2025年人工智能技術(shù)基礎(chǔ)考試題及答案一、單項(xiàng)選擇題（每題2分，共30分）1.以下哪種學(xué)習(xí)方式的訓(xùn)練數(shù)據(jù)同時(shí)包含輸入特征和明確的標(biāo)簽？A.無(wú)監(jiān)督學(xué)習(xí)B.監(jiān)督學(xué)習(xí)C.強(qiáng)化學(xué)習(xí)D.自監(jiān)督學(xué)習(xí)2.在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的主要作用是：A.加速梯度計(jì)算B.引入非線性特性C.減少參數(shù)數(shù)量D.提高模型泛化能力3.若使用均方誤差（MSE）作為回歸任務(wù)的損失函數(shù)，其梯度計(jì)算與以下哪項(xiàng)直接相關(guān)？A.預(yù)測(cè)值與真實(shí)值的差值B.預(yù)測(cè)值的平方C.真實(shí)值的均值D.激活函數(shù)的導(dǎo)數(shù)4.以下哪種優(yōu)化器通過自適應(yīng)調(diào)整學(xué)習(xí)率來加速訓(xùn)練？A.SGD（隨機(jī)梯度下降）B.MomentumC.AdamD.Adagrad5.在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，池化層的主要目的是：A.增加特征圖的分辨率B.減少空間維度（降維）C.增強(qiáng)局部特征的位置敏感性D.引入更多可訓(xùn)練參數(shù)6.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在處理長(zhǎng)序列時(shí)容易出現(xiàn)的問題是：A.梯度爆炸或梯度消失B.參數(shù)量過大C.過擬合D.計(jì)算速度慢7.自然語(yǔ)言處理（NLP）中，詞嵌入（WordEmbedding）的核心目標(biāo)是：A.將單詞轉(zhuǎn)換為唯一整數(shù)IDB.捕捉單詞之間的語(yǔ)義相關(guān)性C.減少文本數(shù)據(jù)的存儲(chǔ)體積D.提高文本分類的準(zhǔn)確率8.Transformer模型中，自注意力機(jī)制（SelfAttention）的計(jì)算基于：A.查詢（Query）、鍵（Key）、值（Value）的點(diǎn)積B.前饋神經(jīng)網(wǎng)絡(luò)的輸出C.循環(huán)單元的隱藏狀態(tài)D.卷積核的滑動(dòng)窗口9.以下哪項(xiàng)不屬于過擬合的解決方法？A.增加訓(xùn)練數(shù)據(jù)量B.添加L2正則化C.降低模型復(fù)雜度D.減少訓(xùn)練輪次（Epochs）10.在強(qiáng)化學(xué)習(xí)中，智能體（Agent）的目標(biāo)是通過與環(huán)境交互最大化：A.即時(shí)獎(jiǎng)勵(lì)（ImmediateReward）B.累積折扣獎(jiǎng)勵(lì)（CumulativeDiscountedReward）C.狀態(tài)轉(zhuǎn)移概率D.動(dòng)作空間維度11.以下哪種技術(shù)屬于自監(jiān)督學(xué)習(xí)？A.使用帶標(biāo)簽的圖像進(jìn)行分類訓(xùn)練B.通過“掩碼語(yǔ)言模型”（MLM）預(yù)訓(xùn)練BERTC.基于獎(jiǎng)勵(lì)信號(hào)訓(xùn)練游戲AID.對(duì)無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行Kmeans聚類12.生成對(duì)抗網(wǎng)絡(luò)（GAN）由以下哪兩個(gè)部分組成？A.編碼器（Encoder）和解碼器（Decoder）B.生成器（Generator）和判別器（Discriminator）C.前饋網(wǎng)絡(luò)（FFN）和循環(huán)網(wǎng)絡(luò)（RNN）D.卷積層（Conv）和池化層（Pooling）13.若需處理時(shí)序性的傳感器數(shù)據(jù)（如心率監(jiān)測(cè)序列），最適合的模型是：A.多層感知機(jī)（MLP）B.卷積神經(jīng)網(wǎng)絡(luò)（CNN）C.