2025年人工智能基本原理知識考試試題及答案一、單項選擇題（每題2分，共20分）1.以下關(guān)于監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的描述，錯誤的是（）。A.監(jiān)督學(xué)習(xí)需要標(biāo)注數(shù)據(jù)，無監(jiān)督學(xué)習(xí)不需要B.Kmeans屬于無監(jiān)督學(xué)習(xí)，支持向量機（SVM）屬于監(jiān)督學(xué)習(xí)C.監(jiān)督學(xué)習(xí)的目標(biāo)是學(xué)習(xí)輸入到輸出的映射，無監(jiān)督學(xué)習(xí)的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)D.無監(jiān)督學(xué)習(xí)無法用于分類任務(wù)2.深度學(xué)習(xí)中，激活函數(shù)的主要作用是（）。A.加速梯度下降B.引入非線性，增強模型表達能力C.防止過擬合D.減少計算量3.在決策樹算法中，若當(dāng)前節(jié)點的信息熵為1.2，分裂為兩個子節(jié)點后，子節(jié)點的信息熵分別為0.8（樣本占比60%）和0.6（樣本占比40%），則信息增益為（）。A.0.28B.0.32C.0.4D.0.54.以下不屬于自然語言處理（NLP）任務(wù)的是（）。A.情感分析B.圖像分割C.機器翻譯D.命名實體識別5.在強化學(xué)習(xí)中，“智能體（Agent）”與“環(huán)境（Environment）”的交互核心是（）。A.狀態(tài)（State）、動作（Action）、獎勵（Reward）B.輸入（Input）、輸出（Output）、損失（Loss）C.特征（Feature）、標(biāo)簽（Label）、模型（Model）D.參數(shù)（Parameter）、梯度（Gradient）、優(yōu)化器（Optimizer）6.以下關(guān)于Transformer模型的描述，正確的是（）。A.僅使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）結(jié)構(gòu)B.核心機制是自注意力（SelfAttention）C.無法處理長距離依賴問題D.輸入必須是固定長度的序列7.在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積層的作用是（）。A.降維，減少計算量B.提取局部特征（如邊緣、紋理）C.對特征進行非線性變換D.輸出最終分類結(jié)果8.以下哪種方法可以緩解深度學(xué)習(xí)中的過擬合問題？（）A.增加模型層數(shù)B.減少訓(xùn)練數(shù)據(jù)量C.使用Dropout層D.提高學(xué)習(xí)率9.貝葉斯網(wǎng)絡(luò)是一種（）。A.生成模型，用于表示變量間的概率依賴關(guān)系B.判別模型，直接學(xué)習(xí)輸入到輸出的映射C.無監(jiān)督學(xué)習(xí)模型，用于聚類D.強化學(xué)習(xí)模型，用于決策10.大語言模型（如GPT4）的訓(xùn)練過程中，“自監(jiān)督學(xué)習(xí)”主要利用的是（）。A.人工標(biāo)注的高質(zhì)量問答對B.海量無標(biāo)注文本中的上下文信息（如掩碼語言模型任務(wù)）C.強化學(xué)習(xí)中的獎勵信號D.多模態(tài)數(shù)據(jù)（如圖像文本對）二、填空題（每空2分，共20分）1.機器學(xué)習(xí)中，誤差分為訓(xùn)練誤差和（）誤差，后者反映模型對新數(shù)據(jù)的泛化能力。2.深度學(xué)習(xí)中，常用的優(yōu)化算法除了隨機梯度下降（SGD），還有（）（寫出一種，如Adam）。3.在感知機算法中，若樣本點被誤分類，則權(quán)重更新公式為（）（用符號表示，如w←w+ηyixi）。4.自然語言處理中，詞嵌入（WordEmbedding）的作用是將離散的詞語轉(zhuǎn)換為（）的實數(shù)向量，捕捉語義相關(guān)性。5.計算機視覺中，目標(biāo)檢測任務(wù)需要同時輸出目標(biāo)的（）和類別信息。6.強化學(xué)習(xí)的核心目標(biāo)是通過最大化（）來學(xué)習(xí)最優(yōu)策略。7.Transformer模型中的“多頭注意力（MultiHeadAttention）”通過將注意力計算分為多個頭，能夠（）。8.生成對抗網(wǎng)絡(luò)（GAN）由生成器（Generator）和（）兩部分組成，通過對抗訓(xùn)練提升生成數(shù)據(jù)質(zhì)量。9.決策樹的剪枝方法分為預(yù)剪枝和（），后者在樹構(gòu)建完成后通過評估子樹的泛化能力進行剪枝。10.人工智能倫理中的“可解釋性”要求模型能夠（），避免“黑箱”決策。三、簡答題（每題8分，共40分）1.