2025年人工智能基礎(chǔ)試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪種學(xué)習(xí)方式不屬于監(jiān)督學(xué)習(xí)？A.用帶標(biāo)簽的圖像訓(xùn)練分類模型B.用用戶點(diǎn)擊日志訓(xùn)練點(diǎn)擊率預(yù)測模型C.用無標(biāo)簽文本數(shù)據(jù)訓(xùn)練詞向量（Word2Vec）D.用標(biāo)注的醫(yī)療影像訓(xùn)練腫瘤檢測模型2.關(guān)于損失函數(shù)的選擇，以下說法錯(cuò)誤的是？A.回歸任務(wù)常用均方誤差（MSE）作為損失函數(shù)B.二分類任務(wù)中，交叉熵?fù)p失比均方誤差更適合輸出概率的模型C.多分類任務(wù)中，softmax函數(shù)與交叉熵?fù)p失聯(lián)合使用時(shí)，梯度計(jì)算更穩(wěn)定D.當(dāng)訓(xùn)練數(shù)據(jù)存在大量離群點(diǎn)時(shí)，均方誤差比絕對誤差（MAE）更魯棒3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，以下哪項(xiàng)操作不會改變特征圖的空間尺寸（寬×高）？A.3×3卷積核，步長（stride）=1，填充（padding）=1B.2×2最大池化（maxpooling），步長=2C.1×1卷積核，步長=1，填充=0D.轉(zhuǎn)置卷積（transposeconvolution），核大小=2×2，步長=2，填充=04.以下哪項(xiàng)不是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的缺點(diǎn)？A.長序列依賴問題（Long-termDependency）B.計(jì)算并行性差C.對輸入順序不敏感D.梯度消失或爆炸5.在強(qiáng)化學(xué)習(xí)中，“策略（Policy）”通常指？A.環(huán)境的狀態(tài)轉(zhuǎn)移概率B.智能體在給定狀態(tài)下選擇動(dòng)作的概率分布C.獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)規(guī)則D.值函數(shù)（ValueFunction）的更新策略6.關(guān)于過擬合（Overfitting），以下哪種方法無法緩解？A.增加訓(xùn)練數(shù)據(jù)量B.減小模型復(fù)雜度（如減少神經(jīng)網(wǎng)絡(luò)層數(shù)）C.使用權(quán)重正則化（L2正則化）D.提高學(xué)習(xí)率（LearningRate）7.Transformer模型中，“多頭注意力（Multi-HeadAttention）”的主要作用是？A.減少計(jì)算復(fù)雜度B.讓模型同時(shí)關(guān)注不同子空間的上下文信息C.替代循環(huán)神經(jīng)網(wǎng)絡(luò)處理序列順序D.增加模型的參數(shù)量以提升容量8.以下哪項(xiàng)屬于無監(jiān)督學(xué)習(xí)任務(wù)？A.圖像風(fēng)格遷移（如將照片轉(zhuǎn)為油畫風(fēng)格）B.垃圾郵件分類C.預(yù)測用戶下一次購買的商品D.客戶分群（Clustering）9.決策樹（DecisionTree）中，信息增益（InformationGain）的計(jì)算基于？A.基尼系數(shù)（GiniIndex）B.熵（Entropy）C.均方誤差D.互信息（MutualInformation）10.以下關(guān)于激活函數(shù)的說法，錯(cuò)誤的是？A.Sigmoid函數(shù)的輸出范圍是（0,1），適合作為二分類模型的輸出層激活函數(shù)B.ReLU（RectifiedLinearUnit）在輸入為負(fù)時(shí)梯度為0，可能導(dǎo)致“神經(jīng)元死亡”C.Tanh函數(shù)的輸出范圍是（-1,1），比Sigmoid更接近零均值，有利于梯度傳播D.所有激活函數(shù)都必須是可導(dǎo)的，否則無法用反向傳播訓(xùn)練二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)中，將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集的主要目的是________。