2025年人工智能期末試題及答案一、單項(xiàng)選擇題（每題2分，共30分）1.以下哪項(xiàng)不屬于監(jiān)督學(xué)習(xí)任務(wù)？A.圖像分類(lèi)（標(biāo)簽為“貓”“狗”）B.聚類(lèi)分析（無(wú)標(biāo)簽數(shù)據(jù)分組）C.情感分析（標(biāo)簽為“積極”“消極”）D.房?jī)r(jià)預(yù)測(cè)（標(biāo)簽為具體數(shù)值）2.在深度學(xué)習(xí)中，使用ReLU激活函數(shù)的主要目的是：A.解決梯度爆炸問(wèn)題B.避免過(guò)擬合C.緩解梯度消失問(wèn)題D.增加模型非線(xiàn)性表達(dá)能力3.Transformer模型中，自注意力機(jī)制的計(jì)算核心是：A.查詢(xún)（Query）與鍵（Key）的點(diǎn)積B.輸入序列的位置編碼C.前饋神經(jīng)網(wǎng)絡(luò)的層數(shù)D.多頭注意力的拼接方式4.強(qiáng)化學(xué)習(xí)中，“獎(jiǎng)勵(lì)延遲”指的是：A.環(huán)境反饋的獎(jiǎng)勵(lì)信號(hào)與智能體動(dòng)作間隔較長(zhǎng)B.智能體需要延遲執(zhí)行動(dòng)作以獲得更高獎(jiǎng)勵(lì)C.獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)過(guò)于復(fù)雜導(dǎo)致計(jì)算延遲D.多個(gè)智能體之間獎(jiǎng)勵(lì)分配的時(shí)間差5.以下哪種算法屬于提供式模型？A.支持向量機(jī)（SVM）B.樸素貝葉斯C.邏輯回歸D.k近鄰（k-NN）6.在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，池化層的主要作用是：A.增加特征圖的通道數(shù)B.減少空間維度（降維）C.增強(qiáng)局部感受野D.引入非線(xiàn)性變換7.自然語(yǔ)言處理（NLP）中，詞嵌入（WordEmbedding）的本質(zhì)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)法信息的低維向量表示C.統(tǒng)計(jì)單詞在文本中的出現(xiàn)頻率D.對(duì)句子進(jìn)行句法分析8.以下哪項(xiàng)是對(duì)抗提供網(wǎng)絡(luò)（GAN）的核心目標(biāo)？A.最小化提供數(shù)據(jù)與真實(shí)數(shù)據(jù)的KL散度B.使判別器無(wú)法區(qū)分提供數(shù)據(jù)與真實(shí)數(shù)據(jù)C.最大化提供數(shù)據(jù)的多樣性D.優(yōu)化提供器的損失函數(shù)至09.遷移學(xué)習(xí)中，“領(lǐng)域自適應(yīng)”（DomainAdaptation）的關(guān)鍵是：A.在目標(biāo)領(lǐng)域重新標(biāo)注大量數(shù)據(jù)B.對(duì)齊源領(lǐng)域與目標(biāo)領(lǐng)域的特征分布C.增加模型的深度以提高泛化能力D.凍結(jié)預(yù)訓(xùn)練模型的全部參數(shù)10.以下哪種方法可用于緩解深度學(xué)習(xí)中的過(guò)擬合問(wèn)題？A.增加訓(xùn)練數(shù)據(jù)量B.減少模型層數(shù)C.使用更大的學(xué)習(xí)率D.移除激活函數(shù)11.在決策樹(shù)算法中，信息增益的計(jì)算基于：A.基尼系數(shù)B.熵（Entropy）C.均方誤差D.交叉熵?fù)p失12.大語(yǔ)言模型（如GPT-4）的訓(xùn)練過(guò)程中，“指令微調(diào)”（InstructionTuning）的主要目的是：A.提高模型在特定任務(wù)上的性能B.減少模型參數(shù)量C.增強(qiáng)模型遵循人類(lèi)指令的能力D.加速預(yù)訓(xùn)練階段的收斂13.計(jì)算機(jī)視覺(jué)中，“語(yǔ)義分割”與“目標(biāo)檢測(cè)”的主要區(qū)別是：A.語(yǔ)義分割需要識(shí)別每個(gè)像素的類(lèi)別，目標(biāo)檢測(cè)需要定位并分類(lèi)目標(biāo)B.