簡述反向傳播（Backpropagation）算法的核心步驟，并說明其在深度學(xué)習(xí)中的作用。2.比較支持向量機（SVM）與隨機森林（RandomForest）在模型假設(shè)、適用場景和可解釋性上的差異。3.什么是過擬合？請列舉至少3種緩解過擬合的方法，并說明其原理。4.解釋卷積神經(jīng)網(wǎng)絡(luò)（CNN）中“局部感受野”和“權(quán)值共享”的概念，并說明它們對模型的影響。5.簡述強化學(xué)習(xí)中“策略（Policy）”、“價值函數(shù)（ValueFunction）”和“模型（Model）”的定義及相互關(guān)系。四、計算題（每題10分，共20分）1.假設(shè)一個二分類問題，使用邏輯回歸模型。已知訓(xùn)練樣本x1=(1,2)，標(biāo)簽y1=1；x2=(3,1)，標(biāo)簽y2=0；初始權(quán)重w=(0.5,0.5)，偏置b=0，學(xué)習(xí)率η=0.1。請計算：（1）樣本x1的預(yù)測概率p1（使用sigmoid函數(shù)：σ(z)=1/(1+e^(z))，z=w·x+b）；（2）根據(jù)交叉熵損失函數(shù)L=[ylog(p)+(1y)log(1p)]，計算兩個樣本的平均損失；（3）更新權(quán)重w和偏置b（提示：梯度計算公式為?wL=(py)x，?bL=(py)）。2.給定一個3×3的輸入圖像（像素值如下），使用一個2×2的卷積核（權(quán)重為[[1,1],[0,2]]）進行卷積操作，步長為1，無填充（padding=0）。請計算輸出特征圖的每個元素值。輸入圖像：[[2,5,3],[1,4,6],[7,2,8]]五、論述題（20分）結(jié)合當(dāng)前人工智能發(fā)展趨勢，論述大語言模型（如GPT系列、LLaMA系列）的核心技術(shù)原理、訓(xùn)練流程及面臨的倫理挑戰(zhàn)。答案及解析一、單項選擇題1.D（無監(jiān)督學(xué)習(xí)可通過聚類為分類任務(wù)提供初始化，如Kmeans聚類后標(biāo)記樣本用于監(jiān)督學(xué)習(xí)）2.B（激活函數(shù)的非線性是深度網(wǎng)絡(luò)能擬合復(fù)雜函數(shù)的關(guān)鍵）3.A（信息增益=原熵加權(quán)平均子熵=1.2(0.6×0.8+0.4×0.6)=1.20.72=0.48？更正：原計算錯誤，正確應(yīng)為1.2(0.6×0.8+0.4×0.6)=1.2(0.48+0.24)=1.20.72=0.48，但選項中無此答案，可能題目數(shù)據(jù)調(diào)整。假設(shè)原題子節(jié)點熵為0.8（占比50%）和0.6（占比50%），則增益=1.20.7=0.5，選D。可能題目數(shù)據(jù)筆誤，此處以正確邏輯為準(zhǔn)）4.B（圖像分割屬于計算機視覺任務(wù)）5.A（強化學(xué)習(xí)的核心是狀態(tài)動作獎勵的交互循環(huán)）6.B（Transformer僅用自注意力和前饋網(wǎng)絡(luò)，解決了RNN的長距離依賴問題）7.B（卷積層通過滑動窗口提取局部空間特征）8.C（Dropout隨機失活神經(jīng)元，強制模型學(xué)習(xí)魯棒特征）9.A（貝葉斯網(wǎng)絡(luò)是生成模型，用圖結(jié)構(gòu)表示變量間的概率依賴）10.B（自監(jiān)督學(xué)習(xí)利用文本自身的上下文信息，如掩碼語言模型（MLM））二、填空題1.測試（或泛化）2.Adam（或RMSprop、Adagrad等）3.w←w+ηyixi（η為學(xué)習(xí)率，yi為樣本標(biāo)簽，xi為特征向量）4.低維稠密5.位置（或邊界框坐標(biāo)）6.累積獎勵（或長期總獎勵）7.捕捉不同子空間的注意力模式（或并行學(xué)習(xí)多種注意力表示）8.判別器（Discriminator）9.后剪枝（或后剪枝）10.解釋其決策過程（或說明關(guān)鍵影響因素）三、簡答題1.反向傳播核心步驟：（1）前向傳播：輸入數(shù)據(jù)通過網(wǎng)絡(luò)計算各層輸出，最終得到預(yù)測值；（2）計算損失：根據(jù)預(yù)測值與真實值計算損失函數(shù)值；（3）反向傳播：從輸出層開始，利用鏈?zhǔn)椒▌t計算各層參數(shù)的梯度；（4）參數(shù)更新：根據(jù)梯度和學(xué)習(xí)率調(diào)整權(quán)重和偏置。作用：高效計算深度網(wǎng)絡(luò)中所有參數(shù)的梯度，是訓(xùn)練深度模型的核心算法。2.差異比較：模型假設(shè)：SVM假設(shè)數(shù)據(jù)線性可分（或通過核函數(shù)映射到高維空間線性可分）；隨機森林基于多棵決策樹的投票，無嚴(yán)格線性假設(shè)。適用場景：SVM適合小樣本高維數(shù)據(jù)（如文本分類）；隨機森林適合多特征、有噪聲的數(shù)據(jù)（如圖像特征提取）。