2025年人工智能基礎(chǔ)知識考試題及答案一、單項選擇題（每題2分，共20分）1.在深度學(xué)習(xí)中，下列哪一項技術(shù)最常用于緩解過擬合？A.增加網(wǎng)絡(luò)深度B.使用ReLU激活函數(shù)C.DropoutD.提高學(xué)習(xí)率答案：C解析：Dropout通過隨機“關(guān)閉”部分神經(jīng)元，迫使網(wǎng)絡(luò)學(xué)習(xí)更魯棒的特征，從而有效降低過擬合風(fēng)險。其余選項要么可能加劇過擬合（A、D），要么與過擬合無直接關(guān)聯(lián)（B）。2.若某卷積神經(jīng)網(wǎng)絡(luò)第一層輸出特征圖尺寸為112×112，卷積核大小為5×5，步長為2，填充為1，則輸入圖像尺寸為：A.224×224B.227×227C.230×230D.231×231答案：B解析：根據(jù)卷積輸出尺寸公式O=(I?K+2P)/S+1，代入O=112，K=5，S=2，P=1，解得I=227。3.在Transformer架構(gòu)中，ScaledDotProductAttention的縮放因子為：A.d_kB.√d_kC.1/d_kD.1/√d_k答案：B解析：為防止點積結(jié)果過大導(dǎo)致梯度消失，Transformer將點積除以√d_k，保持梯度穩(wěn)定。4.下列哪一項不是強化學(xué)習(xí)中的“探索利用”策略？A.εgreedyB.UCBC.SoftmaxD.Adam答案：D解析：Adam是優(yōu)化器，用于梯度下降，與探索利用無關(guān)；其余三項均為經(jīng)典策略。5.在聯(lián)邦學(xué)習(xí)場景下，客戶端上傳的通常是：A.原始訓(xùn)練數(shù)據(jù)B.模型參數(shù)梯度C.測試集標(biāo)簽D.損失函數(shù)圖像答案：B解析：聯(lián)邦學(xué)習(xí)強調(diào)“數(shù)據(jù)不出本地”，僅上傳梯度或參數(shù)更新，保護(hù)隱私。6.若某GAN訓(xùn)練出現(xiàn)“模式崩塌”（ModeCollapse），下列哪種方法最直接緩解？A.增加批大小B.使用Wasserstein損失C.降低生成器學(xué)習(xí)率D.增加判別器層數(shù)答案：B解析：Wasserstein損失通過衡量生成分布與真實分布的距離，提供更平滑的梯度，有效緩解模式崩塌。7.在知識蒸餾中，教師模型與學(xué)生模型輸出差異常用下列哪種損失？A.CrossEntropyB.MSEC.KL散度D.HingeLoss答案：C解析：KL散度可衡量概率分布差異，蒸餾時讓學(xué)生擬合教師輸出的軟標(biāo)簽，常用KL散度。8.下列哪項技術(shù)最適合解決“梯度消失”問題？A.Sigmoid激活B.批歸一化C.L2正則化D.早停答案：B解析：批歸一化通過標(biāo)準(zhǔn)化中間層輸入，緩解梯度消失與爆炸，Sigmoid反而易加劇消失。9.在自動駕駛感知系統(tǒng)中，激光雷達(dá)點云通常先轉(zhuǎn)換為：A.灰度圖B.體素網(wǎng)格C.光流圖D.語義分割掩碼答案：B解析：體素網(wǎng)格將不規(guī)則點云規(guī)則化，便于3D卷積網(wǎng)絡(luò)處理，是主流預(yù)處理手段。10.若某模型在ImageNet上Top1準(zhǔn)確率為81.2%，則其錯誤率為：A.18.8%B.19.2%C.81.2%D.1?81.2%答案：A解析：Top1錯誤率=100%?準(zhǔn)確率=18.8%，無需復(fù)雜計算。二、多項選擇題（每題3分，共15分）11.下列哪些操作可有效提升小樣本學(xué)習(xí)性能？A.數(shù)據(jù)增強B.元學(xué)習(xí)C.遷移學(xué)習(xí)D.增加全連接層參數(shù)答案：A、B、C解析：數(shù)據(jù)增強擴充樣本；元學(xué)習(xí)學(xué)會“如何學(xué)習(xí)”；遷移學(xué)習(xí)借用源域知識；盲目增加參數(shù)量易導(dǎo)致過擬合。12.關(guān)于BERT的預(yù)訓(xùn)練任務(wù)，下列說法正確的是：A.使用MaskedLanguageModelB.使用NextSentencePredictionC.使用CausalLanguageModelD.使用SentenceOrderPrediction答案：A、B解析：BERT采用MLM與NSP；CausalLM為GPT系列；SOP為ALBERT改進(jìn)任務(wù)。13.在目標(biāo)檢測中，YOLOv5相對于YOLOv3的主要改進(jìn)包括：A.引入Focus切片結(jié)構(gòu)B.使用SPPF模塊C.采用AnchorFreeD.增加自適應(yīng)錨框計算答案：A、B、D解析：YOLOv5仍基于錨框，非AnchorFree；Focus與SPPF為創(chuàng)新；自適應(yīng)錨框提升魯棒性。