長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）D.自編碼器（Autoencoder）14.在遷移學(xué)習(xí)中，“微調(diào)”（Finetuning）通常指：A.直接使用預(yù)訓(xùn)練模型的輸出作為特征B.在預(yù)訓(xùn)練模型的基礎(chǔ)上，僅調(diào)整最后幾層的參數(shù)C.完全重新訓(xùn)練整個(gè)模型D.固定預(yù)訓(xùn)練模型的所有參數(shù)，僅訓(xùn)練新添加的層15.人工智能倫理中，“算法偏見”的主要成因是：A.計(jì)算資源分配不均B.訓(xùn)練數(shù)據(jù)中存在偏差C.模型復(fù)雜度不足D.優(yōu)化器選擇不當(dāng)二、填空題（每題2分，共20分）1.機(jī)器學(xué)習(xí)中，將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集的核心目的是__________。2.神經(jīng)網(wǎng)絡(luò)中，ReLU激活函數(shù)的數(shù)學(xué)表達(dá)式為__________。3.支持向量機(jī)（SVM）的目標(biāo)是找到__________最大的分類超平面。4.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的隱藏狀態(tài)更新公式為__________（用符號(hào)表示）。5.Transformer模型中的位置編碼（PositionalEncoding）用于解決__________問題。6.強(qiáng)化學(xué)習(xí)的三要素是智能體（Agent）、環(huán)境（Environment）和__________。7.卷積神經(jīng)網(wǎng)絡(luò)中，3×3的卷積核在輸入特征圖（尺寸H×W×C）上滑動(dòng)時(shí)，輸出特征圖的寬度計(jì)算公式為__________（假設(shè)步長(zhǎng)為1，無(wú)填充）。8.自然語(yǔ)言處理中，BLEU分?jǐn)?shù)主要用于評(píng)估__________任務(wù)的性能。9.生成對(duì)抗網(wǎng)絡(luò)（GAN）訓(xùn)練時(shí)，生成器的目標(biāo)是最小化__________的損失函數(shù)。10.人工智能安全中的“對(duì)抗樣本”指的是__________。三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述過擬合的定義、產(chǎn)生原因及至少三種解決方法。2.對(duì)比卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的結(jié)構(gòu)差異，說明各自適用的場(chǎng)景。3.解釋自注意力機(jī)制（SelfAttention）的工作原理，并說明其在Transformer模型中的優(yōu)勢(shì)。4.什么是遷移學(xué)習(xí)？舉例說明其在計(jì)算機(jī)視覺或自然語(yǔ)言處理中的具體應(yīng)用。5.簡(jiǎn)述生成對(duì)抗網(wǎng)絡(luò)（GAN）的訓(xùn)練過程，并分析其訓(xùn)練不穩(wěn)定的主要原因。四、綜合題（每題15分，共30分）1.設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的圖像分類任務(wù)流程，要求包含數(shù)據(jù)預(yù)處理、模型選擇、訓(xùn)練策略（損失函數(shù)、優(yōu)化器）、驗(yàn)證與調(diào)優(yōu)步驟，并說明各步驟的具體操作。2.假設(shè)需開發(fā)一個(gè)情感分析模型（將文本分為“積極”“消極”“中性”三類），請(qǐng)選擇合適的模型（如BERT、LSTM、TextCNN等），并詳細(xì)描述從數(shù)據(jù)收集到模型部署的完整流程，包括關(guān)鍵技術(shù)細(xì)節(jié)（如詞嵌入、注意力機(jī)制、超參數(shù)調(diào)整）。