2025年人工智能編程試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下關(guān)于機(jī)器學(xué)習(xí)模型過擬合的描述，錯(cuò)誤的是：A.增加訓(xùn)練數(shù)據(jù)量可以緩解過擬合B.使用L2正則化會(huì)使模型參數(shù)的絕對(duì)值傾向于更小C.過擬合的模型在訓(xùn)練集上的準(zhǔn)確率通常高于驗(yàn)證集D.降低模型復(fù)雜度（如減少神經(jīng)網(wǎng)絡(luò)層數(shù)）一定會(huì)導(dǎo)致欠擬合答案：D解析：降低模型復(fù)雜度可能緩解過擬合，但“一定會(huì)導(dǎo)致欠擬合”表述錯(cuò)誤。欠擬合是模型無法捕捉數(shù)據(jù)規(guī)律，與復(fù)雜度不足相關(guān)，但降低復(fù)雜度未必直接導(dǎo)致欠擬合，需結(jié)合數(shù)據(jù)分布判斷。2.關(guān)于Transformer模型的自注意力機(jī)制，以下說法正確的是：A.自注意力計(jì)算中，Q（查詢）、K（鍵）、V（值）必須來自同一序列B.多頭注意力通過多個(gè)獨(dú)立的注意力頭捕捉不同子空間的上下文信息C.位置編碼（PositionEncoding）在Transformer中是可選的，因?yàn)樽宰⒁饬Ρ旧砟懿蹲叫蛄许樞駾.自注意力的計(jì)算復(fù)雜度為O(n2)，其中n是序列長度，因此無法處理長文本答案：B解析：多頭注意力通過并行計(jì)算多個(gè)注意力頭，每個(gè)頭學(xué)習(xí)不同的上下文模式，增強(qiáng)模型表達(dá)能力；A錯(cuò)誤，Q、K、V可來自不同序列（如交叉注意力）；C錯(cuò)誤，自注意力無位置感知能力，必須依賴位置編碼；D錯(cuò)誤，長文本可通過稀疏注意力或分塊技術(shù)優(yōu)化復(fù)雜度。3.以下哪項(xiàng)不是強(qiáng)化學(xué)習(xí)（RL）與監(jiān)督學(xué)習(xí)（SL）的核心區(qū)別？A.RL的訓(xùn)練信號(hào)是延遲的獎(jiǎng)勵(lì)，SL的標(biāo)簽是即時(shí)的B.RL需要與環(huán)境交互探索，SL依賴固定訓(xùn)練數(shù)據(jù)C.RL的目標(biāo)是最大化長期累積獎(jiǎng)勵(lì)，SL的目標(biāo)是最小化預(yù)測(cè)誤差D.RL的模型通常使用神經(jīng)網(wǎng)絡(luò)，SL的模型可以是線性回歸答案：D解析：監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)均可使用神經(jīng)網(wǎng)絡(luò)，模型類型并非核心區(qū)別；其他選項(xiàng)均為RL與SL的本質(zhì)差異（信號(hào)延遲、交互性、目標(biāo)函數(shù)）。4.在圖像分類任務(wù)中，使用ResNet-50模型時(shí)，若輸入圖像尺寸為224×224×3，經(jīng)過第一個(gè)卷積層（卷積核7×7，步長2，填充3）后，輸出特征圖的尺寸為：A.112×112×64B.56×56×64C.112×112×3D.56×56×3答案：A解析：輸出尺寸計(jì)算公式為：(H-K+2P)/S+1=(224-7+2×3)/2+1=(224-7+6)/2+1=223/2+1=111.5+1=112.5（向下取整為112），通道數(shù)由卷積核數(shù)量決定（ResNet-50第一個(gè)卷積層輸出64通道）。5.關(guān)于自然語言處理（NLP）中的詞嵌入（WordEmbedding），以下說法錯(cuò)誤的是：A.Word2Vec的Skip-gram模型通過中心詞預(yù)測(cè)上下文詞B.GloVe利用全局詞頻統(tǒng)計(jì)信息學(xué)習(xí)詞向量C.BERT的詞嵌入包含位置嵌入和段嵌入（SegmentEmbedding）D.詞嵌入的維度通常遠(yuǎn)小于詞匯表大小，以降低維度災(zāi)難答案：A解析：Skip-gram模型是通過中心詞預(yù)測(cè)上下文詞，而CBOW是通過上下文詞預(yù)測(cè)中心詞（A選項(xiàng)描述正確？需修正）。實(shí)際錯(cuò)誤選項(xiàng)應(yīng)為：A選項(xiàng)描述正確，可能題目設(shè)置錯(cuò)誤。正確錯(cuò)誤選項(xiàng)應(yīng)為：若題目中A選項(xiàng)描述為“CBOW模型通過中心詞預(yù)測(cè)上下文詞”則錯(cuò)誤。本題可能存在筆誤，正確錯(cuò)誤選項(xiàng)應(yīng)為其他（需重新設(shè)計(jì)）。（注：為保證準(zhǔn)確性，調(diào)整題目5選項(xiàng)為：5.關(guān)于自然語言處理（NLP）中的詞嵌入（WordEmbedding），以下說法錯(cuò)誤的是：A.CBOW模型通過中心詞預(yù)測(cè)上下文詞B.GloVe利用全局詞頻統(tǒng)計(jì)信息學(xué)習(xí)詞向量C.BERT的詞嵌入包含位置嵌入和段嵌入（SegmentEmbedding）D.詞嵌入的維度通常遠(yuǎn)小于詞匯表大小，以降低維度災(zāi)難答案：A解析：CBOW模型是通過上下文詞預(yù)測(cè)中心詞，Skip-gram是通過中心詞預(yù)測(cè)上下文詞，故A錯(cuò)誤。）