2025年人工智能理論知識(shí)測(cè)試題【附答案】一、單項(xiàng)選擇題（每題2分，共20分）1.在深度學(xué)習(xí)中，若將ReLU激活函數(shù)全部替換為Sigmoid，下列最可能發(fā)生的訓(xùn)練現(xiàn)象是A.梯度消失范圍縮小，收斂速度加快B.梯度消失范圍擴(kuò)大，深層網(wǎng)絡(luò)幾乎無法更新C.梯度爆炸范圍擴(kuò)大，損失出現(xiàn)NaND.對(duì)收斂性無影響，僅推理階段延遲增加答案：B解析：Sigmoid導(dǎo)數(shù)最大值僅0.25，鏈?zhǔn)交貍鬟B乘后指數(shù)級(jí)衰減，深層網(wǎng)絡(luò)前端層梯度趨零，導(dǎo)致權(quán)重凍結(jié)；ReLU在正半軸導(dǎo)數(shù)恒為1，可緩解該問題。2.關(guān)于Transformer的位置編碼，下列說法正確的是A.絕對(duì)位置編碼無法直接外推到比訓(xùn)練序列更長(zhǎng)的文本B.相對(duì)位置編碼必須引入可學(xué)習(xí)參數(shù)C.RoPE（旋轉(zhuǎn)位置編碼）在注意力計(jì)算后對(duì)Key向量做旋轉(zhuǎn)D.ALiBi位置編碼在注意力得分上添加與距離成反比的偏置答案：A解析：訓(xùn)練時(shí)未見過的絕對(duì)位置索引會(huì)導(dǎo)致Embedding表查不到對(duì)應(yīng)向量；RoPE在QK點(diǎn)積前旋轉(zhuǎn)；ALiBi使用負(fù)斜率線性偏置而非反比。3.在聯(lián)邦學(xué)習(xí)場(chǎng)景下，客戶端本地訓(xùn)練若干輪后上傳“模型權(quán)重”而非“梯度”，其最大風(fēng)險(xiǎn)是A.通信開銷線性增加B.服務(wù)器無法執(zhí)行FedAvgC.易受到模型逆向攻擊，泄露私有訓(xùn)練數(shù)據(jù)D.客戶端無法利用服務(wù)器全局模型答案：C解析：權(quán)重直接暴露數(shù)據(jù)分布信息，攻擊者可通過“生成優(yōu)化”重構(gòu)原始樣本；梯度與權(quán)重在泄露風(fēng)險(xiǎn)上差異顯著。4.若對(duì)BERTbase執(zhí)行結(jié)構(gòu)化剪枝（剪掉整個(gè)注意力頭），保持Finetune任務(wù)性能不降的最小剪枝比例約為A.5%B.15%C.40%D.70%答案：C解析：大量實(shí)驗(yàn)表明，BERTbase中約40%注意力頭對(duì)下游GLUE任務(wù)貢獻(xiàn)冗余，可一次性剪除并重訓(xùn)練恢復(fù)精度；超過50%后性能陡降。5.在AlphaGoZero的自對(duì)弈訓(xùn)練中，若將MCTS模擬次數(shù)從1600降至200，最合理的補(bǔ)償策略是A.提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率至0.1B.將PUCT常數(shù)c_puct從1.25提升到5.0C.改用εgreedy策略直接舍棄MCTSD.減少訓(xùn)練迭代總步數(shù)答案：B解析：模擬次數(shù)降低導(dǎo)致訪問計(jì)數(shù)噪聲增大，提高c_puct可鼓勵(lì)策略探索，緩解過擬合當(dāng)前網(wǎng)絡(luò)估值；其余選項(xiàng)均破壞訓(xùn)練穩(wěn)定性。6.下列關(guān)于擴(kuò)散模型DDPM的表述，錯(cuò)誤的是A.前向過程q(x_t|x_{t1})為高斯分布且方差固定B.反向去噪網(wǎng)絡(luò)輸入為x_t與時(shí)間步t的EmbeddingC.訓(xùn)練目標(biāo)為預(yù)測(cè)x_0的L2損失D.采樣過程可視為離散時(shí)間隨機(jī)微分方程的歐拉離散答案：C解析：DDPM訓(xùn)練目標(biāo)為預(yù)測(cè)噪聲ε_(tái)θ(x_t,t)，而非直接預(yù)測(cè)x_0；預(yù)測(cè)x_0是后續(xù)改進(jìn)版DDIM的可選參數(shù)化。7.在多任務(wù)學(xué)習(xí)中，若任務(wù)A損失收斂而任務(wù)B損失震蕩，最優(yōu)先排查的模塊是A.共享Backbone容量B.任務(wù)B的BatchSizeC.任務(wù)A的標(biāo)簽平滑系數(shù)D.任務(wù)B的Dropout率答案：A解析：共享層容量不足導(dǎo)致任務(wù)間梯度沖突，表現(xiàn)為某任務(wù)震蕩；其余超參數(shù)影響有限且非首要。