2025年(完整)人工智能期末試題及答案完整版一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪種機(jī)器學(xué)習(xí)任務(wù)屬于無(wú)監(jiān)督學(xué)習(xí)？A.基于用戶(hù)點(diǎn)擊數(shù)據(jù)預(yù)測(cè)商品購(gòu)買(mǎi)概率（分類(lèi)）B.從大量新聞文本中發(fā)現(xiàn)主題聚類(lèi)（聚類(lèi)）C.根據(jù)歷史銷(xiāo)售數(shù)據(jù)預(yù)測(cè)下月銷(xiāo)售額（回歸）D.識(shí)別圖像中的貓和狗（分類(lèi)）2.在深度學(xué)習(xí)中，使用ReLU激活函數(shù)的主要目的是：A.解決梯度消失問(wèn)題B.增加模型非線性表達(dá)能力C.加速收斂速度D.以上都是3.以下關(guān)于Transformer模型的描述，錯(cuò)誤的是：A.完全依賴(lài)自注意力機(jī)制B.輸入序列長(zhǎng)度不受循環(huán)結(jié)構(gòu)限制C.編碼器和解碼器均包含多頭注意力層D.訓(xùn)練時(shí)需要逐詞提供輸出（僅解碼器提供時(shí)需要）4.在強(qiáng)化學(xué)習(xí)中，“策略”通常指：A.狀態(tài)到動(dòng)作的映射B.動(dòng)作到獎(jiǎng)勵(lì)的映射C.狀態(tài)到價(jià)值的映射D.價(jià)值到動(dòng)作的映射5.計(jì)算交叉熵?fù)p失時(shí)，若真實(shí)標(biāo)簽為one-hot向量[1,0,0]，模型輸出概率為[0.7,0.2,0.1]，則損失值為：A.-ln(0.7)B.-ln(0.2)C.-ln(0.1)D.(1-0.7)2+(0-0.2)2+(0-0.1)2（均方誤差）6.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，池化層的主要作用是：A.增加特征圖的空間分辨率B.減少參數(shù)量并保留主要特征C.引入非線性變換D.連接卷積層和全連接層7.以下哪種方法不能緩解過(guò)擬合？A.增加訓(xùn)練數(shù)據(jù)量B.降低模型復(fù)雜度C.使用權(quán)重衰減（L2正則化）D.增加學(xué)習(xí)率8.在自然語(yǔ)言處理中，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.捕捉單詞的語(yǔ)義和語(yǔ)法關(guān)系C.減少文本輸入的長(zhǎng)度D.提高模型的計(jì)算效率9.監(jiān)督學(xué)習(xí)中，“偏差-方差權(quán)衡”指的是：A.模型復(fù)雜度增加時(shí)，偏差減小但方差增大B.模型復(fù)雜度增加時(shí)，偏差增大但方差減小C.訓(xùn)練數(shù)據(jù)量增加時(shí)，偏差和方差同時(shí)減小D.正則化強(qiáng)度增加時(shí)，偏差和方差同時(shí)增大10.以下關(guān)于提供對(duì)抗網(wǎng)絡(luò)（GAN）的描述，正確的是：A.提供器和判別器協(xié)同優(yōu)化，最終判別器無(wú)法區(qū)分真實(shí)和提供數(shù)據(jù)B.提供器的目標(biāo)是最小化提供數(shù)據(jù)與真實(shí)數(shù)據(jù)的均方誤差C.判別器的目標(biāo)是最大化提供數(shù)據(jù)的真實(shí)性D.GAN訓(xùn)練穩(wěn)定，不易出現(xiàn)模式崩潰二、填空題（每空1分，共15分）1.機(jī)器學(xué)習(xí)的三要素包括模型、（損失函數(shù)）和（優(yōu)化算法）。2.梯度下降的三種常見(jiàn)變體是（批量梯度下降）、隨機(jī)梯度下降（SGD）和（小批量梯度下降）。3.卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)通常包含（卷積層）、（池化層）和全連接層。4.Transformer模型中的注意力機(jī)制計(jì)算公式為（Attention(Q,K,V)=softmax(QK?/√d_k)V），其中d_k是（鍵向量的維度）。