杂度与序列长度的平方成正比B.缩放因子√d_k的作用是防止点积结果过大导致Softmax梯度消失C.多头自注意力中不同头的参数是共享的，用于降低模型参数量D.自注意力机制能够捕获序列中任意两个位置之间的长距离依赖关系答案：C。解析：多头自注意力将输入特征拆分为多个子空间，每个注意力头使用独立的查询、键、值投影矩阵，参数互不共享，从而让不同头学习到不同维度的语义关联，最终将多个头的输出拼接后做线性投影；其余选项均符合自注意力的计算逻辑：点积注意力的时间复杂度为O(n²d)，n为序列长度；当键向量维度d_k较大时，点积结果方差较大，容易进入Softmax的饱和区间导致梯度趋近于0，除以√d_k可将点积结果的方差缩放至1，稳定梯度；自注意力计算时每个位置直接与所有位置做交互，无需沿序列递归传递，因此可直接建模长距离依赖。11.当训练集样本数量较少、样本类别分布严重不平衡时，下列模型评估指标中最能反映模型真实分类性能的是（）A.准确率（Accuracy）B.F1分数C.精确率（Precision）D.召回率（Recall）答案：B。解析：类别不平衡场景下，若模型直接将所有样本预测为多数类，即可获得很高的准确率，但完全不具备对少数类的识别能力，因此准确率不具备参考价值；F1分数是精确率和召回率的调和平均，同时兼顾了模型对正类的查准能力和查全能力，能够综合反映不平衡场景下的分类性能；单独的精确率或召回率仅能反映模型单方面的性能，无法全面评估模型表现。12.梯度下降算法中，Momentum动量法的核心作用是（）A.自适应调整每个参数的学习率，加快稀疏特征的收敛速度B.积累之前的梯度动量，抑制梯度震荡，加快收敛C.修正梯度估计的偏差，解决学习率前期波动过大的问题D.自动降低学习率，防止模型在最优点附近震荡答案：B。解析：Momentum算法引入了速度变量，累计历史梯度的指数移动平均作为当前参数更新的方向，相当于给梯度下降过程增加了惯性，能够在梯度方向一致的维度上加速更新，在梯度方向震荡的维度上抑制波动，整体提升收敛速度；自适应调整每个参数学习率是AdaGrad、RMSProp等算法的特点；修正梯度偏差是Adam算法中偏差修正项的作用；学习率衰减是通过学习率调度器实现的，不是动量法的核心功能。13.下列正则化方法中，通过随机失活神经元来降低模型过拟合风险的是（）A.L2正则化B.DropoutC.权重衰减D.早停（EarlyStopping）答案：B。解析：Dropout在训练阶段以固定概率p随机将部分神经元的输出置为0，使得模型不会过度依赖某几个局部特征，相当于在训练过程中集成了大量共享参数的子网络，有效降低过拟合风险；L2正则化（权重衰减）通过在损失函数中增加权重参数的L2范数惩罚，限制参数取值过大，降低模型复杂度；早停是在验证集性能连续多轮不提升时终止训练，防止模型过度拟合训练集噪声。14.主成分分析（PCA）降维的核心目标是（）A.找到使得投影后样本类间距离最大的投影方向B.找到使得投影后样本方差最大的正交投影方向C.找到使得投影后样本局部邻域关系保持最好的投影方向D.找到使得投影后样本的信息熵最大的投影方向答案：B。解析：PCA是无监督线性降维方法，其核心优化目标是将高维样本投影到低维正交空间时，尽可能保留原始数据的最大方差信息，投影方向为数据协方差矩阵的特征值从大到小对应的特征向量；使得类间距离最大的投影方向是线性判别分析（LDA）的目标；保持局部邻域关系是t-SNE、局部线性嵌入等流形学习方法的目标。15.下列关于生成对抗网络（GAN）的说法，正确的是（）A.GAN的训练目标是最小化生成器和判别器的交叉熵损失，训练过程稳定易收敛B.GAN由生成器和判别器两个网络组成，训练时两个网络同时更新参数，目标一致C.GAN训练中常见的模式崩溃问题是指生成器仅能生成有限种类的样本，缺乏多样性D.判别器的目标是尽可能将生成样本判别为真实类别，生成器的目标是尽可能生成让判别器判为假的样本答案：C。