(2025年)人工智能期末考試試題及答案一、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.K-means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.提供對抗網(wǎng)絡(luò)（GAN）同時涉及監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)2.在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時，若損失函數(shù)在迭代過程中突然變?yōu)镹aN（非數(shù)字），最可能的原因是（）A.學(xué)習(xí)率過小導(dǎo)致梯度消失B.激活函數(shù)選擇不當(dāng)（如ReLU在負(fù)值區(qū)域?qū)?shù)為0）C.梯度爆炸導(dǎo)致參數(shù)更新過大D.批量歸一化（BatchNorm）層未正確初始化3.關(guān)于Transformer模型中的多頭注意力（Multi-HeadAttention），以下說法正確的是（）A.多頭注意力通過多個獨立的注意力頭提取不同子空間的特征，最后拼接后線性變換B.多頭注意力的每個頭共享相同的查詢（Query）、鍵（Key）、值（Value）矩陣C.多頭注意力僅用于編碼器（Encoder），解碼器（Decoder）使用單向注意力D.多頭注意力的計算復(fù)雜度與序列長度成線性關(guān)系4.以下哪種方法最適合解決卷積神經(jīng)網(wǎng)絡(luò)（CNN）中的過擬合問題？（）A.增加網(wǎng)絡(luò)層數(shù)B.引入Dropout層C.增大學(xué)習(xí)率D.減少訓(xùn)練數(shù)據(jù)量5.在強化學(xué)習(xí)中，智能體（Agent）的目標(biāo)是最大化（）A.即時獎勵（ImmediateReward）B.折扣累積獎勵（DiscountedCumulativeReward）C.狀態(tài)價值函數(shù)（StateValueFunction）D.動作價值函數(shù)（ActionValueFunction）6.決策樹中使用信息增益（InformationGain）作為分裂標(biāo)準(zhǔn)時，可能導(dǎo)致的問題是（）A.傾向于選擇取值較多的特征B.對缺失值敏感C.無法處理連續(xù)型特征D.容易陷入局部最優(yōu)7.提供對抗網(wǎng)絡(luò)（GAN）中，提供器（Generator）和判別器（Discriminator）的訓(xùn)練目標(biāo)分別是（）A.提供器最小化判別器的分類準(zhǔn)確率，判別器最大化提供樣本與真實樣本的區(qū)分能力B.提供器最大化判別器的分類錯誤率，判別器最大化對真實樣本的正確分類率C.提供器試圖讓判別器無法區(qū)分提供樣本與真實樣本，判別器試圖正確區(qū)分兩者D.提供器和判別器共同最小化交叉熵?fù)p失8.卷積神經(jīng)網(wǎng)絡(luò)中的池化層（PoolingLayer）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），同時保留主要特征C.引入非線性變換D.防止梯度消失9.貝葉斯網(wǎng)絡(luò)（BayesianNetwork）是一種（）A.有向無環(huán)圖（DAG），用于表示變量間的概率依賴關(guān)系B.無向圖，用于表示變量間的統(tǒng)計相關(guān)性C.全連接神經(jīng)網(wǎng)絡(luò)，用于概率密度估計D.遞歸神經(jīng)網(wǎng)絡(luò)，用于時序數(shù)據(jù)建模10.在自然語言處理（NLP）中，詞嵌入（WordEmbedding）的主要目的是（）A.將離散的詞語轉(zhuǎn)換為連續(xù)的向量表示，捕捉語義相關(guān)性B.增加文本的長度以適配模型輸入C.去除文本中的停用詞和噪聲D.將句子分割為獨立的詞語單元二、填空題（每空2分，共10分）1.梯度下降算法的參數(shù)更新公式為：θ=θ-η·?_θJ(θ)，其中η表示______。2.長短期記憶網(wǎng)絡(luò)（LSTM）通過______、遺忘門（ForgetGate）和輸出門（OutputGate）控制信息的傳遞。3.BERT（BidirectionalEncoderRepresentationsfromTransformers）的預(yù)訓(xùn)練任務(wù)包括______和下一句預(yù)測（NextSentencePrediction）。4.YOLO（YouOnlyLookOnce）目標(biāo)檢測模型的核心思想是將目標(biāo)檢測轉(zhuǎn)化為______問題。