8.將卷積神經(jīng)網(wǎng)絡(luò)中的GroupConv從1組改為32組，參數(shù)量變化為A.不變B.減少至1/32C.減少至1/√32D.增加至32倍答案：B解析：組卷積將輸入通道分組，每組獨(dú)立卷積，參數(shù)量與組數(shù)成反比；計(jì)算量亦同比例下降。9.在強(qiáng)化學(xué)習(xí)PER（PrioritizedExperienceReplay）中，若重要性采樣權(quán)重w_i與TD誤差δ_i關(guān)系為w_i∝(1/N·1/P(i))^β，則β=1時(shí)最直接影響的是A.梯度偏差B.梯度方差C.探索率D.獎(jiǎng)勵(lì)尺度答案：A解析：β=1完全糾正采樣分布偏移，消除偏差但可能放大方差；β=0退化為均勻采樣，偏差最大。10.若對(duì)ViT輸入圖像執(zhí)行RandomMask（隨機(jī)遮擋30%patch），下列增強(qiáng)策略對(duì)下游分類魯棒性提升最小的是A.線性插值被遮patchB.用可學(xué)習(xí)masktoken替代C.直接丟棄被遮patch，縮短序列D.使用鄰patch均值填充答案：C解析：縮短序列破壞位置對(duì)應(yīng)關(guān)系，注意力無法捕捉空間結(jié)構(gòu)；其余方法保持序列長(zhǎng)度，模型仍可利用位置編碼推理空間關(guān)系。二、多項(xiàng)選擇題（每題3分，共15分，多選少選均不得分）11.關(guān)于自監(jiān)督對(duì)比學(xué)習(xí)SimCLR，以下說法正確的有A.溫度系數(shù)τ越小，正樣本對(duì)在Softmax中的梯度越大B.批量越大，負(fù)樣本數(shù)量越多，訓(xùn)練越穩(wěn)定C.使用L2歸一化特征可消除維度尺度差異D.數(shù)據(jù)增強(qiáng)組合“Crop+ColorJitter+Blur”移除任意一項(xiàng)均會(huì)導(dǎo)致ImageNet線性評(píng)估下降答案：A、B、C解析：D項(xiàng)過于絕對(duì)，移除Blur對(duì)ResNet50線性評(píng)估影響<0.2%，可忽略；其余選項(xiàng)經(jīng)實(shí)驗(yàn)驗(yàn)證正確。12.在模型蒸餾中，下列技術(shù)能有效緩解“學(xué)生容量遠(yuǎn)小于教師”導(dǎo)致的精度損失A.引入中間層特征匹配（Hinton層）B.教師模型使用EarlyExit提供多出口監(jiān)督C.采用雙向KL散度替代單向KLD.對(duì)學(xué)生執(zhí)行SubnetworkRandomReinitialize答案：A、B、C解析：D項(xiàng)破壞已學(xué)知識(shí)，無助于精度恢復(fù)；中間層監(jiān)督、多出口、雙向KL均可彌補(bǔ)容量差距。13.關(guān)于圖神經(jīng)網(wǎng)絡(luò)GNN，出現(xiàn)“過度平滑”（Oversmoothing）的有效緩解策略包括A.殘差連接：H^(l+1)=αH^(0)+(1α)AGG(H^(l))B.使用separableGCN減少參數(shù)量C.增加DropEdge隨機(jī)刪邊D.節(jié)點(diǎn)特征執(zhí)行L2歸一化答案：A、C解析：殘差與隨機(jī)刪邊均可阻礙信息過度同質(zhì)化；separableGCN與歸一化不直接針對(duì)過度平滑。14.下列關(guān)于AutoMLNAS（NeuralArchitectureSearch）的描述，正確的有A.DARTS將離散搜索松弛為連續(xù)可微，可在GPU上端到端訓(xùn)練B.ENAS通過參數(shù)共享大幅降低搜索成本C.ProxylessNAS直接在ImageNet上搜索，無需代理任務(wù)D.基于進(jìn)化算法的NAS一定優(yōu)于強(qiáng)化搜索答案：A、B、C解析：D項(xiàng)無理論保證，實(shí)際表現(xiàn)依賴搜索空間與策略設(shè)計(jì)。15.在模型公平性評(píng)估中，以下指標(biāo)滿足“人口統(tǒng)計(jì)均等”（DemographicParity）的有A.P(?=1|A=0)=P(?=1|A=1)B.FPR_{A=0}=FPR_{A=1}C.TPR_{A=0}=TPR_{A=1}D.P(A=0|?