2.梯度下降法的三種變體中，________（填寫縮寫）每次使用全部訓(xùn)練數(shù)據(jù)計(jì)算梯度，________（填寫縮寫）每次僅使用單個(gè)樣本計(jì)算梯度。3.反向傳播（Backpropagation）的核心思想是利用________法則，從輸出層向輸入層逐層計(jì)算損失函數(shù)對各參數(shù)的梯度。4.BERT（BidirectionalEncoderRepresentationsfromTransformers）的預(yù)訓(xùn)練任務(wù)包括________和________。5.強(qiáng)化學(xué)習(xí)的三要素是________、________和________。6.支持向量機(jī)（SVM）的目標(biāo)是找到一個(gè)________，使得正負(fù)樣本到該邊界的間隔（Margin）最大。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，并各舉一個(gè)實(shí)際應(yīng)用場景。2.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，為什么使用池化層（PoolingLayer）？常用的池化操作有哪些？各自的特點(diǎn)是什么？3.解釋“欠擬合（Underfitting）”和“過擬合（Overfitting）”的含義，并說明如何判斷模型處于哪種狀態(tài)，以及對應(yīng)的解決方法。4.描述Transformer模型中“自注意力（Self-Attention）”機(jī)制的計(jì)算過程，并說明其相對于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的優(yōu)勢。5.比較k近鄰（k-NN）算法和支持向量機(jī)（SVM）在分類任務(wù)中的優(yōu)缺點(diǎn)。四、算法題（每題10分，共20分）1.推導(dǎo)線性回歸模型的最小二乘解。假設(shè)訓(xùn)練數(shù)據(jù)為{(x?,y?),(x?,y?),…,(x?,y?)}，其中x?∈??，y?∈?，模型假設(shè)為y=w?x+b。要求寫出損失函數(shù)、優(yōu)化目標(biāo)，并推導(dǎo)參數(shù)w和b的閉式解（提示：可將b合并到w中，構(gòu)造增廣向量）。2.設(shè)計(jì)一個(gè)用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)，要求包含至少2個(gè)卷積層、1個(gè)池化層、1個(gè)全連接層，并說明各層的作用及超參數(shù)（如卷積核大小、步長、填充、池化類型等）。五、綜合分析題（20分）隨著多模態(tài)大模型（如GPT-4V、PaLM-E）的發(fā)展，人工智能在跨文本、圖像、視頻等多模態(tài)數(shù)據(jù)的理解與生成任務(wù)中表現(xiàn)突出。請結(jié)合所學(xué)知識，分析多模態(tài)大模型的核心技術(shù)挑戰(zhàn)，并提出至少3種可能的優(yōu)化方向（可從模型結(jié)構(gòu)、訓(xùn)練方法、數(shù)據(jù)利用等角度展開）。答案一、單項(xiàng)選擇題1.C（Word2Vec是無監(jiān)督學(xué)習(xí)，通過無標(biāo)簽文本學(xué)習(xí)詞向量）2.D（MAE對離群點(diǎn)更魯棒，MSE受離群點(diǎn)影響更大）3.A（3×3卷積核，步長1，填充1時(shí)，輸出尺寸與輸入相同；公式：輸出尺寸=(輸入尺寸-核大小+2×填充)/步長+1，代入得(H-3+2×1)/1+1=H）4.C（RNN對輸入順序敏感，這是其處理序列數(shù)據(jù)的基礎(chǔ)）5.B（策略π(a|s)表示狀態(tài)s下選擇動(dòng)作a的概率）6.D（提高學(xué)習(xí)率可能加劇過擬合，或?qū)е掠?xùn)練不穩(wěn)定）7.B（多頭注意力通過多個(gè)頭并行計(jì)算不同子空間的注意力，增強(qiáng)模型對不同上下文的捕捉能力）8.D（分群是無監(jiān)督學(xué)習(xí)，無需標(biāo)簽；圖像風(fēng)格遷移通?