2025年人工智能基礎(chǔ)知識(shí)考核試卷及答案一、單項(xiàng)選擇題（每題2分，共30分）1.下列哪一項(xiàng)不是深度學(xué)習(xí)中常用的激活函數(shù)？A.ReLUB.SigmoidC.TanhD.Softmax答案：D解析：Softmax常用于多分類輸出層的歸一化，而非隱藏層的激活函數(shù)；ReLU、Sigmoid、Tanh均為隱藏層激活函數(shù)。2.在卷積神經(jīng)網(wǎng)絡(luò)中，若輸入為32×32×3的圖像，使用64個(gè)5×5卷積核，步長(zhǎng)為1，零填充為2，則輸出特征圖的尺寸為：A.32×32×64B.30×30×64C.28×28×64D.34×34×64答案：A解析：輸出尺寸公式(N?F+2P)/S+1=(32?5+4)/1+1=32，通道數(shù)等于卷積核數(shù)量64。3.下列關(guān)于Transformer自注意力機(jī)制的說法正確的是：A.查詢向量Q與鍵向量K的點(diǎn)積直接作為注意力權(quán)重B.注意力權(quán)重?zé)o需歸一化即可加權(quán)求和C.多頭注意力允許模型在不同子空間關(guān)注不同位置D.自注意力無法捕獲長(zhǎng)距離依賴答案：C解析：多頭機(jī)制通過h組QKV投影捕獲不同語(yǔ)義子空間；點(diǎn)積后需縮放并經(jīng)過Softmax歸一化。4.在強(qiáng)化學(xué)習(xí)中，Qlearning更新公式中的α指：A.折扣因子B.學(xué)習(xí)率C.探索率D.獎(jiǎng)勵(lì)衰減系數(shù)答案：B解析：α控制新估計(jì)與舊值之間的加權(quán)程度，即學(xué)習(xí)率。5.若某決策樹在訓(xùn)練集上準(zhǔn)確率達(dá)100%，測(cè)試集僅72%，最恰當(dāng)?shù)南乱徊绞牵篈.增加樹深度B.減小最小樣本分裂數(shù)C.進(jìn)行剪枝或限制樹復(fù)雜度D.增加特征數(shù)量答案：C解析：訓(xùn)練過擬合，應(yīng)降低模型復(fù)雜度，剪枝是最直接手段。6.在聯(lián)邦學(xué)習(xí)框架中，參數(shù)聚合常用的安全協(xié)議是：A.RSAB.DiffieHellmanC.SecureAggregationD.ElGamal答案：C解析：SecureAggregation通過掩碼與秘密共享保證服務(wù)器無法看到單個(gè)客戶端梯度。7.下列哪項(xiàng)技術(shù)最適用于解決“梯度消失”問題？A.L2正則化B.DropoutC.批歸一化D.權(quán)重初始化答案：C解析：批歸一化將每層輸入分布固定，緩解梯度消失并加速收斂。8.在目標(biāo)檢測(cè)模型YOLOv5中，錨框（anchor）的生成主要依據(jù)：A.隨機(jī)采樣B.Kmeans聚類訓(xùn)練集邊界框C.高斯分布D.網(wǎng)格均勻劃分答案：B解析：YOLO系列使用Kmeans對(duì)訓(xùn)練集真實(shí)框聚類，得到先驗(yàn)錨框。9.若某GAN訓(xùn)練出現(xiàn)“模式崩塌”（modecollapse），下列策略無效的是：A.使用Wasserstein損失B.添加噪聲到判別器輸入C.減小生成器學(xué)習(xí)率D.增加生成器層數(shù)答案：D解析：增加層數(shù)可能加劇過擬合，無法緩解模式崩塌；Wasserstein、噪聲輸入、學(xué)習(xí)率調(diào)整均有效。10.在NLP任務(wù)中，BERT的掩碼語(yǔ)言模型（MLM）訓(xùn)練時(shí)，被掩碼token的15%中，有多少比例會(huì)被替換為隨機(jī)token？