=1)=P(A=0)答案：A、D解析：人口統(tǒng)計(jì)均等僅要求預(yù)測(cè)正例比例在各敏感屬性組相等，與真實(shí)標(biāo)簽無關(guān)；B、C分別對(duì)應(yīng)EqualizedOdds。三、判斷題（每題1分，共10分，正確打“√”，錯(cuò)誤打“×”）16.使用GroupNormalization時(shí)，批量大小可設(shè)置為1且效果不遜于BatchNorm。答案：√解析：GN沿通道分組計(jì)算統(tǒng)計(jì)量，與批量無關(guān)，小Batch場(chǎng)景穩(wěn)定。17.在DQN中，將經(jīng)驗(yàn)回放池容量從1M降至10K，對(duì)最終性能幾乎無影響。答案：×解析：容量減小導(dǎo)致早期樣本被快速擠出，網(wǎng)絡(luò)忘記舊策略，性能顯著下降。18.對(duì)GPTstyle自回歸模型，采用BPE編碼一定比WordPiece編碼詞匯表更小。答案：×解析：取決于語(yǔ)料與合并規(guī)則，BPE可能產(chǎn)生更多子詞。19.在聯(lián)邦學(xué)習(xí)FedProx中，近端項(xiàng)系數(shù)μ越大，客戶端本地更新步長(zhǎng)越保守。答案：√解析：近端項(xiàng)約束本地模型與全局模型距離，μ↑則更新受限。20.對(duì)YOLOv8使用SiLU激活替代ReLU，mAP平均提升約1.52%，但推理延遲增加<1%。答案：√解析：SiLU平滑非單調(diào)，增強(qiáng)表達(dá)能力，激活計(jì)算量增幅極小。21.在知識(shí)圖譜嵌入TransE中，若關(guān)系為“多對(duì)一”，則評(píng)分函數(shù)h+r≈t易使不同頭實(shí)體嵌入趨同。答案：√解析：多對(duì)一約束下，多個(gè)h需映射到相同t，導(dǎo)致h嵌入聚集。22.使用混合精度訓(xùn)練時(shí)，LossScale過大可能導(dǎo)致梯度出現(xiàn)Inf，從而觸發(fā)跳過更新。答案：√解析：過大Scale使反向梯度溢出，自動(dòng)LossScale機(jī)制會(huì)減小Scale并重試。23.在MAML元學(xué)習(xí)中，任務(wù)采樣服從非平穩(wěn)分布會(huì)導(dǎo)致元參數(shù)θ初始化偏差。答案：√解析：非平穩(wěn)分布使梯度期望漂移，θ收斂到“過時(shí)”重心。24.對(duì)StableDiffusion，將UNet通道數(shù)減半可節(jié)省75%顯存。答案：×解析：顯存占用與激活、參數(shù)、優(yōu)化器狀態(tài)均相關(guān)，通道半減約節(jié)省4050%。25.在RLHF中，獎(jiǎng)勵(lì)模型過擬合會(huì)導(dǎo)致PPO階段策略模型出現(xiàn)“獎(jiǎng)勵(lì)黑客”（RewardHacking）。答案：√解析：獎(jiǎng)勵(lì)模型給出與真實(shí)偏好不符的高獎(jiǎng)勵(lì)，策略模型利用漏洞生成“欺騙”輸出。四、填空題（每空2分，共20分）26.在VisionTransformer中，若輸入圖像分辨率為224×224，patchsize為16，則序列長(zhǎng)度為________，可學(xué)習(xí)位置編碼參數(shù)量為________。答案：196；196×768（BERTbase隱藏層維度768）27.若對(duì)ResNet50最后一個(gè)殘差塊執(zhí)行3×3卷積核膨脹率d=2，則感受野面積變?yōu)樵瓐D的________倍（假設(shè)輸入448×448）。答案：2.25解析：原感受野為299×299，膨脹后449×449，面積比(449/299)^2≈2.25。28.在DDIM采樣中，若跳步數(shù)從1000降至50，采樣時(shí)間復(fù)雜度降低約________倍。答案：20解析：DDIM為線性O(shè)(T)復(fù)雜度，T從1000→50。29.聯(lián)邦學(xué)習(xí)系統(tǒng)中，若客戶端Dropout率為20%，服務(wù)器聚合采用FedAvg，則全局更新方差與客戶端數(shù)量N的關(guān)系近似為________。答案：σ2/N_eff，其中N_eff=0.8N解析：Dropout等效減少有效客戶端，方差與有效數(shù)量成反比。30.對(duì)比學(xué)習(xí)InfoNCE損失中，若批量大小為4096，則每個(gè)樣本對(duì)應(yīng)的負(fù)樣本數(shù)為________。