2025年大學(xué)人工智能（神經(jīng)網(wǎng)絡(luò)基礎(chǔ)）期中測試卷

（考試時間：90分鐘滿分100分）班級______姓名______一、單項選擇題（總共10題，每題3分，每題只有一個正確答案，請將正確答案填寫在括號內(nèi)）1.神經(jīng)網(wǎng)絡(luò)中，以下哪種激活函數(shù)在輸入較大時會導(dǎo)致梯度消失？（）A.Sigmoid函數(shù)B.ReLU函數(shù)C.Tanh函數(shù)D.Softmax函數(shù)2.以下關(guān)于神經(jīng)網(wǎng)絡(luò)的說法，錯誤的是（）A.神經(jīng)網(wǎng)絡(luò)可以自動從數(shù)據(jù)中學(xué)習(xí)特征B.深度神經(jīng)網(wǎng)絡(luò)比淺層神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的表達(dá)能力C.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是調(diào)整權(quán)重使得損失函數(shù)最小化D.神經(jīng)網(wǎng)絡(luò)只能處理線性可分的數(shù)據(jù)3.對于一個具有n個輸入神經(jīng)元和m個輸出神經(jīng)元的全連接層，其權(quán)重矩陣的維度是（）A.n×mB.m×nC.n×nD.m×m4.在反向傳播算法中，計算梯度時使用的鏈?zhǔn)椒▌t是為了（）A.計算每個神經(jīng)元的輸出B.計算損失函數(shù)對每個權(quán)重的梯度C.計算激活函數(shù)的導(dǎo)數(shù)D.計算輸入數(shù)據(jù)的梯度5.以下哪種優(yōu)化器在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時可能會導(dǎo)致收斂速度較慢？（）A.AdamB.SGDC.AdagradD.RMSProp6.神經(jīng)網(wǎng)絡(luò)中的卷積層主要用于（）A.增加網(wǎng)絡(luò)的深度B.減少參數(shù)數(shù)量C.進(jìn)行特征提取D.以上都是7.對于一個二分類問題，使用Softmax函數(shù)作為輸出層的激活函數(shù)時，其輸出結(jié)果表示（）A.屬于每個類別的概率B.屬于每個類別的得分C.輸入數(shù)據(jù)的特征表示D.激活函數(shù)的輸出值8.以下關(guān)于神經(jīng)網(wǎng)絡(luò)初始化權(quán)重的說法，正確的是（）A.隨機(jī)初始化權(quán)重可以使網(wǎng)絡(luò)更快收斂B.初始化權(quán)重為0會導(dǎo)致網(wǎng)絡(luò)無法學(xué)習(xí)C.合適的初始化權(quán)重可以加快網(wǎng)絡(luò)的訓(xùn)練速度D.初始化權(quán)重對網(wǎng)絡(luò)性能沒有影響9.在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，以下哪種情況可能會導(dǎo)致過擬合？（）A.訓(xùn)練數(shù)據(jù)不足B.模型復(fù)雜度太低C.正則化參數(shù)設(shè)置過大D.模型復(fù)雜度太高10.神經(jīng)網(wǎng)絡(luò)中的池化層主要用于（）A.增加特征維度B.減少計算量C.提高模型的泛化能力D.以上都是二、多項選擇題（總共5題，每題5分，每題有多個正確答案，請將正確答案填寫在括號內(nèi)，少選、多選均不得分）1.以下哪些是神經(jīng)網(wǎng)絡(luò)中常用的損失函數(shù)？（）A.均方誤差損失函數(shù)B.交叉熵?fù)p失函數(shù)C.絕對值損失函數(shù)D.對數(shù)損失函數(shù)2.關(guān)于神經(jīng)網(wǎng)絡(luò)的優(yōu)化器，以下說法正確的是（）A.Adam優(yōu)化器結(jié)合了Adagrad和RMSProp的優(yōu)點(diǎn)B.SGD優(yōu)化器在每次更新權(quán)重時使用所有樣本C.Adagrad優(yōu)化器適用于處理稀疏數(shù)據(jù)D.RMSProp優(yōu)化器可以自適應(yīng)調(diào)整學(xué)習(xí)率3.神經(jīng)網(wǎng)絡(luò)中的正則化方法包括（）A.L1正則化B.L2正則化C.DropoutD.BatchNormalization4.以下哪些是卷積神經(jīng)網(wǎng)絡(luò)（CNN）的優(yōu)點(diǎn)？（）A.能夠自動提取圖像的局部特征B.減少了網(wǎng)絡(luò)的參數(shù)數(shù)量C.對平移、旋轉(zhuǎn)等變換具有較好的魯棒性D.可以處理任意維度的數(shù)據(jù)5.