解析：模式崩溃是GAN训练中的常见问题，当生成器发现某一类样本能够稳定骗过判别器时，会持续生成该类样本，不再探索其他数据分布模式，最终导致生成样本多样性严重不足；GAN的训练是二人零和博弈过程，生成器和判别器的优化目标相反，训练过程存在不稳定、难收敛的问题；判别器的目标是区分真实样本和生成样本，生成器的目标是生成足够真实的样本让判别器判别为真。16.下列无监督学习任务中，需要预先指定簇数量的算法是（）A.DBSCANB.层次聚类（AGNES）C.K-MeansD.孤立森林答案：C。解析：K-Means作为基于划分的聚类算法，需要在训练前预先指定簇的数量K，通过迭代更新簇心完成样本划分；DBSCAN根据密度连通关系自动生成簇，无需指定簇数量；层次聚类通过自底向上聚合或自顶向下拆分的方式生成聚类树，可根据需求在不同层级截断得到任意数量的簇；孤立森林是异常检测算法，不涉及簇数量的指定。17.当神经网络出现严重过拟合时，下列调整方式无效的是（）A.增加训练样本数量，引入数据增强B.减小模型复杂度，减少网络层数或神经元数量C.增大学习率，加快参数更新速度D.引入L1/L2正则化或Dropout层答案：C。解析：过拟合的本质是模型复杂度过高，记住了训练集中的噪声和细节，导致泛化能力下降，增大学习率会使得参数更新步长过大，容易在损失曲面震荡甚至发散，不仅无法缓解过拟合，还可能导致模型不收敛；增加训练样本、降低模型复杂度、添加正则化均是缓解过拟合的有效手段。18.下列关于朴素贝叶斯分类器的说法，错误的是（）A.朴素贝叶斯的核心假设是特征之间条件独立B.朴素贝叶斯是基于贝叶斯定理和特征条件独立假设的生成式模型C.朴素贝叶斯对输入特征的尺度变化非常敏感，需要做特征归一化D.朴素贝叶斯在文本分类、垃圾邮件检测等场景下表现优异，训练速度快答案：C。解析：朴素贝叶斯通过计算特征的条件概率完成分类，其本质是基于概率统计的模型，特征的尺度变化不会影响条件概率的计算结果，因此无需做特征归一化；特征条件独立是朴素贝叶斯的核心假设，该假设大幅降低了联合概率的计算复杂度，使得模型训练和推理速度极快，在高维文本分类场景下有较好的效果。19.目标检测算法中，YOLO系列算法相较于FasterR-CNN的核心优势是（）A.检测精度更高，小目标检测效果更好B.检测速度更快，可实现实时目标检测C.不需要预先设置锚框（Anchor），泛化能力更强D.对重叠目标的检测效果更优，漏检率更低答案：B。解析：YOLO是单阶段目标检测算法，将目标检测转化为端到端的回归问题，直接从输入图像预测边界框位置和类别概率，推理速度极快，可满足实时检测需求；FasterR-CNN是两阶段检测算法，先生成候选框再对候选框做分类和位置回归，检测精度更高但速度较慢；早期YOLO版本同样基于锚框设计，单阶段算法在小目标、重叠目标检测上的表现通常弱于两阶段算法。20.大语言模型中广泛使用的RotaryPositionEmbedding（RoPE，旋转位置编码）的核心特点是（）A.将位置信息直接加到词嵌入向量上，实现简单但无法捕获相对位置关系B.通过旋转矩阵对查询和键向量做变换，使得注意力得分仅与token间的相对位置有关，可较好外推到训练时未见过的序列长度C.通过可学习的位置编码向量适配不同位置的语义，外推能力极强D.使用正余弦函数生成固定位置编码，无法应用于自注意力机制答案：B。解析：RoPE通过对查询、键向量施加和绝对位置相关的旋转变换，使得向量点积计算得到的注意力得分天然包含token间的相对位置信息，同时具备良好的长度外推能力，能够支持超过训练最大长度的序列输入；直接加性的绝对位置编码无法有效建模相对位置，可学习位置编码的外推能力较差；正余弦固定位置编码可应用于自注意力机制，是Transformer原始论文采用的位置编码方案。二、多项选择题（共10题，每题3分，总计30分，多选、少选、错选均不得分）1.下列关于偏差-方差权衡的说法，正确的有（）A.模型偏差大通常代表模型欠拟合，无法捕捉数据的真实规律B.模型方差大通常代表模型过拟合，对训练数据的微小波动过于敏感C.增大模型复杂度会同时降低偏差和方差，提升模型泛化能力D.增加训练样本数量可以在不显著提升偏差的前提下降低模型方差答案：ABD。