5.強化學(xué)習(xí)中，折扣因子γ（Gamma）的取值范圍是______，其作用是______。三、簡答題（每題8分，共40分）1.對比隨機梯度下降（SGD）、批量梯度下降（BatchGD）和小批量梯度下降（Mini-BatchGD）的優(yōu)缺點。2.解釋Transformer模型中“自注意力機制”（Self-Attention）的計算過程，并說明其相對于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的優(yōu)勢。3.簡述如何通過交叉驗證（CrossValidation）選擇機器學(xué)習(xí)模型的超參數(shù)（如SVM的正則化參數(shù)C）。4.提供對抗網(wǎng)絡(luò)（GAN）在訓(xùn)練過程中常出現(xiàn)“模式崩潰”（ModeCollapse）現(xiàn)象，試分析其原因及可能的解決方法。5.描述遷移學(xué)習(xí)（TransferLearning）的核心思想，并舉例說明其在計算機視覺或自然語言處理中的應(yīng)用場景。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法（LeastSquares）參數(shù)解。假設(shè)訓(xùn)練數(shù)據(jù)集為{(x?,y?),(x?,y?),…,(x?,y?)}，其中x?∈??，y?∈?，模型假設(shè)為y=w?x+b，損失函數(shù)為均方誤差（MSE）。要求寫出推導(dǎo)過程，并說明解存在的條件。2.設(shè)計一個基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的圖像分類模型結(jié)構(gòu)（針對CIFAR-10數(shù)據(jù)集，輸入為32×32×3的彩色圖像，輸出為10類標(biāo)簽）。要求：（1）列出各層的類型、參數(shù)（如卷積核大小、步長、填充）及作用；（2）說明選擇激活函數(shù)和優(yōu)化器的理由。五、綜合應(yīng)用題（20分）隨著醫(yī)療AI的發(fā)展，設(shè)計一個基于深度學(xué)習(xí)的智能醫(yī)療診斷系統(tǒng)，用于輔助醫(yī)生對肺部X光片進(jìn)行肺炎檢測。要求：（1）說明數(shù)據(jù)預(yù)處理的關(guān)鍵步驟（如數(shù)據(jù)清洗、增強）；（2）選擇適合的模型架構(gòu)（如CNN、Transformer或其變體），并解釋原因；（3）列出主要的評估指標(biāo)（如準(zhǔn)確率、召回率、F1值），并說明選擇依據(jù)；（4）討論該系統(tǒng)在實際應(yīng)用中需要考慮的倫理與法律問題（如數(shù)據(jù)隱私、模型可解釋性）。答案及解析一、單項選擇題1.D（GAN屬于無監(jiān)督學(xué)習(xí)的一種變體，不直接依賴標(biāo)注數(shù)據(jù)）2.C（梯度爆炸會導(dǎo)致參數(shù)更新過大，引發(fā)數(shù)值溢出）3.A（多頭注意力通過不同頭提取多維度特征，最后拼接后線性變換）4.B（Dropout通過隨機失活神經(jīng)元減少過擬合）5.B（強化學(xué)習(xí)目標(biāo)是最大化長期累積獎勵）6.A（信息增益傾向于選擇取值多的特征，如ID3算法的缺陷）7.C（提供器試圖“欺騙”判別器，判別器試圖區(qū)分真假樣本）8.B（池化層通過降維減少計算量，保留空間不變性）9.A（貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖，表示變量間的概率依賴）10.A（詞嵌入將詞語映射到低維連續(xù)空間，捕捉語義）二、填空題1.學(xué)習(xí)率（或步長）2.輸入門（InputGate）3.掩碼語言模型（MaskedLanguageModel，MLM）4.回歸（或單次檢測）5.[0,1]（或0≤γ≤1）；平衡即時獎勵與未來獎勵的權(quán)重三、簡答題1.三者對比：-批量梯度下降（BatchGD）：使用全部訓(xùn)練數(shù)據(jù)計算梯度，更新穩(wěn)定但計算成本高，收斂速度慢；-隨機梯度下降（SGD）：使用單個樣本計算梯度，更新速度快但波動大，可能陷入局部最優(yōu)；-小批量梯度下降（Mini-BatchGD）：折中方案，使用部分樣本（如32-256個）計算梯度，兼顧速度與穩(wěn)定性，是實際中最常用的方法。2.自注意力計算過程：對輸入序列中的每個元素，計算其與所有元素的注意力分?jǐn)?shù)（通過Query與Key的點積），歸一化后與Value加權(quán)求和得到輸出。