二、填空題（每題3分，共15分）1.在深度學(xué)習(xí)中，ReLU激活函數(shù)的數(shù)學(xué)表達(dá)式為________，其優(yōu)點(diǎn)是________（至少答兩點(diǎn)）。答案：max(0,x)；緩解梯度消失、計(jì)算效率高、引入稀疏性2.梯度下降優(yōu)化算法中，Adam優(yōu)化器的參數(shù)更新公式結(jié)合了________和________（填寫兩種動(dòng)量估計(jì)方法），其默認(rèn)的β?和β?超參數(shù)分別為________。答案：動(dòng)量（Momentum）、RMSProp；0.9、0.9993.在目標(biāo)檢測(cè)任務(wù)中，YOLOv8模型的輸出通常包含________（每個(gè)預(yù)測(cè)框需預(yù)測(cè)的信息），其損失函數(shù)一般由________、________和分類損失三部分組成。答案：邊界框坐標(biāo)（x,y,w,h）、目標(biāo)置信度、類別概率；定位損失（如CIoU）、目標(biāo)置信度損失4.生成對(duì)抗網(wǎng)絡(luò)（GAN）中，生成器（Generator）的目標(biāo)是________，判別器（Discriminator）的目標(biāo)是________。訓(xùn)練時(shí)需交替優(yōu)化兩者的參數(shù)，最終達(dá)到________狀態(tài)。答案：生成與真實(shí)數(shù)據(jù)分布一致的樣本；區(qū)分真實(shí)樣本與生成樣本；納什均衡5.在多模態(tài)學(xué)習(xí)中，文本-圖像對(duì)齊（Text-ImageAlignment）的常見方法包括________（如CLIP模型）和________（如Fusion模型），其核心目標(biāo)是________。答案：對(duì)比學(xué)習(xí)（ContrastiveLearning）、交叉模態(tài)融合（Cross-modalFusion）；學(xué)習(xí)跨模態(tài)的統(tǒng)一語義表示三、編程題（共40分）題目：基于PyTorch實(shí)現(xiàn)圖像分類模型訓(xùn)練與評(píng)估任務(wù)描述：使用CIFAR-10數(shù)據(jù)集（10類，32×32×3圖像），構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN），要求包含以下模塊：-數(shù)據(jù)預(yù)處理：隨機(jī)水平翻轉(zhuǎn)、隨機(jī)裁剪（保留80%區(qū)域）、歸一化（均值[0.4914,0.4822,0.4465]，標(biāo)準(zhǔn)差[0.2023,0.1994,0.2010]）-模型結(jié)構(gòu)：輸入→卷積層（3→32，核3×3，填充1）→ReLU→最大池化（2×2，步長2）→卷積層（32→64，核3×3，填充1）→ReLU→最大池化（2×2，步長2）→全連接層（64×8×8→256）→ReLU→全連接層（256→10）-訓(xùn)練配置：優(yōu)化器為Adam（學(xué)習(xí)率1e-3），損失函數(shù)為交叉熵，訓(xùn)練10輪（epoch），批量大小（batchsize）為128-評(píng)估指標(biāo)：輸出測(cè)試集的準(zhǔn)確率（Accuracy）和混淆矩陣要求：寫出完整的PyTorch代碼（需包含數(shù)據(jù)加載、模型定義、訓(xùn)練循環(huán)、評(píng)估過程），并添加必要注釋。答案：```pythonimporttorchimporttorch.nnasnnimporttorch.optimasoptimfromtorch.utils.dataimportDataLoaderfromtorchvisionimportdatasets,transformsfromtorchvision.utilsimportmake_gridimportmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.metricsimportconfusion_matrix,ConfusionMatrixDisplay數(shù)據(jù)預(yù)處理與加載transform_train=transforms.Compose([transforms.RandomHorizontalFlip(),隨機(jī)水平翻轉(zhuǎn)transforms.RandomCrop(32,padding=4),隨機(jī)裁剪（原尺寸32，padding=4，裁剪后保留80%即26→32？需調(diào)整參數(shù)。實(shí)際CIFAR-10常用RandomCrop(32,padding=4)，即先填充4像素，再隨機(jī)裁剪32×32，等效于保留原區(qū)域的(32-8)/32=75%，但題目要求保留80%即32×0.8=25.6≈26，故調(diào)整為padding=(32-26)//2=3）修正：題目要求“保留80%區(qū)域”，原圖像32×32，80%區(qū)域?yàn)?6×26（32×0.8≈25.6），因此RandomCrop(26)后resize到32？