2025年《人工智能》試卷A及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)不屬于監(jiān)督學(xué)習(xí)任務(wù)？A.預(yù)測房價(jià)（連續(xù)值）B.圖像分類（離散標(biāo)簽）C.客戶分群（無標(biāo)簽）D.垃圾郵件識別（二分類）2.在深度學(xué)習(xí)中，ReLU激活函數(shù)的主要優(yōu)勢是？A.避免梯度爆炸B.解決梯度消失問題C.輸出范圍在(0,1)D.計(jì)算復(fù)雜度高3.以下哪種模型是基于自注意力機(jī)制設(shè)計(jì)的？A.LSTMB.ResNetC.TransformerD.AlexNet4.自然語言處理中，“詞嵌入（WordEmbedding）”的核心目標(biāo)是？A.將文本轉(zhuǎn)換為二進(jìn)制編碼B.捕捉詞語的語義相似性C.壓縮文本長度D.增強(qiáng)文本的語法正確性5.在支持向量機(jī)（SVM）中，“核函數(shù)”的作用是？A.降低特征維度B.將低維不可分?jǐn)?shù)據(jù)映射到高維可分空間C.優(yōu)化分類超平面的間隔D.減少過擬合風(fēng)險(xiǎn)6.以下哪項(xiàng)是強(qiáng)化學(xué)習(xí)中的關(guān)鍵要素？A.標(biāo)注數(shù)據(jù)B.獎勵信號C.預(yù)訓(xùn)練模型D.卷積操作7.計(jì)算機(jī)視覺中，“目標(biāo)檢測”與“圖像分類”的主要區(qū)別是？A.目標(biāo)檢測需要定位目標(biāo)位置B.圖像分類需要更高分辨率C.目標(biāo)檢測僅處理單類目標(biāo)D.圖像分類不依賴特征提取8.生成對抗網(wǎng)絡(luò)（GAN）的核心思想是？A.通過兩個網(wǎng)絡(luò)競爭提升生成效果B.利用自編碼器壓縮數(shù)據(jù)C.強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)結(jié)合D.基于概率模型生成數(shù)據(jù)9.在遷移學(xué)習(xí)中，“微調(diào)（Fine-tuning）”通常用于？A.從無到有訓(xùn)練新模型B.在預(yù)訓(xùn)練模型基礎(chǔ)上調(diào)整部分參數(shù)C.解決數(shù)據(jù)分布偏移問題D.減少模型計(jì)算量10.AI倫理中，“可解釋性（Interpretability）”的主要目的是？A.提升模型準(zhǔn)確率B.確保模型決策過程可被理解C.降低模型訓(xùn)練成本D.增加模型參數(shù)數(shù)量二、填空題（每空1分，共15分）1.機(jī)器學(xué)習(xí)中，過擬合的本質(zhì)是模型對__________數(shù)據(jù)的擬合能力過強(qiáng)，導(dǎo)致對__________數(shù)據(jù)的泛化能力下降。2.卷積神經(jīng)網(wǎng)絡(luò)（CNN）的典型結(jié)構(gòu)包括__________層、__________層和全連接層。3.Transformer模型中的“多頭注意力（Multi-HeadAttention）”通過將注意力計(jì)算分解為多個子空間，能夠捕捉__________的語義關(guān)系。4.長短期記憶網(wǎng)絡(luò)（LSTM）通過__________、__________和輸出門三種門控機(jī)制解決傳統(tǒng)RNN的梯度消失問題。5.強(qiáng)化學(xué)習(xí)中的“智能體（Agent）”通過與__________交互，以最大化長期__________為目標(biāo)。6.自然語言處理中的“預(yù)訓(xùn)練大模型”（如GPT-4）通常采用__________學(xué)習(xí)范式，先通過__________任務(wù)學(xué)習(xí)通用語言表征，再通過微調(diào)適應(yīng)具體任務(wù)。