語(yǔ)義分割僅關(guān)注全局場(chǎng)景，目標(biāo)檢測(cè)關(guān)注局部區(qū)域C.語(yǔ)義分割使用CNN，目標(biāo)檢測(cè)使用RNND.語(yǔ)義分割不需要標(biāo)注數(shù)據(jù)，目標(biāo)檢測(cè)需要14.以下哪項(xiàng)屬于無(wú)監(jiān)督學(xué)習(xí)的應(yīng)用？A.垃圾郵件分類(lèi)（有標(biāo)簽）B.客戶(hù)分群（無(wú)標(biāo)簽）C.圖像識(shí)別（有標(biāo)簽）D.股票預(yù)測(cè)（有標(biāo)簽）15.人工智能倫理中，“可解釋性”（Interpretability）的核心要求是：A.模型預(yù)測(cè)結(jié)果必須與人類(lèi)專(zhuān)家完全一致B.模型決策過(guò)程能夠被人類(lèi)理解C.模型參數(shù)數(shù)量可被精確計(jì)算D.模型訓(xùn)練數(shù)據(jù)必須完全公開(kāi)二、填空題（每空1分，共20分）1.機(jī)器學(xué)習(xí)的三要素包括模型、策略和__________。2.深度神經(jīng)網(wǎng)絡(luò)中，反向傳播（Backpropagation）的核心是通過(guò)__________計(jì)算各層參數(shù)的梯度。3.Transformer模型的輸入需要同時(shí)包含詞嵌入和__________編碼，以捕捉序列的順序信息。4.強(qiáng)化學(xué)習(xí)的基本結(jié)構(gòu)包括智能體（Agent）、環(huán)境（Environment）、狀態(tài)（State）、動(dòng)作（Action）和__________。5.在支持向量機(jī)（SVM）中，核函數(shù)（KernelFunction）的作用是將低維線(xiàn)性不可分?jǐn)?shù)據(jù)映射到__________空間，使其線(xiàn)性可分。6.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的主要缺陷是無(wú)法有效處理__________依賴(lài)問(wèn)題，而LSTM通過(guò)__________結(jié)構(gòu)緩解了這一問(wèn)題。7.自然語(yǔ)言處理中的“掩碼語(yǔ)言模型”（MaskedLanguageModel）是__________（如BERT）的預(yù)訓(xùn)練任務(wù)之一，其核心是隨機(jī)遮蓋部分輸入token并預(yù)測(cè)被遮蓋的內(nèi)容。8.提供式模型（如VAE、GAN）與判別式模型的本質(zhì)區(qū)別在于，提供式模型關(guān)注__________，而判別式模型關(guān)注條件概率P(y|x)。9.計(jì)算機(jī)視覺(jué)中，YOLO（YouOnlyLookOnce）算法屬于__________（單階段/雙階段）目標(biāo)檢測(cè)方法，其優(yōu)勢(shì)是__________。10.遷移學(xué)習(xí)的常見(jiàn)類(lèi)型包括__________遷移（如從圖像分類(lèi)到目標(biāo)檢測(cè)）、__________遷移（如從英語(yǔ)到法語(yǔ)的NLP任務(wù)）和實(shí)例遷移。11.人工智能倫理中的“公平性”（Fairness）要求模型對(duì)不同__________（如性別、種族）的群體不產(chǎn)生系統(tǒng)性偏見(jiàn)。12.多模態(tài)學(xué)習(xí)（MultimodalLearning）需要處理文本、圖像、語(yǔ)音等不同模態(tài)數(shù)據(jù)的__________與__________，例如跨模態(tài)檢索或視覺(jué)問(wèn)答。三、簡(jiǎn)答題（每題6分，共30分）1.解釋“梯度消失”（VanishingGradient）現(xiàn)象的成因，并列舉兩種緩解方法。2.對(duì)比循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與Transformer在序列建模任務(wù)（如機(jī)器翻譯）中的優(yōu)缺點(diǎn)。3.什么是對(duì)抗樣本（AdversarialExample）？