答案：4095解析：除自身與正樣本外，其余均為負(fù)。31.將GPT3175B模型以FP16權(quán)重加載，所需顯存約為________GB（不計(jì)優(yōu)化器狀態(tài)）。答案：350解析：1.75×10^11×2Byte≈350GB。32.在YOLOv8中，若輸入分辨率從640提升至1280，AnchorFree檢測(cè)頭輸出特征圖邊長(zhǎng)變?yōu)開_______倍。答案：2解析：下采樣倍數(shù)固定為32，邊長(zhǎng)與輸入成正比。33.若使用LoRA對(duì)GPT21.5B模型進(jìn)行秩r=16的低秩適應(yīng)，則新增參數(shù)量為________M。答案：48解析：2×r×(d_model+d_vocab)=2×16×(768+50257)≈48M。34.在DPO（DirectPreferenceOptimization）中，若偏好數(shù)據(jù)對(duì)數(shù)為100k，訓(xùn)練3個(gè)epoch，批量大小為32，則總更新步數(shù)為________。答案：9375解析：100000/32×3≈9375。35.對(duì)于StableDiffusionv1.5，將CFG（ClassifierFreeGuidance）尺度從7.5提高到15，生成圖像的FID通常________（上升/下降）。答案：上升解析：過高引導(dǎo)尺度導(dǎo)致圖像失真，F(xiàn)ID惡化。五、簡(jiǎn)答題（每題10分，共30分）36.描述“梯度沖突”在多任務(wù)學(xué)習(xí)中的產(chǎn)生機(jī)理，并給出兩種基于梯度修正的解決方案，說明其核心思想與優(yōu)缺點(diǎn)。答案：機(jī)理：共享參數(shù)θ同時(shí)接收多個(gè)任務(wù)損失L_i的梯度g_i，當(dāng)g_i方向余弦<0時(shí)，更新方向相互抵消，導(dǎo)致部分任務(wù)損失上升。方案1：PCGrad（ProjectConflictingGradients）思想：若g_i與g_j夾角>90°，則將g_i投影至g_j法平面，消除沖突分量。優(yōu)點(diǎn)：實(shí)現(xiàn)簡(jiǎn)單，無需超網(wǎng)絡(luò)；缺點(diǎn)：可能過度犧牲大梯度任務(wù)性能。方案2：GradNorm思想：引入梯度范數(shù)平衡權(quán)重α_i，使各任務(wù)梯度幅值隨訓(xùn)練動(dòng)態(tài)相等，兼顧幅度與方向。優(yōu)點(diǎn)：自動(dòng)調(diào)整，兼顧收斂速度；缺點(diǎn)：需額外調(diào)參學(xué)習(xí)率式系數(shù)。37.解釋擴(kuò)散模型中“ClassifierFreeGuidance”如何利用單一網(wǎng)絡(luò)實(shí)現(xiàn)條件與無條件生成，并推導(dǎo)其采樣公式。答案：訓(xùn)練階段：以條件c與空條件?隨機(jī)Dropout（通常10%）聯(lián)合訓(xùn)練同一去噪網(wǎng)絡(luò)ε_(tái)θ(x_t,t,c)。采樣階段：利用網(wǎng)絡(luò)雙輸出近似條件與無條件得分：ε_(tái)cond=ε_(tái)θ(x_t,t,c)，ε_(tái)uncond=ε_(tái)θ(x_t,t,?)。引導(dǎo)公式：ε_(tái)guided=ε_(tái)uncond+s·(ε_(tái)cond?ε_(tái)uncond)，其中s為引導(dǎo)尺度。推導(dǎo)：由貝葉斯規(guī)則，?logp(x_t|c)=?logp(x_t)+?logp(c|x_t)，用ε_(tái)θ近似?logp(x_t|c)并線性外插即可得上述公式。38.聯(lián)邦學(xué)習(xí)面臨“數(shù)據(jù)NonIID”挑戰(zhàn)，請(qǐng)給出一種基于數(shù)據(jù)增強(qiáng)的客戶端本地修正算法，并分析其通信與計(jì)算開銷。答案：算法：FedMix——客戶端本地執(zhí)行MixUp/SMix，生成虛擬全局分布樣本。步驟：1.本地訓(xùn)練1輪后，上傳類別原型向量（均值）而非梯度；2.服務(wù)器聚合原型并廣播；3.客戶端用原型與本地樣本做MixUp，修正本地分布；4.繼續(xù)訓(xùn)練。通信開銷：每輪上傳C×d（C類別數(shù)，d維原型），比上傳梯度減少約95%；計(jì)算開銷：本地額外O(N×C