A.100%B.80%C.10%D.5%答案：C解析：15%掩碼里，80%用[MASK]，10%隨機(jī)token，10%保持原詞。11.下列關(guān)于模型蒸餾的說法正確的是：A.學(xué)生模型必須比教師模型更深B.蒸餾損失僅使用硬標(biāo)簽交叉熵C.溫度參數(shù)T越大，軟標(biāo)簽分布越尖銳D.蒸餾可壓縮模型并保留性能答案：D解析：蒸餾通過軟標(biāo)簽遷移知識(shí)，學(xué)生可更輕量；T越大分布越平滑。12.在自動(dòng)駕駛感知系統(tǒng)中，激光雷達(dá)點(diǎn)云常用的體素化尺寸為：A.1cm×1cm×1cmB.5cm×5cm×10cmC.1m×1m×0.5mD.0.1mm立方答案：B解析：5×5×10cm兼顧計(jì)算效率與幾何精度，為PointPillars等網(wǎng)絡(luò)默認(rèn)值。13.若使用Adam優(yōu)化器，默認(rèn)超參數(shù)β1的取值為：A.0.5B.0.9C.0.99D.0.999答案：B解析：Adam默認(rèn)β1=0.9，β2=0.999。14.在圖神經(jīng)網(wǎng)絡(luò)中，GCN層歸一化使用：A.度矩陣的逆B.對(duì)稱歸一化拉普拉斯C.隨機(jī)游走歸一化拉普拉斯D.鄰接矩陣的平方答案：B解析：GCN使用D^?1/2AD^?1/2對(duì)稱歸一化。15.下列哪項(xiàng)不是AutoML的主要組成部分？A.神經(jīng)架構(gòu)搜索B.超參數(shù)優(yōu)化C.模型壓縮D.特征工程自動(dòng)化答案：C解析：模型壓縮屬于部署階段，AutoML聚焦搜索與優(yōu)化。二、多項(xiàng)選擇題（每題3分，共15分）16.關(guān)于A算法，下列說法正確的是：A.啟發(fā)函數(shù)h(n)必須滿足h(n)≤h(n)才能保證最優(yōu)B.若h(n)=0，退化為DijkstraC.啟發(fā)函數(shù)越大，擴(kuò)展節(jié)點(diǎn)越少D.可結(jié)合深度學(xué)習(xí)學(xué)習(xí)啟發(fā)函數(shù)答案：ABD解析：h(n)=0時(shí)僅依賴g(n)，即Dijkstra；可訓(xùn)練神經(jīng)網(wǎng)絡(luò)擬合h(n)；但h過大可能不滿足可納性。17.以下哪些措施可有效提升小樣本圖像分類精度？A.數(shù)據(jù)增強(qiáng)B.遷移學(xué)習(xí)C.元學(xué)習(xí)D.增加全連接層參數(shù)答案：ABC解析：增加全連接參數(shù)易過擬合，小樣本場(chǎng)景應(yīng)減少參數(shù)量。18.在聯(lián)邦學(xué)習(xí)中，客戶端漂移（clientdrift）產(chǎn)生的原因包括：A.非獨(dú)立同分布數(shù)據(jù)B.本地迭代次數(shù)過多C.學(xué)習(xí)率過大D.服務(wù)器模型初始化不當(dāng)答案：ABC解析：非IID與本地訓(xùn)練過度導(dǎo)致權(quán)重偏離全局最優(yōu)；初始化影響較小。19.下列屬于可解釋性方法的有：A.LIMEB.SHAPC.GradCAMD.Dropout答案：ABC解析：Dropout是正則化技術(shù)，非解釋方法。20.關(guān)于擴(kuò)散模型（DiffusionModels）的描述，正確的是：A.前向過程為馬爾可夫加噪B.反向過程通過神經(jīng)網(wǎng)絡(luò)去噪C.訓(xùn)練目標(biāo)為最大化證據(jù)下界D.采樣必須迭代多步不可并行答案：ABC解析：最新研究已提出并行采樣技術(shù)，故D錯(cuò)誤。三、填空題（每空2分，共20分）21.