5.BERT預(yù)訓(xùn)練任務(wù)包括（掩碼語(yǔ)言模型（MLM））和（下一句預(yù)測(cè)（NSP））。6.強(qiáng)化學(xué)習(xí)中，折扣因子γ（0≤γ≤1）的作用是（平衡即時(shí)獎(jiǎng)勵(lì)和未來(lái)獎(jiǎng)勵(lì)的重要性）。7.過(guò)擬合的本質(zhì)是模型（對(duì)訓(xùn)練數(shù)據(jù)的噪聲過(guò)度學(xué)習(xí)），導(dǎo)致泛化能力下降。三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)的核心區(qū)別，并各舉一例說(shuō)明。監(jiān)督學(xué)習(xí)需要帶標(biāo)簽的訓(xùn)練數(shù)據(jù)，模型學(xué)習(xí)輸入到標(biāo)簽的映射（如根據(jù)圖像像素預(yù)測(cè)類(lèi)別）；無(wú)監(jiān)督學(xué)習(xí)使用無(wú)標(biāo)簽數(shù)據(jù)，挖掘數(shù)據(jù)內(nèi)在結(jié)構(gòu)（如用戶(hù)行為數(shù)據(jù)聚類(lèi)）。核心區(qū)別在于是否利用標(biāo)簽信息指導(dǎo)學(xué)習(xí)過(guò)程。2.解釋反向傳播（Backpropagation）的基本原理及其在深度學(xué)習(xí)中的作用。反向傳播通過(guò)鏈?zhǔn)椒▌t計(jì)算損失函數(shù)對(duì)各層參數(shù)的梯度，從輸出層向輸入層逐層傳遞梯度。作用是高效計(jì)算參數(shù)梯度，結(jié)合優(yōu)化算法（如SGD）更新參數(shù)，使模型損失最小化，是深度學(xué)習(xí)訓(xùn)練的核心算法。3.說(shuō)明Transformer模型中“多頭注意力（Multi-HeadAttention）”的設(shè)計(jì)動(dòng)機(jī)及實(shí)現(xiàn)方式。動(dòng)機(jī)：通過(guò)多個(gè)獨(dú)立的注意力頭并行學(xué)習(xí)不同子空間的上下文信息，增強(qiáng)模型對(duì)不同位置依賴(lài)關(guān)系的捕捉能力。實(shí)現(xiàn)方式：將查詢(xún)（Q）、鍵（K）、值（V）向量投影到h個(gè)不同的子空間，分別計(jì)算注意力，最后將各頭輸出拼接后投影回原維度。4.分析過(guò)擬合的主要原因，并列舉至少三種常用的解決方法。原因：模型復(fù)雜度過(guò)高（參數(shù)量大）、訓(xùn)練數(shù)據(jù)量不足、數(shù)據(jù)噪聲干擾。解決方法：增加數(shù)據(jù)（數(shù)據(jù)增強(qiáng)）、降低模型復(fù)雜度（減少層數(shù)/神經(jīng)元）、正則化（L1/L2正則）、早停（提前終止訓(xùn)練）、丟棄法（Dropout）。5.描述強(qiáng)化學(xué)習(xí)中“策略梯度（PolicyGradient）”方法的基本思想，并與值函數(shù)方法（如Q-learning）對(duì)比。策略梯度直接優(yōu)化策略函數(shù)θ（參數(shù)化的策略π_θ），通過(guò)梯度上升最大化期望累積獎(jiǎng)勵(lì)。與值函數(shù)方法（估計(jì)狀態(tài)/動(dòng)作價(jià)值Q，間接優(yōu)化策略）不同，策略梯度可處理連續(xù)動(dòng)作空間，且策略輸出更直接，但方差較高（依賴(lài)采樣軌跡）。四、計(jì)算題（每題10分，共20分）1.某二分類(lèi)任務(wù)中，真實(shí)標(biāo)簽y∈{0,1}，模型輸出概率為p=σ(wx+b)，其中σ為sigmoid函數(shù)。假設(shè)訓(xùn)練樣本為(x?,y?)=(2,1)，(x?,y?)=(1,0)，模型參數(shù)初始為w=0.5，b=0。（1）計(jì)算單個(gè)樣本的交叉熵?fù)p失；（2）使用批量梯度下降（學(xué)習(xí)率η=0.1）更新參數(shù)w和b（保留兩位小數(shù)）。解：（1）對(duì)于樣本1（y=1）：損失L?=-y?ln(p?)-(1-y?)ln(1-p?)