解析：偏差衡量模型预测结果的期望与真实结果的差距，偏差大说明模型拟合能力不足，出现欠拟合；方差衡量模型在不同训练集上的预测结果波动，方差大说明模型过度拟合训练集细节，泛化能力差；增大模型复杂度会持续降低训练偏差，但当复杂度过高时方差会快速升高，总体泛化误差呈现先降后升的U型曲线，无法同时降低偏差和方差；增加训练样本能够让模型学习到更稳定的数据规律，降低参数估计的方差，不会增大模型的拟合偏差。2.下列关于决策树剪枝策略的说法，正确的有（）A.预剪枝是在决策树生成过程中，对当前节点划分前后的验证集性能进行评估，若划分不能带来性能提升则停止划分B.后剪枝是先生成完整的决策树，再自底向上对非叶节点进行考察，若将节点对应子树替换为叶节点能提升验证集性能则执行剪枝C.预剪枝的训练时间开销大于后剪枝，且容易出现欠拟合D.后剪枝生成的决策树通常保留了更多分支，泛化性能往往优于预剪枝答案：ABD。解析：预剪枝在树生成过程中提前停止分支生长，无需生成完整树结构，训练时间开销远小于后剪枝，但由于贪心的停止策略，可能剪掉一些能带来长期性能提升的分支，容易导致欠拟合；后剪枝在完整生成的树结构上做裁剪，决策更准确，泛化性能通常更好，但训练时间开销更高。3.下列属于Transformer编码器结构组成部分的有（）A.多头自注意力层B.交叉注意力层C.层归一化（LayerNormalization）与残差连接D.前馈神经网络（FFN）答案：ACD。解析：Transformer编码器由多个相同的层堆叠而成，每层包含两个子层：多头自注意力层、位置全连接前馈网络，每个子层外围都使用残差连接包裹，并在残差相加后做层归一化；交叉注意力层是Transformer解码器的组成部分，用于在解码时关联编码器输出的上下文信息，不属于编码器结构。4.下列模型中属于生成式模型的有（）A.朴素贝叶斯B.隐马尔可夫模型（HMM）C.逻辑回归D.扩散模型（DiffusionModel）A.使用ReLU、GELU等非饱和激活函数替代Sigmoid、Tanh激活函数B.采用残差连接结构，让梯度可以通过短路路径直接回传C.采用批量归一化层，稳定每层输入的分布，缓解激活值进入饱和区间D.增大学习率，使得梯度的绝对值足够大，避免消失答案：ABC。解析：非饱和激活函数在正区间的梯度恒为1或接近1，不会出现梯度随深度衰减的问题；残差连接提供了梯度直接回传的通道，避免梯度在多层连乘中消失；批量归一化将激活值拉回到均值为0方差为1的区间，避免激活值进入Sigmoid等函数的饱和区，保证梯度稳定；盲目增大学习率会导致参数更新步长过大，引发梯度爆炸或模型不收敛，无法解决梯度消失问题。6.下列关于集成学习方法的说法，正确的有（）A.Bagging方法通过有放回抽样生成多个不同的训练子集，并行训练多个基学习器，最终通过投票或平均得到预测结果，代表算法为随机森林B.Boosting方法通过串行训练基学习器，每轮根据前一轮基学习器的预测误差调整样本权重，重点关注之前被分错的样本，代表算法为AdaBoost、GBDT、XGBoostC.Stacking方法通过训练一个元学习器，将多个基学习器的输出作为元学习器的输入特征，得到最终预测结果D.集成学习的泛化性能一定优于单个基学习器，基学习器之间的多样性越高，集成效果越差答案：ABC。解析：集成学习的性能提升依赖基学习器的准确性和多样性，当基学习器准确性极低、多样性不足时，集成性能可能差于单个优质基学习器，且基学习器之间的多样性越高，集成的误差抵消效果越好，性能提升越明显；其余选项均符合三类集成学习方法的核心逻辑。7.下列关于卷积神经网络的参数共享机制，说法正确的有（）A.参数共享是指同一个卷积核在遍历整个特征图时使用相同的权重参数B.参数共享机制大幅减少了卷积层的参数量，提升了模型的统计效率C.参数共享基于图像的平移不变性先验，即同一个特征无论出现在图像的哪个位置，都可以用同一个卷积核检测D.参数共享会使得卷积层的感受野变小，无法捕获大尺度特征答案：ABC。