在ResNet中，恒等映射分支使用________卷積實(shí)現(xiàn)下采樣。答案：1×1解析：當(dāng)殘差塊stride=2時(shí)，恒等分支需1×1卷積調(diào)整通道與尺寸。22.LSTM中遺忘門的激活函數(shù)為________。答案：Sigmoid解析：Sigmoid輸出0~1表示遺忘程度。23.若某模型參數(shù)量為120M，使用float16存儲(chǔ)，則理論內(nèi)存占用約________MB。答案：240解析：120M×2byte=240MB。24.在PyTorch中，設(shè)置模型為評(píng)估模式的函數(shù)為________。答案：model.eval()解析：關(guān)閉Dropout與BatchNorm統(tǒng)計(jì)更新。25.強(qiáng)化學(xué)習(xí)策略梯度定理中，目標(biāo)函數(shù)J(θ)對(duì)θ的梯度形式為________。答案：?θJ(θ)=Eπ[?θlogπ(a|s)Qπ(s,a)]解析：REINFORCE基線。26.VisionTransformer將圖像切塊后，每個(gè)patch通過________層映射為token。答案：LinearProjection解析：即PatchEmbedding。27.在聯(lián)邦平均（FedAvg）中，服務(wù)器聚合權(quán)重為本地________的加權(quán)平均。答案：樣本數(shù)解析：按客戶端數(shù)據(jù)量加權(quán)。28.使用混合精度訓(xùn)練時(shí)，損失縮放（lossscaling）主要防止________溢出。答案：梯度解析：float16動(dòng)態(tài)范圍小，反向傳播前放大損失。29.在GPT系列中，上下文長(zhǎng)度由________機(jī)制決定。答案：位置編碼解析：可學(xué)習(xí)或正弦位置編碼限制最大長(zhǎng)度。30.神經(jīng)架構(gòu)搜索（NAS）中，權(quán)重共享技術(shù)稱為________。答案：OneShotNAS解析：超網(wǎng)訓(xùn)練子網(wǎng)共享參數(shù)。四、判斷題（每題1分，共10分）31.BatchNorm在訓(xùn)練時(shí)使用當(dāng)前批統(tǒng)計(jì)量，在測(cè)試時(shí)使用移動(dòng)平均統(tǒng)計(jì)量。答案：正確解析：測(cè)試階段需穩(wěn)定，使用滑動(dòng)平均。32.梯度裁剪可解決梯度爆炸，但對(duì)梯度消失無效。答案：正確解析：裁剪僅限制上限，不增加梯度信號(hào)。33.在GAN中，判別器損失越小，生成器性能一定越好。答案：錯(cuò)誤解析：判別器過強(qiáng)會(huì)導(dǎo)致梯度消失，生成器無法學(xué)習(xí)。34.使用更大的滑動(dòng)窗口必然提升目標(biāo)檢測(cè)mAP。答案：錯(cuò)誤解析：過大窗口引入背景噪聲，可能降低精度。35.聯(lián)邦學(xué)習(xí)無需任何中央服務(wù)器即可完全點(diǎn)對(duì)點(diǎn)完成訓(xùn)練。答案：錯(cuò)誤解析：完全點(diǎn)對(duì)點(diǎn)需復(fù)雜共識(shí)機(jī)制，主流仍依賴中央聚合。36.自監(jiān)督學(xué)習(xí)無需任何人工標(biāo)簽。答案：正確解析：標(biāo)簽由數(shù)據(jù)本身構(gòu)造，如圖像旋轉(zhuǎn)角度。37.在A3C算法中，異步更新可打破樣本相關(guān)性。答案：正確解析：異步并行探索不同策略，起經(jīng)驗(yàn)回放類似作用。38.