簡(jiǎn)述其對(duì)AI系統(tǒng)的潛在威脅及一種防御方法。4.多模態(tài)學(xué)習(xí)（如文本-圖像對(duì)齊）面臨哪些技術(shù)挑戰(zhàn)？請(qǐng)至少列出三點(diǎn)。5.結(jié)合具體場(chǎng)景（如招聘系統(tǒng)），說(shuō)明AI倫理中“偏見(jiàn)”（Bias）的可能來(lái)源及緩解策略。四、應(yīng)用題（每題8分，共24分）1.設(shè)計(jì)一個(gè)基于機(jī)器學(xué)習(xí)的垃圾郵件分類(lèi)系統(tǒng)流程，需包含數(shù)據(jù)預(yù)處理、特征工程、模型選擇、訓(xùn)練與評(píng)估步驟，并說(shuō)明各步驟的關(guān)鍵操作。2.假設(shè)需用PyTorch實(shí)現(xiàn)一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于手寫(xiě)數(shù)字識(shí)別（MNIST數(shù)據(jù)集），請(qǐng)寫(xiě)出模型類(lèi)的代碼框架（需包含卷積層、激活層、池化層、全連接層）。3.分析LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）如何通過(guò)門(mén)控機(jī)制解決RNN的長(zhǎng)依賴(lài)問(wèn)題，需畫(huà)出LSTM單元的結(jié)構(gòu)示意圖（文字描述即可）并解釋遺忘門(mén)、輸入門(mén)、輸出門(mén)的作用。五、綜合題（共16分）當(dāng)前，大語(yǔ)言模型（LLM）已廣泛應(yīng)用于智能對(duì)話(huà)、代碼提供、學(xué)術(shù)寫(xiě)作等場(chǎng)景。請(qǐng)結(jié)合LLM的訓(xùn)練流程（預(yù)訓(xùn)練、微調(diào)、對(duì)齊）與技術(shù)特點(diǎn)（如注意力機(jī)制、參數(shù)規(guī)模），分析其在實(shí)際應(yīng)用中的優(yōu)勢(shì)（如泛化能力、任務(wù)適配性）與潛在挑戰(zhàn)（如計(jì)算成本、倫理風(fēng)險(xiǎn)），并提出一項(xiàng)可能的優(yōu)化方向（如模型壓縮、數(shù)據(jù)篩選）。答案一、單項(xiàng)選擇題1.B2.C3.A4.A5.B6.B7.B8.B9.B10.A11.B12.C13.A14.B15.B二、填空題1.算法2.鏈?zhǔn)椒▌t3.位置4.獎(jiǎng)勵(lì)（Reward）5.高維6.長(zhǎng)距離；門(mén)控（或遺忘門(mén)、輸入門(mén)、輸出門(mén)）7.BERT（或掩碼語(yǔ)言模型類(lèi)預(yù)訓(xùn)練模型）8.聯(lián)合概率P(x,y)（或數(shù)據(jù)提供的概率分布）9.單階段；速度快（或?qū)崟r(shí)檢測(cè)）10.任務(wù)；領(lǐng)域11.群體屬性（或敏感屬性）12.對(duì)齊（或融合）；語(yǔ)義關(guān)聯(lián)（或信息互補(bǔ)）三、簡(jiǎn)答題1.成因：深度神經(jīng)網(wǎng)絡(luò)中，梯度通過(guò)反向傳播逐層計(jì)算時(shí)，若激活函數(shù)（如Sigmoid）的導(dǎo)數(shù)在(0,0.25)區(qū)間，多次連乘會(huì)導(dǎo)致梯度值逐漸趨近于0，深層網(wǎng)絡(luò)參數(shù)更新緩慢甚至停止。緩解方法：①使用ReLU及其變體（如LeakyReLU），其導(dǎo)數(shù)在正數(shù)區(qū)間為1，避免梯度消失；②采用殘差網(wǎng)絡(luò)（ResNet），通過(guò)跳躍連接（SkipConnection）直接傳遞梯度，減少連乘次數(shù)；③合理初始化權(quán)重（如He初始化），避免初始梯度過(guò)小。2.RNN的優(yōu)缺點(diǎn)：-優(yōu)點(diǎn)：通過(guò)隱藏狀態(tài)（h_t）捕捉序列的時(shí)序依賴(lài)，參數(shù)共享（同一套權(quán)重處理不同時(shí)間步），適合處理變長(zhǎng)序列。