更合理的實(shí)現(xiàn)：transforms.RandomResizedCrop(32,scale=(0.8,1.0))隨機(jī)裁剪并resize到32，scale=0.8-1.0保留80%以上區(qū)域transforms.RandomResizedCrop(32,scale=(0.8,1.0)),修正后的數(shù)據(jù)增強(qiáng)transforms.ToTensor(),transforms.Normalize(mean=[0.4914,0.4822,0.4465],std=[0.2023,0.1994,0.2010])])transform_test=transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=[0.4914,0.4822,0.4465],std=[0.2023,0.1994,0.2010])])加載數(shù)據(jù)集train_dataset=datasets.CIFAR10(root='./data',train=True,download=True,transform=transform_train)test_dataset=datasets.CIFAR10(root='./data',train=False,download=True,transform=transform_test)train_loader=DataLoader(train_dataset,batch_size=128,shuffle=True,num_workers=4)test_loader=DataLoader(test_dataset,batch_size=128,shuffle=False,num_workers=4)定義CNN模型classCIFAR10_CNN(nn.Module):def__init__(self):super(CIFAR10_CNN,self).__init__()卷積層1：3→32，核3×3，填充1→輸出尺寸：(32-3+2×1)/1+1=32→池化后32/2=16self.conv1=nn.Conv2d(3,32,kernel_size=3,padding=1)self.relu1=nn.ReLU()self.pool1=nn.MaxPool2d(kernel_size=2,stride=2)輸出16×16×32卷積層2：32→64，核3×3，填充1→輸出尺寸16×16×64→池化后8×8×64self.conv2=nn.Conv2d(32,64,kernel_size=3,padding=1)self.relu2=nn.ReLU()self.pool2=nn.MaxPool2d(kernel_size=2,stride=2)輸出8×8×64全連接層self.fc1=nn.Linear(6488,256)64通道×8×8尺寸self.relu3=nn.ReLU()self.fc2=nn.Linear(256,10)10類輸出defforward(self,x):x=self.conv1(x)(batch,3,32,32)→(batch,32,32,32)x=self.relu1(x)x=self.pool1(x)→(batch,32,16,16)x=self.conv2(x)→(batch,64,16,16)x=self.relu2(x)x=self.pool2(x)→(batch,64,8,8)x=x.view(x.size(0),-1)展平為(batch,64×8×8)x=self.fc1(x)→(batch,256)x=self.relu3(x)x=self.fc2(x)→(batch,10)returnx初始化模型、損失函數(shù)和優(yōu)化器device=torch.device('cuda'iftorch.cuda.is_available()else'cpu')model=CIFAR10_CNN().to(device)criterion=nn.CrossEntropyLoss()optimizer=optim.Adam(model.parameters(),lr=1e-3)訓(xùn)練循環(huán)num_epochs=10forepochinrange(num_epochs):model.train()running_loss=0.0forbatch_idx,(images,labels)inenumerate(train_loader):images,labels=images.to(device),labels.to(device)前向傳播outputs=model(images)loss=criterion(outputs,labels)反向傳播與優(yōu)化optimizer.zero_grad()loss.backward()optimizer.step()running_loss+=loss.item()if(batch_idx+1)%100==0:print(f'Epoch[{epoch+1}/{num_epochs}],Batch[{batch_idx+1}/{len(train_loader)}],Loss:{running_loss/100:.4f}')running_loss=0.0評(píng)估測(cè)試集準(zhǔn)確率和混淆矩陣model.eval()correct=0total=0all_labels=[]all_preds=[]withtorch.no_grad():forimages,labelsintest_loader:images,labels=images.to(device),labels.to(device)outputs=model(images