14.下列屬于圖神經(jīng)網(wǎng)絡(luò)（GNN）中“過度平滑”現(xiàn)象的解決策略：A.殘差連接B.跳躍知識網(wǎng)絡(luò)C.增加層數(shù)D.使用GAT替代GCN答案：A、B、D解析：殘差與JK網(wǎng)絡(luò)緩解信息稀釋；盲目加深加劇平滑；GAT通過注意力權(quán)重減緩平滑。15.在模型壓縮領(lǐng)域，下列哪些方法屬于“量化”范疇？A.INT8推理B.權(quán)值剪枝C.知識蒸餾D.動態(tài)量化答案：A、D解析：INT8與動態(tài)量化直接降低數(shù)值精度；剪枝去冗余權(quán)重；蒸餾轉(zhuǎn)移知識，非量化。三、填空題（每空2分，共20分）16.在ResNet中，恒等映射分支通過__________相加實現(xiàn)梯度捷徑，其數(shù)學(xué)表達(dá)式為H(x)=__________。答案：逐元素；F(x)+x解析：恒等映射將輸入x與殘差F(x)相加，形成殘差塊，緩解梯度消失。17.若某LSTM單元遺忘門輸出為0，則上一時刻細(xì)胞狀態(tài)Ct?1將被__________；若輸出門為1，則當(dāng)前隱藏狀態(tài)ht等于__________。答案：完全丟棄；tanh(Ct)解析：遺忘門0→乘法清零；輸出門1→完全暴露當(dāng)前細(xì)胞狀態(tài)。18.在VisionTransformer中，圖像被劃分為固定大小的__________，每個通過線性投影得到__________維向量。答案：圖像塊（patches）；d_model解析：ViT將224×224圖切分14×14=196個16×16patches，再投影至d_model維。19.聯(lián)邦平均算法FedAvg中，服務(wù)器對客戶端上傳參數(shù)進(jìn)行__________加權(quán)平均，權(quán)重通常取__________。答案：本地數(shù)據(jù)量；本地樣本數(shù)/總樣本數(shù)解析：保證全局梯度無偏，數(shù)據(jù)量越大權(quán)重越高。20.在AlphaGoZero中，蒙特卡洛樹搜索的PUCT公式為：U(s,a)=__________，其中cpuct為__________。答案：cpuct·P(s,a)·√ΣN(s,b)/(1+N(s,a))；超參數(shù)解析：PUCT平衡探索與利用，P為策略網(wǎng)絡(luò)先驗概率，N為訪問次數(shù)。四、判斷題（每題1分，共10分）21.使用ReLU激活的神經(jīng)網(wǎng)絡(luò)一定不會出現(xiàn)梯度消失。答案：錯解析：ReLU在負(fù)半軸梯度為0，深層網(wǎng)絡(luò)仍可能出現(xiàn)“神經(jīng)元死亡”導(dǎo)致的梯度消失。22.BatchNorm在測試階段使用滑動平均的均值與方差。答案：對解析：訓(xùn)練時統(tǒng)計并更新滑動平均，測試時固定，不再計算批統(tǒng)計量。23.GPT3的參數(shù)量首次突破十萬億級別。答案：錯解析：GPT3約1750億參數(shù)，十萬億為夸張說法。24.在聯(lián)邦學(xué)習(xí)中，SecureAggregation可防止服務(wù)器看到單個客戶端梯度。答案：對解析：通過同態(tài)加密或秘密共享，服務(wù)器僅得聚合結(jié)果，無法窺視個體。25.圖卷積網(wǎng)絡(luò)中，鄰接矩陣自環(huán)（selfloop）加入可緩解節(jié)點特征過度平滑。答案：對解析：自環(huán)保留部分自身信息，減緩特征趨同。26.使用混合精度訓(xùn)練時，F(xiàn)P16梯度下溢問題可通過LossScaling解決。答案：對解析：放大損失值使梯度進(jìn)入FP16有效區(qū)間，再縮放權(quán)重更新。27.在目標(biāo)檢測中，mAP@0.5與mAP@0.5:0.95的數(shù)值通常前者更高。答案：對解析：IoU閾值越高，匹配越嚴(yán)格，mAP下降。28.Transformer的位置編碼采用可學(xué)習(xí)向量時，序列長度可無限擴展。答案：錯解析：可學(xué)習(xí)位置編碼需固定最大長度，超出需外推或插值，并非無限。29.對比學(xué)習(xí)中的InfoNCE損失可看作多分類交叉熵的特例。答案：對解析：InfoNCE將正樣本視為正確類，負(fù)樣本為錯誤類，形式等價。30.在AutoML中，神經(jīng)架構(gòu)搜索（NAS）只適用于圖像任務(wù)。答案：錯解析：NAS已擴展至NLP、語音、圖結(jié)構(gòu)等多模態(tài)任務(wù)。五、簡答題（每題8分，共24分）31.描述MaskedAutoencoder（MAE）在視覺自監(jiān)督中的訓(xùn)練流程，并說明其為何能大幅降低預(yù)訓(xùn)練計算量。