答案及解析一、單項(xiàng)選擇題1.B（監(jiān)督學(xué)習(xí)需要標(biāo)簽數(shù)據(jù)）2.B（激活函數(shù)引入非線性，否則多層網(wǎng)絡(luò)等效于單層）3.A（MSE梯度為2(預(yù)測(cè)值真實(shí)值)）4.C（Adam結(jié)合了動(dòng)量和自適應(yīng)學(xué)習(xí)率）5.B（池化通過下采樣降低空間維度）6.A（RNN的長(zhǎng)程依賴導(dǎo)致梯度消失/爆炸）7.B（詞嵌入捕捉語(yǔ)義關(guān)系，如“國(guó)王男人≈王后女人”）8.A（自注意力計(jì)算Q、K點(diǎn)積，再與V加權(quán)求和）9.D（減少訓(xùn)練輪次可能導(dǎo)致欠擬合，而非解決過擬合）10.B（強(qiáng)化學(xué)習(xí)目標(biāo)是最大化長(zhǎng)期累積獎(jiǎng)勵(lì)）11.B（MLM用無(wú)標(biāo)簽文本訓(xùn)練，屬于自監(jiān)督）12.B（GAN由生成器和判別器對(duì)抗訓(xùn)練）13.C（LSTM適合處理時(shí)序序列）14.B（微調(diào)通常調(diào)整預(yù)訓(xùn)練模型的最后幾層）15.B（訓(xùn)練數(shù)據(jù)的偏差會(huì)被模型學(xué)習(xí)并放大）二、填空題1.評(píng)估模型的泛化能力（避免僅在訓(xùn)練集上表現(xiàn)好）2.ReLU(x)=max(0,x)3.間隔（Margin）4.h?=tanh(W??h???+W??x?+b?)（或類似形式，符號(hào)可調(diào)整）5.序列中token的位置信息（Transformer無(wú)顯式時(shí)序建模）6.獎(jiǎng)勵(lì)（Reward）7.W3+1（或H3+1，輸出尺寸=輸入尺寸核尺寸+1）8.機(jī)器翻譯（或文本生成）9.判別器（或D）10.對(duì)輸入數(shù)據(jù)進(jìn)行微小擾動(dòng)后，導(dǎo)致模型錯(cuò)誤分類的樣本三、簡(jiǎn)答題1.過擬合定義：模型在訓(xùn)練集上表現(xiàn)很好，但在未見過的測(cè)試集上性能顯著下降的現(xiàn)象。產(chǎn)生原因：模型復(fù)雜度過高（如層數(shù)過多、參數(shù)過多）；訓(xùn)練數(shù)據(jù)量不足；數(shù)據(jù)噪聲干擾。解決方法：①增加訓(xùn)練數(shù)據(jù)（數(shù)據(jù)增強(qiáng)、收集更多樣本）；②正則化（L1/L2正則化、Dropout）；③早停（EarlyStopping，在驗(yàn)證集性能下降前停止訓(xùn)練）；④降低模型復(fù)雜度（減少層數(shù)、神經(jīng)元數(shù)量）。2.結(jié)構(gòu)差異：CNN：通過卷積核局部感受野提取空間特征，共享權(quán)重降低參數(shù)量，適合處理網(wǎng)格化數(shù)據(jù)（如圖像）；RNN：通過循環(huán)單元（如h?=f(h???,x?)）捕捉時(shí)序依賴，隱藏狀態(tài)傳遞序列信息，適合處理序列數(shù)據(jù)（如文本、時(shí)間序列）。適用場(chǎng)景：CNN：圖像分類、目標(biāo)檢測(cè)、醫(yī)學(xué)影像分析；RNN：文本生成、語(yǔ)音識(shí)別、時(shí)序預(yù)測(cè)（如股票價(jià)格）。3.自注意力機(jī)制原理：對(duì)輸入序列中的每個(gè)元素（token），計(jì)算其與所有其他元素的相關(guān)性（通過Q、K的點(diǎn)積相似度），生成注意力權(quán)重，再與V加權(quán)求和得到上下文感知的表示。優(yōu)勢(shì)：①并行計(jì)算（無(wú)需按順序處理序列），提升訓(xùn)練速度；②捕捉長(zhǎng)距離依賴（直接關(guān)聯(lián)任意位置的token）；③動(dòng)態(tài)調(diào)整每個(gè)token的重要性（注意力權(quán)重反映相關(guān)性）。4.遷移學(xué)習(xí)定義：將一個(gè)任務(wù)（源任務(wù)）中學(xué)習(xí)到的知識(shí)遷移到另一個(gè)相關(guān)任務(wù)（目標(biāo)任務(wù)），減少目標(biāo)任務(wù)對(duì)標(biāo)注數(shù)據(jù)的需求。