知識(shí)圖譜嵌入方法TransE假設(shè)h+r≈t在向量空間成立。答案：正確解析：TransE核心思想。39.使用ReLU的網(wǎng)絡(luò)一定不會(huì)出現(xiàn)梯度消失。答案：錯(cuò)誤解析：負(fù)半軸死亡神經(jīng)元仍可導(dǎo)致梯度流斷裂。40.在模型壓縮中，剪枝與量化可疊加使用。答案：正確解析：先剪枝減少稀疏權(quán)重，再量化降低位寬。五、簡(jiǎn)答題（每題8分，共24分）41.描述Transformer中多頭自注意力的計(jì)算流程，并說明“多頭”帶來的優(yōu)勢(shì)。答案與解析：流程：1)輸入X經(jīng)線性變換得Q、K、V；2)將QKV拆成h個(gè)頭，維度d_k=d_model/h；3)每個(gè)頭獨(dú)立計(jì)算縮放點(diǎn)積注意力；4)拼接多頭輸出，再線性投影得最終表示。優(yōu)勢(shì)：a)允許模型在不同子空間捕獲多種語(yǔ)義關(guān)系，如句法與指代；b)多頭并行，計(jì)算高效；c)提升表示容量，實(shí)驗(yàn)表明單頭性能顯著下降。42.解釋聯(lián)邦學(xué)習(xí)中“通信效率”為何成為核心瓶頸，并給出三種降低通信開銷的技術(shù)。答案與解析：瓶頸：1)深度模型參數(shù)量大，每輪上傳下載耗時(shí)；2)客戶端網(wǎng)絡(luò)異構(gòu)，上傳帶寬常低于下載；3)頻繁聚合導(dǎo)致能耗與資費(fèi)上升。技術(shù)：a)梯度壓縮：采用TopK、量化、草圖等方法，將梯度壓縮100×以上；b)本地更新：增加本地epoch減少通信輪次，如FedAvg；c)知識(shí)蒸餾：上傳logits而非權(quán)重，參數(shù)量降至類別數(shù)×樣本數(shù)。43.對(duì)比VAE與擴(kuò)散模型的訓(xùn)練目標(biāo)，并說明為何擴(kuò)散模型能生成更高質(zhì)量圖像。答案與解析：VAE目標(biāo)：最大化證據(jù)下界ELBO，由重構(gòu)項(xiàng)與KL正則組成，潛在變量為單峰高斯，易丟失細(xì)節(jié)。擴(kuò)散模型目標(biāo)：最小化變分下界，等價(jià)于去噪網(wǎng)絡(luò)預(yù)測(cè)噪聲，潛在變量維度與數(shù)據(jù)相同，逐步去噪。高質(zhì)量原因：1)潛在空間不壓縮，保留全部信息；2)多步迭代可精細(xì)校正；3)訓(xùn)練目標(biāo)為像素級(jí)噪聲預(yù)測(cè)，利于高頻細(xì)節(jié)恢復(fù)；4)無需對(duì)抗訓(xùn)練，訓(xùn)練穩(wěn)定，模式覆蓋率高。六、綜合應(yīng)用題（共21分）44.某城市部署聯(lián)邦學(xué)習(xí)系統(tǒng)用于跨醫(yī)院糖尿病預(yù)測(cè)，數(shù)據(jù)特征維度34，樣本分布極不均衡，且存在縱向拆分（不同醫(yī)院特征空間不同）。請(qǐng)回答：(1)傳統(tǒng)橫向聯(lián)邦為何無法直接應(yīng)用？（3分）(2)設(shè)計(jì)一種基于縱向聯(lián)邦的解決方案，包括實(shí)體對(duì)齊、加密機(jī)制、模型架構(gòu)與損失函數(shù)。（12分）(3)給出評(píng)估指標(biāo)與隱私泄露風(fēng)險(xiǎn)緩解措施。（6分）答案與解析：(1)橫向聯(lián)邦要求特征空間相同，僅樣本ID不同；縱向場(chǎng)景各醫(yī)院特征不同，需特殊處理。(2)方案：a)實(shí)體對(duì)齊：采用基于隱私集合求交（PSI）的RSAPSI協(xié)議，醫(yī)院A與B在加密狀態(tài)下求交集患者ID，