答案：流程：1.隨機遮擋圖像75%patches，僅保留可見子集；2.編碼器僅對可見patches進(jìn)行表征提取，獲得latenttokens；3.將遮擋位置插入可學(xué)習(xí)的masktokens，與latent一起送入輕量解碼器；4.解碼器重建完整圖像像素；5.損失僅計算遮擋區(qū)域的MSE。計算量降低原因：編碼器處理patch數(shù)減少3/4，且解碼器極小，整體FLOPs下降約3×，同時高掩碼比迫使模型學(xué)習(xí)高級語義而非局部紋理，提升表征質(zhì)量。32.解釋“梯度累積”機制如何在顯存受限情況下實現(xiàn)大batch訓(xùn)練，并給出偽代碼。答案：機制：將大批次拆分為若干小步，每步計算梯度不清零，而是累加，達(dá)到目標(biāo)步數(shù)后統(tǒng)一更新權(quán)重，等價于大批次梯度。偽代碼：```model.zero_grad()fori,(x,y)inenumerate(loader):loss=model(x,y)/accumulation_stepsloss.backward()if(i+1)%accumulation_steps==0:optimizer.step()model.zero_grad()```顯存占用僅與小批次成正比，卻獲得大批次穩(wěn)定性。33.對比“模型并行”與“數(shù)據(jù)并行”在千億參數(shù)語言模型訓(xùn)練中的差異，并指出各自瓶頸。答案：數(shù)據(jù)并行：每張卡存儲完整模型，分發(fā)不同數(shù)據(jù)子集，梯度聚合；瓶頸為單卡顯存無法容納模型，且梯度同步通信隨卡數(shù)線性增加。模型并行：將模型按層或按維度拆分至多卡，每卡僅存儲部分參數(shù)；瓶頸為前向反向需頻繁跨卡通信，設(shè)備利用率受限于計算通信比，且實現(xiàn)復(fù)雜。實際中采用混合并行：數(shù)據(jù)并行+層內(nèi)模型并行（MegatronLM），兼顧顯存與通信效率。六、計算與推導(dǎo)題（共31分）34.（10分）給定一個兩層全連接網(wǎng)絡(luò)：輸入x∈??，隱藏h=ReLU(W?x+b?)，輸出y=W?h+b?。設(shè)損失L=?‖y?t‖2，求?L/?W?的表達(dá)式，并指出當(dāng)x=0時梯度為何消失或爆炸。答案：鏈?zhǔn)椒▌t：?L/?W?=(?L/?h)(?h/?z?)(?z?/?W?)，其中z?=W?x+b?。?L/?h=(y?t)?W??h/?z?=diag(??[z?>0])?z?/?W?=x?故?L/?W?=[(y?t)?W?⊙??[z?>0]]?x?當(dāng)x=0時，?z?/?W?=0，導(dǎo)致?L/?W?=0，梯度消失，參數(shù)無法更新。35.（10分）在Transformer自注意力中，設(shè)Q,K,V∈??×d，計算Attention(Q,K,V)=softmax(QK?/√d)V。證明：當(dāng)d→∞且Q,K元素為i.i.d.??(0,1)時，QK?的每個元素方差為d，需除以√d使softmax輸入方差為1，避免梯度飽和。證明：令S=QK?，則S??=∑?Q??K??。E[S??]=0，Var(S??)=∑?Var(Q??K??)=d·(E[Q2]E[K2]?(E[QK])2)=d·(1·1?0)=d。故S??～??(0,d)，除以√d后方差為1，softmax輸入處于梯度敏感區(qū)間。36.（11分）給定一個二元分類數(shù)據(jù)集，正負(fù)樣本比為1:99。若模型將全部分類為負(fù)，求初始精確率、召回率、F1，并推導(dǎo)使用加權(quán)交叉熵?fù)p失時正類權(quán)重應(yīng)為多少，才能使梯度對正負(fù)樣本貢獻(xiàn)相等。答案：精確率=TP/(TP+FP)=0/(0+0)未定義，按0計；召回率=TP/(TP+FN)=0/1=0；F1=0。設(shè)正類權(quán)重為w，負(fù)類1。梯度貢獻(xiàn)正比于w·1%與1·99%。令w·0.01=0.99，得w=99。故正類權(quán)重取99，正負(fù)梯度平衡。七、綜合設(shè)計題（20分）37.某城市需在邊緣攝像頭部署實時行人檢測，要求單路1080p@30fps，功耗≤5W，存儲≤256MB?，F(xiàn)有YOLOv5s模型（14MB，mAP@0.5=0.72，推理30ms）無法滿足功耗與精度雙重要求。請設(shè)計一套完整優(yōu)化方案，含模型、數(shù)據(jù)、系統(tǒng)三層面，并給出評估指標(biāo)與實驗步驟。答案：模型層：1.采用NanoDetPlus架構(gòu)，深度可分離卷積+Ghost模塊，參數(shù)量降至1.2MB；2.引入PPLCNet主干，使用HSwish與SE模塊平衡精度與速度；3.量化至INT