；跓o監(jiān)督或自監(jiān)督）9.B（信息增益=父節(jié)點(diǎn)熵-子節(jié)點(diǎn)加權(quán)熵，基于熵計(jì)算）10.D（如ReLU在x=0處不可導(dǎo)，但實(shí)際訓(xùn)練中可近似處理，不影響使用）二、填空題1.評估模型的泛化能力（避免過擬合訓(xùn)練數(shù)據(jù)）2.BGD（批量梯度下降）；SGD（隨機(jī)梯度下降）3.鏈?zhǔn)角髮?dǎo)（鏈?zhǔn)椒▌t）4.掩碼語言模型（MLM）；下一句預(yù)測（NSP）5.狀態(tài)（State）；動(dòng)作（Action）；獎(jiǎng)勵(lì)（Reward）6.最優(yōu)分隔超平面（或“最大間隔超平面”）三、簡答題1.區(qū)別：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；無監(jiān)督學(xué)習(xí)使用無標(biāo)簽數(shù)據(jù)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)（如聚類、降維）；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)，利用無標(biāo)簽數(shù)據(jù)提升模型性能。場景：監(jiān)督學(xué)習(xí)（圖像分類，如用帶標(biāo)簽的貓狗圖片訓(xùn)練分類器）；無監(jiān)督學(xué)習(xí)（客戶分群，如根據(jù)消費(fèi)行為將用戶劃分為不同群體）；半監(jiān)督學(xué)習(xí)（醫(yī)療影像診斷，利用少量標(biāo)注的病灶圖像和大量未標(biāo)注圖像訓(xùn)練模型）。2.池化層作用：降低特征圖的空間維度（減少計(jì)算量），增強(qiáng)平移不變性（對局部區(qū)域的微小位移不敏感），保留主要特征。常用池化操作：-最大池化（MaxPooling）：取局部區(qū)域最大值，保留顯著特征（如邊緣、紋理）；-平均池化（AveragePooling）：取局部區(qū)域平均值，保留整體信息（如圖像模糊后的整體亮度）；-隨機(jī)池化（StochasticPooling）：按概率選擇局部區(qū)域內(nèi)的元素，增加模型泛化能力（隨機(jī)性相當(dāng)于正則化）。3.定義：欠擬合指模型無法捕捉數(shù)據(jù)的復(fù)雜模式，訓(xùn)練誤差和驗(yàn)證誤差均較高；過擬合指模型過度擬合訓(xùn)練數(shù)據(jù)的噪聲，訓(xùn)練誤差低但驗(yàn)證誤差顯著高于訓(xùn)練誤差。判斷方法：比較訓(xùn)練集和驗(yàn)證集的損失/準(zhǔn)確率，若兩者均高且接近→欠擬合；若訓(xùn)練集損失低但驗(yàn)證集損失高→過擬合。解決方法：欠擬合（增加模型復(fù)雜度，如增加神經(jīng)網(wǎng)絡(luò)層數(shù)；添加更多特征；降低正則化強(qiáng)度）；過擬合（增加訓(xùn)練數(shù)據(jù)；減小模型復(fù)雜度；使用正則化、Dropout；提前停止訓(xùn)練）。4.自注意力計(jì)算過程：輸入序列的每個(gè)元素通過線性變換得到查詢（Q）、鍵（K）、值（V）向量；計(jì)算Q與所有K的點(diǎn)積，得到注意力分?jǐn)?shù)；通過Softmax歸一化分?jǐn)?shù)，得到各元素對當(dāng)前元素的注意力權(quán)重；最后用權(quán)重對V加權(quán)求和，得到當(dāng)前元素的上下文表示。優(yōu)勢：RNN依賴順序計(jì)算（O(n)時(shí)間復(fù)雜度），自注意力可并行計(jì)算（O(n2)時(shí)間復(fù)雜度但更高效）；RNN難以捕捉長距離依賴（梯度消失），自注意力通過直接計(jì)算任意位置的依賴關(guān)系，解決長序列問題。5.k-NN優(yōu)缺點(diǎn)：優(yōu)點(diǎn)：無需訓(xùn)練（懶惰學(xué)習(xí)），簡單易實(shí)現(xiàn)；對非線性決策邊界適應(yīng)力強(qiáng)。