2026年下半年人工智能工程师考试题库及答案

2026年下半年人工智能工程师考试题库及答案一、单项选择题（每题1分，共20分）1.在监督学习中，用于衡量两个概率分布之间差异的常用损失函数是？A.均方误差B.交叉熵损失C.合页损失D.对比损失答案：B解析：交叉熵损失源于信息论，常用于分类任务中评估预测概率分布与真实标签分布的差异。2.下列哪一个不能作为决策树的特征划分准则？A.信息增益B.基尼指数C.信息增益率D.欧氏距离答案：D3.在CNN中，1×A.实现跨通道信息融合B.对通道数进行升维或降维C.扩大感受野D.引入额外非线性答案：C解析：1×4.在训练神经网络时，若学习率设置过大，最可能出现的现象是？A.损失平稳下降B.损失震荡甚至发散C.模型快速收敛到全局最优D.训练集准确率始终为0答案：B5.LSTM中遗忘门的主要作用是？A.决定上一时刻细胞状态被保留的程度B.决定当前输入被写入细胞状态的程度C.控制隐藏状态输出D.生成候选细胞状态答案：A6.强化学习中，贝尔曼方程描述了？A.当前状态价值与后继状态价值之间的递推关系B.策略梯度与奖励之间的反比关系C.状态转移概率与动作空间的关系D.奖励衰减因子与折扣回报的关系答案：A解析：贝尔曼方程将状态价值或动作价值表示为即时奖励与后继价值的加权求和，是动态规划和时序差分方法的基础。7.下列关于过拟合的应对措施，不正确的是？A.增加L2正则化B.对训练数据进行数据扩增C.盲目增加模型参数量D.使用早停法（EarlyStopping）答案：C8.Word2Vec中包含的两种经典模型结构是？A.CBOW和Skip-gramB.LDA和LSAC.RNN和TransformerD.BERT和GPT答案：A9.缩放点积注意力公式中的缩放因子是？A.dB.dC.dD.d答案：A解析：缩放点积注意力公式为Attention(Q,10.在目标检测中，IoU（交并比）的计算公式是？A.预测框与真实框交集面积除以并集面积B.预测框与真实框并集面积除以交集面积C.预测框面积除以真实框面积D.真实框面积除以预测框面积答案：A11.支持向量机中引入核函数的直接目的是？A.将低维空间中线性不可分的数据映射到高维空间，使其尽可能线性可分B.降低模型复杂度C.加速训练过程D.减少支持向量的数量答案：A12.下列激活函数中，最容易在深层网络中引发梯度消失的是？A.ReLUB.SigmoidC.LeakyReLUD.Swish答案：B解析：Sigmoid的导数最大值仅为0.25，且当输入绝对值较大时导数趋近于0，误差反向传播时连续相乘易产生梯度消失。13.关于K-Means聚类算法，下列说法正确的是？A.需要预先指定簇数KB.能够自动确定最优簇数C.对任意形状的簇都能获得较好效果D.不需要迭代优化答案：A14.对无序类别特征进行独热编码（One-HotEncoding）的主要目的是？A.将类别特征转换为数值特征，并消除类别间的大小关系B.降低特征维度C.处理缺失值D.将连续特征离散化答案：A15.在PyTorch中，执行反向传播计算梯度的常用方法是？A..backward()B..step()C..forward()D..zero_grad()答案：A解析：.step()是优化器更新参数的方法；.zero_grad()用于清空梯度；.forward()为前向传播。16.在回归模型的评估指标中，对异常值最敏感的是？A.平均绝对误差（MAE）B.均方误差（MSE）C.中位数绝对误差D.R²（决定系数）答案：B解析：MSE对误差取平方，会放大离群点对损失和评估结果的影响。17.下列哪一项不是BERT原始版本的预训练任务？A.掩码语言建模（MaskedLM）B.下一句预测（NextSentencePrediction）C.对比学习（ContrastiveLearning）D.从被掩码的上下文恢复原词答案：C解析：BERT原始预训练包括MaskedLM和NextSentencePrediction，从被掩码上下文恢复原词等同于MaskedLM；对比学习不是BERT原始任务。18.联邦学习的核心目标之一是？A.在不直接共享原始数据的前提下实现多方协同训练B.将模型部署到云服务器进行集中训练C.