7.計(jì)算機(jī)視覺中，“語義分割”的目標(biāo)是為圖像中每個__________分配類別標(biāo)簽，而“實(shí)例分割”進(jìn)一步區(qū)分同一類別的不同__________。三、簡答題（每題8分，共40分）1.簡述監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的區(qū)別，并各舉一例說明。2.解釋“梯度下降”算法的基本原理，并比較批量梯度下降（BatchGD）、隨機(jī)梯度下降（SGD）和小批量梯度下降（Mini-batchGD）的優(yōu)缺點(diǎn)。3.對比生成對抗網(wǎng)絡(luò)（GAN）和變分自編碼器（VAE）在數(shù)據(jù)生成任務(wù)中的異同。4.說明預(yù)訓(xùn)練大模型（如GPT系列）在自然語言處理中的優(yōu)勢，并分析其面臨的主要挑戰(zhàn)（如計(jì)算成本、倫理風(fēng)險(xiǎn)等）。5.什么是“多模態(tài)學(xué)習(xí)”？舉例說明其典型應(yīng)用場景，并簡述跨模態(tài)對齊的關(guān)鍵技術(shù)。四、綜合題（共25分）題目：設(shè)計(jì)一個基于深度學(xué)習(xí)的智能醫(yī)療影像診斷系統(tǒng)要求：結(jié)合實(shí)際需求，完成以下設(shè)計(jì)（需具體說明技術(shù)細(xì)節(jié)）：（1）數(shù)據(jù)層面：說明醫(yī)療影像數(shù)據(jù)（如X光、MRI）的預(yù)處理步驟（包括數(shù)據(jù)清洗、增強(qiáng)、標(biāo)準(zhǔn)化等）；（2）模型架構(gòu)：選擇適合的深度學(xué)習(xí)模型（如CNN、Transformer或其變體），并闡述選擇理由及關(guān)鍵模塊設(shè)計(jì)；（3）訓(xùn)練策略：設(shè)計(jì)訓(xùn)練流程（包括損失函數(shù)選擇、優(yōu)化器、正則化方法等）；（4）評估與優(yōu)化：提出系統(tǒng)性能的評估指標(biāo)（如準(zhǔn)確率、召回率、AUC等），并說明如何通過遷移學(xué)習(xí)或模型壓縮提升系統(tǒng)實(shí)用性。答案一、單項(xiàng)選擇題1.C2.B3.C4.B5.B6.B7.A8.A9.B10.B二、填空題1.訓(xùn)練；測試2.卷積；池化（或下采樣）3.多維度/多樣化4.輸入門；遺忘門5.環(huán)境；獎勵6.自監(jiān)督；無監(jiān)督（或大規(guī)模無標(biāo)注）7.像素；實(shí)例三、簡答題1.區(qū)別與示例：監(jiān)督學(xué)習(xí)：使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練，目標(biāo)是學(xué)習(xí)輸入到標(biāo)簽的映射（如用標(biāo)注的腫瘤影像訓(xùn)練分類模型）；無監(jiān)督學(xué)習(xí)：使用無標(biāo)簽數(shù)據(jù)挖掘內(nèi)在結(jié)構(gòu)（如對患者病歷進(jìn)行聚類分析）；半監(jiān)督學(xué)習(xí)：結(jié)合少量標(biāo)簽數(shù)據(jù)和大量無標(biāo)簽數(shù)據(jù)（如用少量標(biāo)注的皮膚病圖像+大量未標(biāo)注圖像訓(xùn)練模型）。2.梯度下降原理：通過計(jì)算目標(biāo)函數(shù)在當(dāng)前參數(shù)下的梯度（導(dǎo)數(shù)），沿梯度反方向更新參數(shù)，逐步逼近極小值。