應(yīng)用示例（計(jì)算機(jī)視覺）：預(yù)訓(xùn)練模型（如在ImageNet上訓(xùn)練的ResNet）作為特征提取器，固定其卷積層參數(shù)，僅微調(diào)全連接層，用于目標(biāo)任務(wù)（如醫(yī)療影像分類），因自然圖像和醫(yī)療圖像共享邊緣、紋理等底層特征。5.GAN訓(xùn)練過程：①生成器（G）輸入隨機(jī)噪聲z，生成假樣本G(z)；②判別器（D）接收真樣本x和假樣本G(z)，輸出“真實(shí)”概率D(x)和D(G(z))；③交替優(yōu)化：G試圖最大化D(G(z))（讓假樣本更逼真），D試圖最大化D(x)并最小化D(G(z))（區(qū)分真假）。訓(xùn)練不穩(wěn)定原因：①生成器和判別器的梯度更新存在對(duì)抗性，易導(dǎo)致梯度消失或爆炸；②納什均衡難以收斂（可能震蕩或模式崩潰）；③損失函數(shù)設(shè)計(jì)對(duì)超參數(shù)敏感（如學(xué)習(xí)率、正則化系數(shù)）。四、綜合題1.圖像分類任務(wù)流程設(shè)計(jì)：（1）數(shù)據(jù)預(yù)處理：收集數(shù)據(jù)集（如CIFAR10或自定義醫(yī)療影像），劃分訓(xùn)練集（70%）、驗(yàn)證集（20%）、測(cè)試集（10%）；標(biāo)準(zhǔn)化：對(duì)每個(gè)通道計(jì)算均值和標(biāo)準(zhǔn)差，將像素值歸一化到[0,1]或[1,1]；數(shù)據(jù)增強(qiáng)（訓(xùn)練集）：隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)（±15°）、裁剪（保持長(zhǎng)寬比）、添加高斯噪聲（增強(qiáng)魯棒性）。（2）模型選擇：選擇ResNet50（殘差網(wǎng)絡(luò)解決深層網(wǎng)絡(luò)梯度消失），或輕量級(jí)模型（如MobileNetV3，適用于移動(dòng)端）。（3）訓(xùn)練策略：損失函數(shù)：多分類任務(wù)使用交叉熵?fù)p失（CrossEntropyLoss）；優(yōu)化器：Adam（初始學(xué)習(xí)率1e4），后期用余弦退火調(diào)整學(xué)習(xí)率；訓(xùn)練配置：批量大?。˙atchSize）64，訓(xùn)練輪次（Epochs）50，使用GPU加速。（4）驗(yàn)證與調(diào)優(yōu)：每5輪在驗(yàn)證集上評(píng)估準(zhǔn)確率和損失，若驗(yàn)證損失連續(xù)3輪上升則早停；調(diào)優(yōu)：嘗試調(diào)整Dropout率（如0.3→0.5）、添加L2正則化（權(quán)重衰減1e5）；最終模型在測(cè)試集上評(píng)估，輸出Top1準(zhǔn)確率、混淆矩陣。2.情感分析模型開發(fā)流程：（1）模型選擇：選擇BERT（雙向Transformer預(yù)訓(xùn)練模型），因其能捕捉上下文語(yǔ)義，適合文本分類。（2）數(shù)據(jù)收集與預(yù)處理：收集文本數(shù)據(jù)（如電商評(píng)論、社交媒體內(nèi)容），標(biāo)注“積極”“消極”“中性”標(biāo)簽；清洗數(shù)據(jù)：去除停用詞（如“的”“了”）、處理特殊符號(hào)（如表情符號(hào)轉(zhuǎn)義）；分詞：使用WordPiece分詞器（BERT自帶），將文本轉(zhuǎn)換為token序列（最大長(zhǎng)度截?cái)酁?28）；詞嵌入：通過BERT的輸入層生成tokenembedding、段嵌入（SegmentEmbedding）和位置編碼（PositionalEncoding）。（3）模型構(gòu)建：預(yù)訓(xùn)練BERT作為特征提取器，加載預(yù)訓(xùn)練權(quán)重（如bertbaseuncased）；添加分類頭：在BERT的[CLS]token輸出后接全連接層（隱藏層維度768→256→3），使用Softmax激活函數(shù)輸出類別概率。（4）訓(xùn)練與調(diào)優(yōu)：損失函數(shù)：多分類交叉熵（CrossEntropyL