减少模型参数量D.提高单机训练速度答案：A19.大语言模型生成内容中出现“幻觉”现象，最准确的理解是？A.模型生成与事实不一致或缺乏依据的内容B.模型输出完全随机C.模型上下文窗口溢出D.模型训练数据不够充分答案：A20.人工智能系统中的“算法歧视”主要来源于？A.训练数据中隐含的偏见B.模型参数量过大C.推理速度过慢D.用户界面不友好答案：A二、多项选择题（每题2分，共20分）1.下列属于深度学习常用优化器的有？A.SGDB.AdamC.LSTMD.RMSprop答案：ABD解析：LSTM是一种循环神经网络结构，不是参数优化器。2.下列可用于缓解模型过拟合的措施有？A.L1/L2正则化B.DropoutC.数据增强D.早停法答案：ABCD解析：正则化限制模型复杂度，Dropout随机失活部分神经元，数据增强扩大有效样本，早停在验证损失上升前终止训练，均能缓解过拟合。3.关于卷积神经网络，下列说法正确的有？A.卷积层通过权值共享减少参数量B.池化层可以降低特征图的空间分辨率C.卷积核尺寸越大，感受野通常越大D.当步长为1且不填充时，输出特征图尺寸与输入一致答案：ABC解析：当步长为1但不做填充时，输出尺寸会小于输入尺寸；若需保持尺寸一致，通常要配合padding。4.下列属于无监督学习任务的有？A.聚类B.降维C.关联规则挖掘D.手写数字分类答案：ABC解析：手写数字分类属于有监督学习；聚类、降维、关联规则挖掘不依赖人工标签。5.自然语言处理中常用的文本表示方法有？A.词袋模型（BoW）B.TF-IDFC.Word2VecD.BERT输出向量答案：ABCD解析：这些方法分别从离散统计、局部共现、分布式词向量和深层上下文表示等角度对文本进行向量化。6.关于Transformer模型，下列说法正确的有？A.自注意力机制可以建模长距离依赖B.位置编码用于为序列注入位置信息C.解码器中不能使用自注意力D.多头注意力允许模型关注不同子空间的信息答案：ABD解析：解码器同样使用自注意力，但需要通过掩码限制只看到当前位置之前的信息，以避免未来信息泄漏。7.下列关于K-Means算法的说法，正确的有？A.需要指定簇数KB.使用欧氏距离度量样本相似度C.对初始聚类中心敏感D.能够自动处理不同密度的簇答案：ABC解析：K-Means假设簇大致呈球形且密度相近，对初始中心敏感，且需要预先指定K。8.关于神经网络的Dropout，下列说法正确的有？A.训练时随机丢弃部分神经元B.测试时不进行随机丢弃C.可以有效缓解过拟合D.等价于L2正则化答案：ABC解析：Dropout可视为对多个子网络的集成，测试时需恢复全部神经元；它与L2正则化机制并不等价。9.在正负样本极不平衡的分类任务中，适合用于评估模型效果的指标有？A.准确率B.精确率C.召回率D.F1值E.AUC答案：BCDE解析：准确率会被多数类主导，在极端不平衡下即使全部预测为多数类也能获得很高的准确率，无法反映少数类性能。10.下列属于参数高效微调（PEFT）方法的有？A.LoRAB.PrefixTuningC.AdapterD.PromptTuningE.全参数微调答案：ABCD解析：参数高效微调仅训练少量新增或低秩参数，全参数微调需要更新全部模型参数，不属于PEFT。三、判断题（每题1分，共10分）1.机器学习中，训练集准确率越高，模型在测试集上的表现一定越好。答案：错误解析：训练集准确率高可能意味着过拟合，测试集表现反而下降。2.朴素贝叶斯分类器假设特征之间相互独立。答案：正确3.在卷积神经网络中，最大池化层是可学习的参数层。答案：错误解析：池化层固定操作，不包含可学习的权重参数。4.在梯度下降中，使用较小批量（mini-batch）更新参数会比使用全部样本引入更多噪声，但有时能帮助跳出局部极小点。答案：正确5.对特征进行最小最大归一化后，每个特征的最小值变为0，最大值变为1。答案：正确6.K-Means聚类结果不受初始聚类中心选择的影响。答案：错误解析：K-Means对初始中心敏感，不同初始化可能得到不同的局部最优解。7.在PyTorch中调用model.eval()后，Dropout层被禁用，BatchNorm层使用训练时的batch统计量。