=-ln(σ(0.5×2+0))=-ln(σ(1))≈-ln(0.731)=0.313樣本2（y=0）：L?=-0×ln(p?)-(1-0)ln(1-p?)=-ln(1-σ(0.5×1+0))=-ln(1-σ(0.5))≈-ln(1-0.622)=-ln(0.378)=0.973總損失L=(0.313+0.973)/2=0.643（2）計(jì)算梯度：p?=σ(wx?+b)=σ(1)=1/(1+e?1)≈0.731，p?=σ(wx?+b)=σ(0.5)=1/(1+e??·?)≈0.622?L/?w=(1/N)Σ(y?-p?)x?=((1-0.731)×2+(0-0.622)×1)/2=(0.538-0.622)/2=(-0.084)/2=-0.042?L/?b=(1/N)Σ(y?-p?)=((1-0.731)+(0-0.622))/2=(0.269-0.622)/2=(-0.353)/2=-0.1765參數(shù)更新：w_new=w-η×?L/?w=0.5-0.1×(-0.042)=0.5+0.0042=0.5042≈0.50b_new=b-η×?L/?b=0-0.1×(-0.1765)=0+0.01765≈0.022.輸入圖像尺寸為32×32×3（高×寬×通道），使用一個(gè)卷積層（卷積核大小5×5，步長(zhǎng)1，填充2），輸出通道數(shù)為16。計(jì)算：（1）卷積后的特征圖尺寸；（2）該卷積層的參數(shù)量（不考慮偏置）。解：（1）特征圖尺寸計(jì)算：H_out=(H_in+2×padding-kernel_size)/stride+1=(32+2×2-5)/1+1=(32+4-5)+1=31+1=32同理寬度W_out=32，故輸出尺寸為32×32×16。（2）參數(shù)量=輸入通道數(shù)×輸出通道數(shù)×kernel_size×kernel_size=3×16×5×5=3×16×25=1200。五、綜合題（15分）設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的圖像分類(lèi)系統(tǒng)，要求：（1）描述網(wǎng)絡(luò)的基本結(jié)構(gòu)（至少包含3種類(lèi)型的層）；（2）說(shuō)明訓(xùn)練時(shí)的數(shù)據(jù)預(yù)處理步驟；（3）列出主要的訓(xùn)練超參數(shù)及選擇依據(jù)；（4）提出兩種評(píng)估模型性能的指標(biāo)，并解釋其含義。答：（1）網(wǎng)絡(luò)結(jié)構(gòu)：-輸入層：接收32×32×3的圖像（如CIFAR-10數(shù)據(jù)集）。-卷積層1：5×5卷積核，64個(gè)輸出通道，步長(zhǎng)1，填充2，激活函數(shù)ReLU。-最大池化層1：2×2池化核，步長(zhǎng)2，減少空間尺寸（32→16）。-卷積層2：3×3卷積核，128個(gè)輸出通道，步長(zhǎng)1，填充1，激活函數(shù)ReLU。-批量歸一化層（BatchNorm）：加速訓(xùn)練，穩(wěn)定梯度。-全局平均池化層（GAP）：將特征圖尺寸壓縮為1×1×128，減少全連接層參數(shù)量。-全連接層（輸出層）：128→10（對(duì)應(yīng)10類(lèi)），激活函數(shù)Softmax。（2）數(shù)據(jù)預(yù)處理：-歸一化：將像素值從[0,255]縮放到[0,1]或標(biāo)準(zhǔn)化（減均值、除標(biāo)準(zhǔn)差）。-數(shù)據(jù)增強(qiáng)：隨機(jī)水平翻轉(zhuǎn)、隨機(jī)裁剪（保留中心區(qū)域）、亮度/對(duì)比度調(diào)整，增加數(shù)據(jù)多樣性，緩解過(guò)擬合。-標(biāo)簽轉(zhuǎn)換：將類(lèi)別標(biāo)簽轉(zhuǎn)換為one-hot向量（如第3類(lèi)為[0,0,1,0,0,0,0,0,0,0]）。（3）訓(xùn)練超參數(shù)：-學(xué)習(xí)率：初始設(shè)為0.001（Adam優(yōu)化器常用值），若驗(yàn)證損失plateau則衰減（如0.1倍），平衡收斂速度與穩(wěn)定性。-批量大?。˙atchSize）：設(shè)為128（GPU內(nèi)存允許時(shí)越大越好，減少梯度估計(jì)方差