優(yōu)勢：（1）并行計算，解決RNN的長依賴問題；（2）直接捕捉序列中任意位置的依賴關(guān)系，不受序列長度限制；（3）計算復(fù)雜度與序列長度平方相關(guān)（優(yōu)于RNN的線性復(fù)雜度，但通過多頭注意力優(yōu)化后效率更高）。3.步驟：（1）將數(shù)據(jù)集劃分為k個互不重疊的子集（如k=5）；（2）對每個超參數(shù)候選值（如C=0.1,1,10），依次用k-1個子集訓(xùn)練模型，用剩余1個子集驗證，記錄驗證性能；（3）取k次驗證性能的平均值作為該超參數(shù)的評估指標(biāo)；（4）選擇平均性能最優(yōu)的超參數(shù)作為最終選擇。4.模式崩潰原因：提供器可能僅提供有限的樣本類型，無法覆蓋真實數(shù)據(jù)分布，通常由于判別器過強或提供器梯度消失。解決方法：（1）使用WassersteinGAN（WGAN）通過地球移動距離（EM距離）優(yōu)化，穩(wěn)定訓(xùn)練；（2）引入梯度懲罰（GradientPenalty）約束判別器；（3）設(shè)計更平衡的提供器與判別器架構(gòu)（如使用更深的網(wǎng)絡(luò)）；（4）采用條件GAN（CGAN）引入額外信息引導(dǎo)提供。5.核心思想：將從源任務(wù)（如大量標(biāo)注的自然圖像分類）學(xué)習(xí)到的知識遷移到目標(biāo)任務(wù)（如少量標(biāo)注的醫(yī)學(xué)圖像分類），解決目標(biāo)任務(wù)數(shù)據(jù)不足的問題。應(yīng)用場景：（1）計算機視覺中，用ImageNet預(yù)訓(xùn)練的ResNet遷移到醫(yī)學(xué)影像分析（如皮膚癌檢測）；（2）自然語言處理中，用BERT預(yù)訓(xùn)練模型遷移到特定領(lǐng)域的文本分類（如醫(yī)療對話意圖識別）。四、算法題1.線性回歸最小二乘法推導(dǎo)：模型假設(shè)：y=w?x+b，可將b合并到w中（增加x?=1），則模型為y=w?X（X為增廣特征向量）。均方誤差損失函數(shù)：J(w)=(1/(2n))Σ(y?-w?x?)2（乘以1/2為求導(dǎo)方便）。對w求導(dǎo)并令梯度為0：?_wJ(w)=(1/n)Σ(w?x?-y?)x?=0→X?Xw=X?y（X為n×(d+1)的設(shè)計矩陣）。當(dāng)X?X滿秩（即列滿秩）時，解為w=(X?X)?1X?y。若X?X不可逆（如特征冗余），可通過正則化（如嶺回歸）添加λI使矩陣可逆。2.CNN模型設(shè)計（CIFAR-10）：-輸入層：32×32×3（彩色圖像）；-卷積層1：3×3卷積核，64個濾波器，步長1，填充same，激活函數(shù)ReLU（引入非線性，避免梯度消失）；-最大池化層1：2×2池化核，步長2（降維至16×16×64）；-卷積層2：3×3卷積核，128個濾波器，步長1，填充same，ReLU激活；-最大池化層2：2×2池化核，步長2（降維至8×8×128）；-全連接層1：Flatten后接512個神經(jīng)元，ReLU激活，Dropout=0.5（防止過擬合）；-輸出層：10個神經(jīng)元，Softmax激活（多分類）。優(yōu)化器選擇Adam（自適應(yīng)學(xué)習(xí)率，收斂更快），損失函數(shù)為交叉熵（多分類任務(wù)）。五、綜合應(yīng)用題1.數(shù)據(jù)預(yù)處理：-清洗：去除模糊、標(biāo)注錯誤的X光片，統(tǒng)一灰度范圍（如0-255）；-增強：旋轉(zhuǎn)（±15°）、翻轉(zhuǎn)（水平/垂直）、縮放（0.8-1.2倍）、亮度調(diào)整（±20%），增加數(shù)據(jù)多樣性；-標(biāo)準(zhǔn)化：對每個像素值減去均值、除以標(biāo)準(zhǔn)差，加速模型收斂。2.模型架構(gòu)選擇：采用改進(jìn)的ResNet-50（殘差網(wǎng)絡(luò)），原因：（1）殘差連接解決深層網(wǎng)絡(luò)梯度消失問題，適合醫(yī)學(xué)影像的復(fù)雜特征提??；（2）預(yù)訓(xùn)練于ImageNet的ResNet可遷移視覺特征，減少肺炎數(shù)據(jù)標(biāo)注需求；（3）可通過微調(diào)（Fine-tuning）適配肺部X光片的特定特征（如紋理、病灶邊界）。3.評估指標(biāo)：-準(zhǔn)確率（Accuracy）：總體分類正確比例，反映模型整體性能；-召回率（Recall）：真陽性率（TPR），關(guān)注肺炎病例的漏診率（降低假陰性，避免延誤治療）；-F1值：精確率與召回率的調(diào)和平均，平衡兩者以避免模型偏向某一類；-AUC-ROC：衡量模型在不同閾值下的分類能力，尤其適用于正負(fù)樣本不平衡的醫(yī)療數(shù)據(jù)。4.