答案：错误解析：model.eval()后BatchNorm应使用全量统计量（runningmean/variance），而非当前batch统计量。8.LSTM中的门机制可以帮助缓解循环神经网络中的长期依赖问题。答案：正确9.在目标检测的NMS后处理中，得分较低的重复检测框会被抑制。答案：正确10.通过图灵测试的机器一定具有真正的通用人工智能。答案：错误解析：图灵测试是一种行为层面的判断标准，不能等同于具备真正的理解、意识和通用智能。四、简答题（每题5分，共15分）1.简述偏差-方差分解的含义，并说明其与欠拟合、过拟合的关系。答案：偏差衡量模型预测期望与真实值的差异，反映模型的拟合能力；方差衡量模型在不同训练集上的预测波动，反映模型对数据扰动的敏感性。若模型偏差大、方差小，通常处于欠拟合状态；若模型偏差小、方差大，通常处于过拟合状态。理想模型应在偏差与方差之间取得平衡，使总误差最小。2.简述卷积神经网络中池化层的作用。答案：(1)降低特征图空间尺寸，减少计算量和参数量；(2)扩大感受野，使高层特征包含更大范围的语义信息；(3)提供一定的平移不变性；(4)通过下采样降低冗余，防止过拟合。常用池化包括最大池化和平均池化。3.简述注意力机制的核心思想，并说明它在自然语言处理中的两个典型应用。答案：核心思想是对输入的不同位置赋予不同的权重，使模型能动态聚焦与当前任务或当前输出最相关的信息。在NLP中典型应用包括：(1)机器翻译中，解码每个目标词时关注源语句的不同部分；(2)Transformer中通过自注意力建模序列内部任意两位置之间的依赖关系，替代循环网络逐步传递信息。五、计算题（每题10分，共20分）1.某二分类数据集D包含10个样本，其中正例6个、负例4个。特征A将数据集划分为3个子集：D1（5个样本，4正1负）、D2（3个样本，2正1负）、D3（2个样本，0正2负）。请计算数据集D的经验熵H(D)、特征A对答案：先计算经验熵：H计算各子集的经验熵：HHH条件熵：$$H(D|A)=\frac{5}{10}H(D_1)+\frac{3}{10}H(D_2)+\frac{2}{10}H(D_3)

\approx\frac{5}{10}\times0.722+\frac{3}{10}\times0.918+\frac{2}{10}\times0

=0.636$$信息增益：g解析：信息增益表示使用特征A划分后不确定性减少的程度。计算时注意约定0log2.设线性回归模型为y=wx+b，损失函数采用L=12(ypre答案：前向计算：yL梯度计算：∂∂参数更新：wb解析：损失函数中无正则项，梯度下降沿负梯度方向更新。注意∂L∂y六、案例分析题（15分）某电商平台需要构建一个商品图片自动分类系统，共50类商品。团队收集了100万张标注图片，其中头部类目“手机壳”占25%，而少数类目“危险品”“瑕疵品”仅占0.5%。团队使用ResNet-50在原始训练集上训练后，整体准确率达到92%，但少数类目召回率不足5%，且验证集损失随训练轮次持续上升。请回答：(1)分析上述现象反映出了哪些机器学习问题？(2)针对这些问题，提出至少三种可行的改进策略，并说明理由。(3)设计合理的评估指标体系，并说明理由。答案：(1)反映的主要问题：-类别极度不平衡：少数类样本比例过低，模型偏向多数类，导致整体准确率高但少数类召回率低。-过拟合：验证集损失持续上升，而训练集表现较好，说明模型泛化能力下降。(2)改进策略：-数据层面：对少数类进行过采样（如SMOTE、图像重采样），或对多数类进行欠采样；也可使用数据增强扩充少数类样本，平衡各类别数量。-算法层面：在损失函数中引入类别权重（如weightedcross-entropy、FocalLoss），提高少数类错分的惩罚权重，使模型更关注难分样本。-模型与训练层面：使用早停法、正则化、Dropout抑制过拟合；使用分层采样划分训练/验证集，保证验证集中各类别比例合理；也可采用迁移学习加载预训练模型并微调。-后处理层面：调整分类阈值，使少数类更容易被预测为正类，从而提升召回率。(3)评估指标体系：-对于整体性能：报告Top-1准确率或宏平均准确率。-对于