解析：参数共享是卷积网络的核心特性之一，同一卷积核在滑动计算时权重不变，使得模型参数量不再和特征图尺寸挂钩，大幅降低参数量；其设计依据是图像的平移不变性，即边缘、纹理等基础特征出现在任意位置时的检测逻辑一致；卷积层的感受野由卷积核尺寸、步长、空洞率决定，与参数共享机制无关，通过堆叠多层小卷积核或使用大尺寸、空洞卷积可有效扩大感受野。8.下列关于大语言模型对齐技术的说法，正确的有（）A.监督微调（SFT）阶段使用高质量的人工标注指令-回复数据，让模型学习遵循人类指令的输出格式和内容逻辑B.基于人类反馈的强化学习（RLHF）需要训练奖励模型，对模型生成的多个回复进行排序，学习人类偏好的打分规则C.直接偏好优化（DPO）不需要显式训练奖励模型和强化学习过程，直接通过偏好数据优化模型策略，训练更稳定D.模型对齐的目标是让模型尽可能提升生成内容的流畅度，无需考虑内容的安全性和有用性答案：ABC。解析：大语言模型对齐的核心目标是让模型的输出符合人类的价值观和需求，生成有用、诚实、无害的内容，而非仅追求流畅度；SFT是对齐的第一阶段，通过标注数据让模型学会遵循指令；RLHF通过奖励模型学习人类偏好，再用强化学习优化策略；DPO通过数学推导将奖励模型和策略优化过程合并，无需单独训练奖励模型和PPO强化学习过程，训练稳定性更高。9.下列异常检测算法中，适用于高维数据异常检测的有（）A.孤立森林（IsolationForest）B.基于欧氏距离的K近邻异常检测C.单类支持向量机（One-ClassSVM）D.基于局部离群因子（LOF）的密度异常检测答案：AC。解析：高维数据存在维度灾难问题，欧氏距离在高维空间下的区分度会急剧下降，所有样本对之间的距离趋向于相等，因此基于距离的K近邻方法和基于密度的LOF方法在高维场景下效果极差；孤立森林通过随机划分特征空间孤立异常点，划分路径越短的样本异常度越高，不依赖距离计算，在高维场景下效率和效果较好；单类SVM通过核函数将高维数据映射到特征空间，学习最小超球面覆盖正常样本，可有效处理高维数据的异常检测。10.下列关于扩散模型的说法，正确的有（）A.扩散模型的前向过程是逐步向数据中添加高斯噪声，经过多步迭代后原始数据变为纯高斯噪声B.扩散模型的反向过程是训练一个神经网络，逐步预测并去除噪声，从纯噪声中恢复出符合真实分布的样本C.扩散模型的训练过程存在GAN的模式崩溃问题，生成样本多样性差D.扩散模型在文生图、视频生成等领域表现优异，生成样本的质量和多样性通常优于传统GAN答案：ABD。解析：扩散模型基于朗之万动力学的生成逻辑，前向加噪和反向去噪过程都是逐步进行的，训练目标是预测每一步添加的噪声，训练过程稳定，不存在GAN训练中的博弈不稳定和模式崩溃问题，生成样本的质量和多样性显著优于传统GAN，目前已成为AIGC领域的主流生成模型架构。三、简答题（共3题，每题10分，总计30分）1.简述反向传播算法的核心原理和计算流程。答案：反向传播算法是训练深度神经网络的核心方法，其核心原理是基于链式求导法则，从输出层向输入层反向逐层计算每个参数的损失梯度，进而通过梯度下降更新参数，最小化模型损失函数。（3分）具体计算流程如下：（1）前向传播阶段：将训练样本输入网络，逐层计算每个神经元的线性输出和激活值，直到得到最终的模型预测结果，保存每一层的中间计算结果（包括输入特征、线性输出、激活值）；（2分）（2）损失计算阶段：根据模型预测值和真实标签，计算网络输出层的损失值，以及输出层激活值对损失的梯度（即损失对输出层预测值的偏导）；（1分）（3）反向梯度传递阶段：从输出层开始，利用链式法则逐层向输入层反向计算，依次得到每个层的激活值梯度、线性输出梯度、权重参数梯度和偏置参数梯度，计算时需要用到前向传播阶段保存的中间变量，其中权重梯度为上一层传递过来的梯度与当前层输入激活值的外积，偏置梯度为上一层传递梯度的和；（2分）（4）参数更新阶段：根据优化器设定的学习率和梯度更新规则，利用计算得到的参数梯度更新所有层的权重和偏置；（1分）（5）迭代训练阶段：重复上述前向传播、反向梯度计算、参数更新的过程，直到模型损失收敛或达到预设的训练轮次。（1分）2.对比L1正则化和L2正则