缺點(diǎn)：計(jì)算復(fù)雜度高（預(yù)測時(shí)需遍歷所有訓(xùn)練樣本）；對高維數(shù)據(jù)敏感（維度災(zāi)難）；受噪聲和不平衡數(shù)據(jù)影響大（k值選擇關(guān)鍵）。SVM優(yōu)缺點(diǎn)：優(yōu)點(diǎn)：通過最大間隔優(yōu)化，泛化能力強(qiáng)；核技巧可處理非線性問題；適用于高維小樣本數(shù)據(jù)（如文本分類）。缺點(diǎn)：對參數(shù)（核函數(shù)、正則化系數(shù)）敏感；訓(xùn)練時(shí)間隨樣本量增加顯著上升（O(n3)時(shí)間復(fù)雜度）；難以直接擴(kuò)展至多分類（需構(gòu)造多個(gè)二分類器）。四、算法題1.損失函數(shù)：最小二乘法的目標(biāo)是最小化預(yù)測值與真實(shí)值的平方誤差和，即\[L(w,b)=\frac{1}{2}\sum_{i=1}^n(y_i-(w^Tx_i+b))^2\]（引入1/2是為了求導(dǎo)方便，不影響最優(yōu)解）增廣向量：令\(\hat{x}_i=[x_i^T,1]^T\)，\(\hat{w}=[w^T,b]^T\)，則模型可表示為\(y=\hat{w}^T\hat{x}_i\)，損失函數(shù)簡化為\[L(\hat{w})=\frac{1}{2}\sum_{i=1}^n(y_i-\hat{w}^T\hat{x}_i)^2=\frac{1}{2}\|X\hat{w}-y\|^2\]其中\(zhòng)(X\)是\(n×(d+1)\)的增廣數(shù)據(jù)矩陣，\(y\)是\(n×1\)的標(biāo)簽向量。閉式解：對\(L(\hat{w})\)求導(dǎo)并令梯度為0，\[\nabla_{\hat{w}}L=X^T(X\hat{w}-y)=0\]解得\(\hat{w}=(X^TX)^{-1}X^Ty\)（當(dāng)\(X^TX\)滿秩時(shí)存在唯一解）。2.CNN結(jié)構(gòu)設(shè)計(jì)（以CIFAR-10圖像分類為例，輸入尺寸32×32×3）：-卷積層1：3×3卷積核，64個(gè)濾波器，步長1，填充1→輸出尺寸32×32×64。作用：提取邊緣、顏色等低級特征。-激活層：ReLU激活函數(shù)→引入非線性，避免模型退化為線性。-池化層：2×2最大池化，步長2→輸出尺寸16×16×64。作用：降低空間維度，減少計(jì)算量。-卷積層2：3×3卷積核，128個(gè)濾波器，步長1，填充1→輸出尺寸16×16×128。作用：提取紋理、局部形狀等中級特征。-激活層：ReLU激活函數(shù)。-全局平均池化（GAP）：將16×16×128的特征圖壓縮為1×1×128的向量→減少全連接層參數(shù)，防止過擬合。-全連接層：128→10（CIFAR-10有10類）→輸出各類別概率。-輸出層：Softmax激活函數(shù)→將輸出映射為概率分布。五、綜合分析題核心技術(shù)挑戰(zhàn)：1.多模態(tài)對齊（Alignment）：文本、圖像、視頻等模態(tài)的特征空間異質(zhì)性大，如何建立跨模態(tài)的語義關(guān)聯(lián)（如“狗”的文本描述與圖像中的狗對應(yīng)）是關(guān)鍵問題。2.計(jì)算與存儲效率：多模態(tài)大模型參數(shù)量通常達(dá)千億級，跨模態(tài)融合（如交叉注意力）的計(jì)算復(fù)雜度高（O(n2)），難以在實(shí)際場景中部署。3.數(shù)據(jù)質(zhì)量與多樣性：多模態(tài)數(shù)據(jù)（如圖文對）可能存在噪聲（如文本描述與圖像不匹配）或偏差（如特定場景的樣本占比過高），影響模型泛化能力。4.跨模態(tài)生成一致性：生成任務(wù)（如圖文生成、視頻描述）中，需保證不同模態(tài)內(nèi)容的邏輯一致性（如生成的文本需準(zhǔn)確描述圖像中的所有關(guān)鍵元素）。優(yōu)化方向：1.輕量化跨模態(tài)融合結(jié)構(gòu)：設(shè)計(jì)稀疏注意力（如局部窗口注意力、分塊注意力）或動(dòng)態(tài)路由機(jī)制（如專家混合模型MoE），降低計(jì)算復(fù)雜度；探索參數(shù)共享（如跨模態(tài)共享部分底層特征提取器），減少參數(shù)量。2.自監(jiān)督多模態(tài)預(yù)訓(xùn)練：利用無標(biāo)簽多