)_,predicted=torch.max(outputs.data,1)total+=labels.size(0)correct+=(predicted==labels).sum().item()all_labels.extend(labels.cpu().numpy())all_preds.extend(predicted.cpu().numpy())accuracy=100correct/totalprint(f'TestAccuracy:{accuracy:.2f}%')繪制混淆矩陣cm=confusion_matrix(all_labels,all_preds)classes=train_dataset.classesdisp=ConfusionMatrixDisplay(confusion_matrix=cm,display_labels=classes)disp.plot(xticks_rotation='vertical')plt.title('ConfusionMatrixonCIFAR-10TestSet')plt.show()```四、綜合題（共25分）題目：多模態(tài)情感分析模型設(shè)計(jì)任務(wù)描述：設(shè)計(jì)一個(gè)基于文本和圖像的多模態(tài)情感分析模型（情感類別：積極、消極、中性），要求：1.分別說明文本和圖像的特征提取模塊（需具體到模型結(jié)構(gòu)或預(yù)訓(xùn)練模型）；2.設(shè)計(jì)多模態(tài)融合策略（至少兩種方法），并分析各自優(yōu)缺點(diǎn)；3.定義損失函數(shù)（需考慮多模態(tài)信息的互補(bǔ)性）；4.提出模型優(yōu)化的改進(jìn)方向（至少三點(diǎn)）。答案：1.文本與圖像特征提取模塊設(shè)計(jì)-文本特征提?。翰捎肂ERT-base預(yù)訓(xùn)練模型作為文本編碼器。輸入文本經(jīng)分詞后轉(zhuǎn)換為tokenIDs，通過BERT的12層Transformer編碼器提取上下文特征，取[CLS]標(biāo)記的輸出作為文本全局表示（維度768）。選擇BERT的原因是其在長文本語義理解中表現(xiàn)優(yōu)異，且支持中文（若任務(wù)為中文可換用RoBERTa-wwm）。-圖像特征提取：采用ResNet-50預(yù)訓(xùn)練模型（在ImageNet上預(yù)訓(xùn)練）作為圖像編碼器。輸入圖像經(jīng)預(yù)處理（resize到224×224，歸一化）后，通過ResNet-50的卷積層提取特征，取最后一個(gè)全連接層前的平均池化輸出（維度2048）作為圖像全局表示。ResNet-50的殘差結(jié)構(gòu)能有效捕捉圖像局部細(xì)節(jié)（如表情、場(chǎng)景），適合情感分析中的視覺線索提?。ㄈ缧δ槨e極）。2.多模態(tài)融合策略及優(yōu)缺點(diǎn)-早期融合（EarlyFusion）：將文本和圖像的原始數(shù)據(jù)（如文本token嵌入和圖像像素矩陣）直接拼接后輸入融合模型。例如，將文本的詞嵌入（32×768）與圖像的像素矩陣（224×224×3）拼接為（32×768+224×224×3）的高維張量，再通過MLP降維。-優(yōu)點(diǎn)：保留原始模態(tài)的細(xì)粒度信息，可能捕捉跨模態(tài)局部關(guān)聯(lián)（如文本中的“笑臉”與圖像中的笑臉區(qū)域?qū)?yīng)）；-缺點(diǎn)：數(shù)據(jù)維度極高（如224×224×3≈15萬維），計(jì)算成本大，易導(dǎo)致梯度消失。-晚期融合（LateFusion）：分別提取文本和圖像的全局特征（如BERT的[CLS]向量和ResNet的池化向量），再通過門控機(jī)制（GatedFusion）或注意力機(jī)制融合。例如，文本特征h_text（768維）和圖像特征h_img（2048維）先通過線性層投影到相同維度（如512維），再計(jì)算門控權(quán)重g=σ(W_g[h_text;h_img]+b_g)，最終融合特征h_fusion=gh_text+(1-g)h_img。-優(yōu)點(diǎn)：降低計(jì)算復(fù)雜度，保留各模態(tài)獨(dú)立語義；門控機(jī)制可動(dòng)態(tài)調(diào)整模態(tài)權(quán)重（如文本情感明確時(shí)降低圖像權(quán)重）；-缺點(diǎn)：丟失模態(tài)內(nèi)局部信息，可能忽略跨模態(tài)細(xì)粒度對(duì)齊（如文本“悲傷”與圖像中的哭泣表情未被關(guān)聯(lián)）。-交叉模態(tài)注意力融合（Cross-modalAttention）：使用Transformer的交叉注意力機(jī)制，將文本特征作為查詢（Q），圖像特征作為鍵（K）和值（V），計(jì)算文本對(duì)圖像的注意力分布；反之亦然。例如，圖像特征通過線性層生成K_img和V_img，文本特征生成Q_text，注意力輸出為Σ(α_iV_img_i)，其中α_i=softmax(Q_text·K_img_i/√d)。-優(yōu)點(diǎn)：顯式建模跨模態(tài)元素的關(guān)聯(lián)（如文本中的“紅色”與圖像中的紅色區(qū)域），增強(qiáng)融合的語義對(duì)齊；-缺點(diǎn)：計(jì)算復(fù)雜度為O(nm)（n、m為文本和圖像特征長度），長序列或高分辨率