在構(gòu)建神經(jīng)網(wǎng)絡(luò)時，以下哪些因素會影響網(wǎng)絡(luò)的性能？（）A.網(wǎng)絡(luò)的層數(shù)B.神經(jīng)元的數(shù)量C.激活函數(shù)的選擇D.優(yōu)化器的選擇三、判斷題（總共10題，每題2分，請判斷對錯，并將答案填寫在括號內(nèi)）1.神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元只能處理數(shù)值型數(shù)據(jù)。（）2.反向傳播算法是一種用于計算神經(jīng)網(wǎng)絡(luò)梯度的方法。（）3.增加神經(jīng)網(wǎng)絡(luò)的層數(shù)一定會提高網(wǎng)絡(luò)的性能。（）4.Softmax函數(shù)可以將任意實(shí)數(shù)值轉(zhuǎn)換為概率分布。（）5.正則化可以防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。（）6.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，驗(yàn)證集的作用是評估模型的泛化能力。（）7.卷積層中的卷積核大小必須是固定的。（）8.池化層不會改變特征圖的尺寸。（）9.不同的初始化權(quán)重會導(dǎo)致神經(jīng)網(wǎng)絡(luò)最終的性能相同。（）10.神經(jīng)網(wǎng)絡(luò)可以處理非線性問題是因?yàn)槠涫褂昧思せ詈瘮?shù)。（）四、簡答題（總共3題，每題10分，請簡要回答以下問題）1.請簡述反向傳播算法的基本原理。2.為什么在神經(jīng)網(wǎng)絡(luò)中要使用激活函數(shù)？3.請說明卷積神經(jīng)網(wǎng)絡(luò)中卷積層和池化層的作用。五、綜合題（總共2題，每題15分，請根據(jù)題目要求進(jìn)行解答）1.假設(shè)你要構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)來解決二分類問題。輸入層有2個神經(jīng)元，隱藏層有3個神經(jīng)元，輸出層有1個神經(jīng)元。使用Sigmoid函數(shù)作為激活函數(shù)，均方誤差損失函數(shù)，SGD優(yōu)化器。請寫出該神經(jīng)網(wǎng)絡(luò)的前向傳播和反向傳播過程，并說明如何進(jìn)行權(quán)重的更新。2.請描述如何使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對圖像進(jìn)行分類。包括數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、訓(xùn)練過程以及評估指標(biāo)等方面。答案：一、單項選擇題1.A2.D3.A4.B5.B6.D7.A8.C9.D10.B二、多項選擇題1.ABCD2.ACD3.ABCD4.ABC5.ABCD三、判斷題1.√2.√3.×4.×5.√6.√7.×8.×9.×10.√四、簡答題1.反向傳播算法是一種用于計算神經(jīng)網(wǎng)絡(luò)梯度的方法。它從輸出層開始，根據(jù)損失函數(shù)計算輸出層的梯度，然后通過鏈?zhǔn)椒▌t將梯度反向傳播到前面的層，計算每個神經(jīng)元的梯度。最后，根據(jù)這些梯度更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。2.激活函數(shù)的作用是引入非線性因素，使神經(jīng)網(wǎng)絡(luò)能夠處理非線性問題。它將神經(jīng)元的線性組合轉(zhuǎn)換為非線性輸出，增加了網(wǎng)絡(luò)的表達(dá)能力。不同的激活函數(shù)具有不同的特性，可以根據(jù)具體問題選擇合適的激活函數(shù)來提高網(wǎng)絡(luò)的性能。3.卷積層的作用是對輸入數(shù)據(jù)進(jìn)行特征提取，通過卷積核與輸入數(shù)據(jù)的卷積操作，提取出數(shù)據(jù)中的局部特征。池化層的作用是減少數(shù)據(jù)的維度，降低計算量，同時保留主要特征，提高模型的泛化能力。它通過對卷積層的輸出進(jìn)行下采樣操作，如最大池化或平均池化。五、綜合題1.前向傳播：輸入數(shù)據(jù)經(jīng)過輸入層，然后乘以權(quán)重矩陣得到隱藏層的輸入，經(jīng)過Sigmoid激活函數(shù)得到隱藏層的輸出。隱藏層的輸出再乘以權(quán)重矩陣得到輸出層的輸入，經(jīng)過Sigmoid激活函數(shù)得到輸出層的輸出。反向傳播：根據(jù)均方誤差損失函數(shù)計算輸出層的梯度，然后通過鏈?zhǔn)椒▌t將梯度反向傳播到隱藏層和輸入層，計算每個權(quán)重的梯度。權(quán)重更