-批量GD：使用全部訓(xùn)練數(shù)據(jù)計(jì)算梯度，收斂穩(wěn)定但速度慢；-SGD：使用單個樣本計(jì)算梯度，速度快但波動大；-Mini-batchGD：折中方案（如每次用32個樣本），兼顧速度與穩(wěn)定性。3.GAN與VAE對比：相同點(diǎn)：均用于生成數(shù)據(jù)；不同點(diǎn)：-GAN通過生成器（生成數(shù)據(jù)）與判別器（區(qū)分真假數(shù)據(jù)）的對抗訓(xùn)練學(xué)習(xí)分布；-VAE基于概率模型，假設(shè)數(shù)據(jù)服從潛在分布，通過編碼器（學(xué)習(xí)分布參數(shù)）和解碼器（生成數(shù)據(jù)）優(yōu)化；-GAN生成質(zhì)量高但易模式崩潰（忽略部分?jǐn)?shù)據(jù)分布），VAE生成較模糊但訓(xùn)練更穩(wěn)定。4.預(yù)訓(xùn)練大模型優(yōu)勢：-利用大規(guī)模無標(biāo)注數(shù)據(jù)學(xué)習(xí)通用語言表征，減少對任務(wù)特定標(biāo)注數(shù)據(jù)的依賴；-遷移能力強(qiáng)，微調(diào)后可適應(yīng)多種下游任務(wù)（如問答、翻譯）；-捕捉長距離依賴關(guān)系（如Transformer的自注意力機(jī)制）。挑戰(zhàn)：-計(jì)算成本高（需千億級參數(shù)、海量算力）；-倫理風(fēng)險(xiǎn)（生成虛假信息、偏見傳遞）；-可解釋性差（決策過程難以追溯）。5.多模態(tài)學(xué)習(xí)定義：整合文本、圖像、語音等多種模態(tài)數(shù)據(jù)的學(xué)習(xí)方法。應(yīng)用場景：如醫(yī)學(xué)診斷（結(jié)合影像+病歷文本）、智能客服（結(jié)合語音+文本）。跨模態(tài)對齊技術(shù)：通過共享表征空間（如將圖像和文本映射到同一向量空間）、交叉注意力機(jī)制（如CLIP模型）或多模態(tài)編碼器（如FLAVA）實(shí)現(xiàn)不同模態(tài)信息的關(guān)聯(lián)。四、綜合題（1）數(shù)據(jù)預(yù)處理：-清洗：去除偽影、噪聲（如通過中值濾波處理MRI圖像）；剔除標(biāo)注錯誤或不完整數(shù)據(jù)（如放射科醫(yī)生二次校驗(yàn)標(biāo)簽）。-增強(qiáng)：針對樣本不平衡（如罕見病影像少），采用旋轉(zhuǎn)、翻轉(zhuǎn)、高斯模糊、直方圖均衡化等方法增加多樣性；-標(biāo)準(zhǔn)化：統(tǒng)一圖像尺寸（如256×256）、灰度范圍（如歸一化至0-1）；對多模態(tài)數(shù)據(jù)（如影像+病理報(bào)告），文本部分進(jìn)行分詞、詞嵌入處理。（2）模型架構(gòu)：選擇“CNN+Transformer”混合架構(gòu)（如MedViT）：-CNN（如ResNet-50）作為底層特征提取器，捕捉局部空間特征（如腫瘤邊緣、紋理）；-Transformer作為高層編碼器，通過自注意力機(jī)制建模長距離依賴（如不同切片間的關(guān)聯(lián)）；-關(guān)鍵模塊：引入醫(yī)學(xué)專用注意力頭（如關(guān)注器官ROI區(qū)域），嵌入位置編碼（標(biāo)注病灶坐標(biāo)）。（3）訓(xùn)練策略：-損失函數(shù)：多任務(wù)學(xué)習(xí)（分類+定位），使用交叉熵?fù)p失（分類）+Dice損失（分割）；-優(yōu)化器：AdamW（權(quán)重衰減防止過擬合），初始學(xué)習(xí)率1e-4；-正則化：Dropout（在全連接層設(shè)置0.3丟棄率）、早停（驗(yàn)證集損失連續(xù)5輪不下降則停止）；-預(yù)訓(xùn)練：使用公開醫(yī)學(xué)影像數(shù)據(jù)集（如CheXpert）進(jìn)行自監(jiān)督預(yù)訓(xùn)練（如掩碼圖像建模）。（4）評