-缺點(diǎn)：長(zhǎng)距離依賴(lài)問(wèn)題（梯度消失/爆炸），難以捕捉序列中間隔較遠(yuǎn)的依賴(lài)關(guān)系；串行計(jì)算（時(shí)間步t的輸出依賴(lài)t-1的狀態(tài)），無(wú)法并行化。Transformer的優(yōu)缺點(diǎn)：-優(yōu)點(diǎn)：自注意力機(jī)制直接建模任意兩個(gè)位置的依賴(lài)關(guān)系，解決長(zhǎng)距離依賴(lài)；多頭注意力并行計(jì)算，效率更高；通過(guò)位置編碼顯式引入序列順序信息。-缺點(diǎn)：計(jì)算復(fù)雜度高（O(n2)，n為序列長(zhǎng)度），對(duì)長(zhǎng)序列（如10000+token）的處理能力受限；缺乏RNN的順序建?！坝洃洝碧匦裕ㄐ枰蕾?lài)位置編碼間接捕捉順序）。3.對(duì)抗樣本：通過(guò)對(duì)輸入數(shù)據(jù)（如圖像、文本）添加人眼不可察覺(jué)的擾動(dòng)（如微小像素變化），導(dǎo)致AI模型做出錯(cuò)誤預(yù)測(cè)的樣本。潛在威脅：攻擊自動(dòng)駕駛的目標(biāo)檢測(cè)系統(tǒng)（如將“停車(chē)”標(biāo)志誤判為“限速”）、欺騙語(yǔ)音助手執(zhí)行惡意指令等，威脅安全關(guān)鍵型應(yīng)用。防御方法：①對(duì)抗訓(xùn)練（AdversarialTraining）：在訓(xùn)練數(shù)據(jù)中加入對(duì)抗樣本，增強(qiáng)模型魯棒性；②輸入預(yù)處理（如使用高斯模糊、梯度裁剪），減少擾動(dòng)影響；③模型架構(gòu)改進(jìn)（如引入防御層，顯式檢測(cè)對(duì)抗擾動(dòng)）。4.技術(shù)挑戰(zhàn)：①模態(tài)異質(zhì)性：不同模態(tài)數(shù)據(jù)（如圖像的像素矩陣、文本的詞向量）的特征空間差異大，需設(shè)計(jì)有效的跨模態(tài)對(duì)齊方法（如聯(lián)合嵌入空間）；②信息缺失：某些模態(tài)可能存在噪聲或缺失（如模糊圖像、低質(zhì)量語(yǔ)音），需魯棒的多模態(tài)融合策略（如注意力機(jī)制動(dòng)態(tài)加權(quán)）；③語(yǔ)義一致性：跨模態(tài)任務(wù)（如視覺(jué)問(wèn)答）需要模型理解不同模態(tài)的語(yǔ)義關(guān)聯(lián)（如圖像中的“狗”與文本中的“dog”），需預(yù)訓(xùn)練階段的多模態(tài)語(yǔ)義對(duì)齊；④計(jì)算復(fù)雜度：多模態(tài)數(shù)據(jù)的高維特征（如圖像的2048維、文本的768維）融合時(shí)，參數(shù)量和計(jì)算量顯著增加，需輕量級(jí)模型設(shè)計(jì)。5.偏見(jiàn)來(lái)源：招聘系統(tǒng)中，訓(xùn)練數(shù)據(jù)可能存在歷史偏見(jiàn)（如歷史招聘數(shù)據(jù)中男性被錄取比例更高），導(dǎo)致模型將“男性”與“高能力”錯(cuò)誤關(guān)聯(lián)；特征工程中可能引入敏感屬性（如性別、種族）作為隱含特征；模型優(yōu)化目標(biāo)（如最大化錄取率）可能間接放大偏見(jiàn)。緩解策略：①數(shù)據(jù)清洗：去除或平衡訓(xùn)練數(shù)據(jù)中的偏見(jiàn)（如過(guò)采樣女性候選人數(shù)據(jù)）；②公平性約束：在損失函數(shù)中加入公平性指標(biāo)（如不同群體的預(yù)測(cè)準(zhǔn)確率差異）；③去偏正則化：通過(guò)對(duì)抗訓(xùn)練使模型對(duì)敏感屬性“不可知”（如訓(xùn)練判別器區(qū)分敏感屬性，模型需同時(shí)最小化任務(wù)損失和判別器準(zhǔn)確率）；④可解釋性分析：使用SHAP等工具識(shí)別模型決策的關(guān)鍵特征，排查敏感屬性的影響。四、應(yīng)用題1.垃圾郵件分類(lèi)系統(tǒng)流程：-數(shù)據(jù)預(yù)處理：清洗文本（去除HTML標(biāo)簽、特殊符號(hào)），分詞（中文需分詞工具如jieba），轉(zhuǎn)換為小寫(xiě)（英文），去除停用詞（如“的”“is”）。