可解釋性：SVM的支持向量和決策邊界較直觀；隨機森林因多樹集成，可解釋性較低（但可通過特征重要性分析輔助）。3.過擬合定義：模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在新數(shù)據(jù)上泛化能力差。緩解方法：數(shù)據(jù)增強：通過旋轉(zhuǎn)、翻轉(zhuǎn)等方式增加訓(xùn)練數(shù)據(jù)多樣性，提升模型魯棒性；正則化（如L2正則）：在損失函數(shù)中加入?yún)?shù)范數(shù)懲罰，防止參數(shù)過大；Dropout：隨機失活部分神經(jīng)元，強制模型學(xué)習(xí)冗余特征；早停（EarlyStopping）：在驗證集誤差不再下降時停止訓(xùn)練，避免過擬合。4.局部感受野：CNN中每個卷積核僅與輸入的局部區(qū)域（如3×3）相乘，捕捉局部空間相關(guān)性（如邊緣、紋理）。權(quán)值共享：同一卷積核在輸入的不同位置共享權(quán)重，減少參數(shù)數(shù)量，提升模型平移不變性。影響：局部感受野和權(quán)值共享使CNN能高效處理圖像等空間數(shù)據(jù)，同時降低計算復(fù)雜度。5.定義及關(guān)系：策略（Policy）：π(a|s)表示在狀態(tài)s下選擇動作a的概率（隨機策略）或確定動作（確定性策略）；價值函數(shù)（ValueFunction）：Vπ(s)表示從狀態(tài)s出發(fā)，遵循策略π的期望累積獎勵，評估狀態(tài)的“好壞”；模型（Model）：P(s’|s,a)和R(s,a)表示狀態(tài)轉(zhuǎn)移概率和即時獎勵，用于預(yù)測環(huán)境動態(tài)。關(guān)系：策略決定行為，價值函數(shù)評估策略，模型輔助策略和價值函數(shù)的學(xué)習(xí)（如動態(tài)規(guī)劃需模型，無模型方法如Qlearning不需要）。四、計算題1.（1）x1的z=0.5×1+0.5×2+0=1.5，p1=σ(1.5)=1/(1+e^1.5)≈0.8176；（2）x2的z=0.5×3+0.5×1+0=2，p2=σ(2)=0.8808（但y2=0，所以損失為log(1p2)≈log(0.1192)≈2.120；x1的損失為log(0.8176)≈0.201；平均損失=(0.201+2.120)/2≈1.1605；（3）x1的梯度：?wL=(p1y1)x1=(0.81761)(1,2)=(0.1824,0.3648)；?bL=(0.81761)=0.1824；x2的梯度：?wL=(p2y2)x2=(0.88080)(3,1)=(2.6424,0.8808)；?bL=0.8808；總梯度（平均）：w梯度=(0.1824+2.6424)/2=(2.46/2,0.516/2)=(1.23,0.258)；b梯度=(0.1824+0.8808)/2=0.6984/2=0.3492；更新后w=初始wη×平均梯度=(0.50.1×1.23,0.50.1×0.258)=(0.377,0.4742)；b=00.1×0.3492≈0.0349。2.卷積操作計算：輸出特征圖大小=(32+1)×(32+1)=2×2；第一個元素（左上角）：2×1+5×(1)+1×0+4×2=25+0+8=5；第二個元素（右上角）：5×1+3×(1)+4×0+6×2=53+0+12=14；第三個元素（左下角）：1×1+4×(1)+7×0+2×2=14+0+4=1；第四個元素（右下角）：4×1+6×(1)+2×0+8×2=46+0+16=14；輸出特征圖：[[5,14],[1,14]]五、論述題核心技術(shù)原理：大語言模型基于Transformer架構(gòu)，通過自注意力機制捕捉長距離依賴，多頭注意力并行學(xué)習(xí)多維度語義關(guān)系。模型采用大規(guī)模預(yù)訓(xùn)練，利用自監(jiān)督學(xué)習(xí)（如掩碼語言模型MLM、下一句預(yù)測NSP）從海量文本中學(xué)習(xí)通用語言表示，再通過微調(diào)適應(yīng)特定任務(wù)。訓(xùn)練流程：（1）數(shù)據(jù)準(zhǔn)備：收集TB級無標(biāo)注文本（如書籍、網(wǎng)頁、對話），清洗去重后分詞（如使用BPE子詞分詞）；（2）預(yù)訓(xùn)練階段：構(gòu)建自監(jiān)督任務(wù)（如MLM隨機掩碼15%的token，模型預(yù)測被掩碼詞），通過反向傳播優(yōu)化模型參數(shù)，學(xué)習(xí)上下文語義；（3）微調(diào)階段：使用少量標(biāo)注數(shù)據(jù)（如問答對、情感標(biāo)簽）調(diào)整模型，適應(yīng)下游任務(wù)（如文本生成、問答）；（4）強化學(xué)習(xí)優(yōu)化（如RLHF）：通過人類反饋（如標(biāo)注回答的優(yōu)劣）