-特征工程：使用TF-IDF（詞頻-逆文檔頻率）提取文本特征，或采用詞嵌入（如Word2Vec、BERT詞向量）將文本轉(zhuǎn)換為低維稠密向量。-模型選擇：傳統(tǒng)方法可選邏輯回歸（簡(jiǎn)單高效）、SVM（小樣本下性能好）；深度學(xué)習(xí)可選TextCNN（捕捉局部關(guān)鍵詞）、BiLSTM（捕捉上下文依賴(lài)）或輕量級(jí)預(yù)訓(xùn)練模型（如RoBERTa-wwm）。-訓(xùn)練：劃分訓(xùn)練集（70%）、驗(yàn)證集（20%）、測(cè)試集（10%），使用交叉熵?fù)p失函數(shù)（分類(lèi)任務(wù)），優(yōu)化器選Adam（學(xué)習(xí)率1e-3），訓(xùn)練至驗(yàn)證集準(zhǔn)確率不再提升（早停）。-評(píng)估：指標(biāo)包括準(zhǔn)確率（整體正確比例）、精確率（預(yù)測(cè)為垃圾郵件中實(shí)際為垃圾的比例）、召回率（實(shí)際垃圾郵件中被正確預(yù)測(cè)的比例）、F1分?jǐn)?shù)（精確率與召回率的調(diào)和平均）。2.PyTorchCNN模型代碼框架：```pythonimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFclassMNIST_CNN(nn.Module):def__init__(self):super(MNIST_CNN,self).__init__()卷積層1：輸入1通道（灰度圖），輸出32通道，核大小3×3self.conv1=nn.Conv2d(1,32,3,padding=1)池化層1：2×2最大池化self.pool=nn.MaxPool2d(2,2)卷積層2：輸入32通道，輸出64通道，核大小3×3self.conv2=nn.Conv2d(32,64,3,padding=1)全連接層1：輸入64×7×7（池化后尺寸），輸出128self.fc1=nn.Linear(6477,128)全連接層2：輸入128，輸出10（0-9數(shù)字）self.fc2=nn.Linear(128,10)defforward(self,x):輸入x形狀：(batch_size,1,28,28)x=F.relu(self.conv1(x))(batch_size,32,28,28)x=self.pool(x)(batch_size,32,14,14)x=F.relu(self.conv2(x))(batch_size,64,14,14)x=self.pool(x)(batch_size,64,7,7)x=x.view(-1,6477)展平為一維向量x=F.relu(self.fc1(x))(batch_size,128)x=self.fc2(x)(batch_size,10)returnx```3.LSTM解決長(zhǎng)依賴(lài)的機(jī)制：LSTM單元包含三個(gè)門(mén)（遺忘門(mén)、輸入門(mén)、輸出門(mén)）和一個(gè)細(xì)胞狀態(tài)（CellState），通過(guò)門(mén)控機(jī)制控制信息的保留與丟棄。-遺忘門(mén)（f_t）：sigmoid激活，輸出0-1之間的數(shù)值，決定細(xì)胞狀態(tài)中舊信息的保留比例（1表示完全保留，0表示完全遺忘）。公式：f_t=σ(W_f·[h_{t-1},x_t]+b_f)。-輸入門(mén)（i_t）：由sigmoid（決定更新量）和tanh（提供候選信息）組成，sigmoid輸出i_t控制候選信息的寫(xiě)入比例，tanh提供新的候選值C?_t。公式：i_t=σ(W_i·[h_{t-1},x_t]+b_i)；C?_t=tanh(W_c·[h_{t-1},x_t]+b_c)。-細(xì)胞狀態(tài)更新：C_t=f_tC_{t-1}+i_tC?_t，舊信息（C_{t-1}）按遺忘門(mén)比例保留，新信息（C?_t）按輸入門(mén)比例添加。-輸出門(mén)（o_t）：sigmoid決定輸出的細(xì)胞狀態(tài)比例，tanh對(duì)細(xì)胞狀態(tài)進(jìn)行非線(xiàn)性變換后輸出隱藏狀態(tài)h_t。公式：o_t=σ(W_o·[h_{t-1},x_t]+b_o)；h_t=o_ttanh(C_t)。通過(guò)門(mén)控機(jī)制，LSTM能夠