2025年《人工智能導(dǎo)論》計算機專業(yè)模擬試題卷及答案一、單項選擇題（每題2分，共20分）1.在深度學(xué)習(xí)中，下列哪種技術(shù)最常用于緩解過擬合現(xiàn)象？A.增加網(wǎng)絡(luò)深度B.減小學(xué)習(xí)率C.DropoutD.使用ReLU激活函數(shù)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。增加深度可能加劇過擬合；減小學(xué)習(xí)率僅影響收斂速度；ReLU是激活函數(shù)，與過擬合無直接因果關(guān)系。2.若某卷積層輸入尺寸為32×32×3，采用64個5×5卷積核，步長為1，零填充為2，則輸出特征圖尺寸為：A.32×32×64B.28×28×64C.30×30×64D.34×34×64答案：A解析：輸出尺寸公式為(N?F+2P)/S+1，代入得(32?5+4)/1+1=32；通道數(shù)等于卷積核數(shù)量64，故為32×32×64。3.在強化學(xué)習(xí)中，Qlearning更新公式Q(s,a)←Q(s,a)+α[r+γmax_{a′}Q(s′,a′)?Q(s,a)]中的γ通常稱為：A.學(xué)習(xí)率B.折扣因子C.探索率D.獎勵衰減系數(shù)答案：B解析：γ∈[0,1]用于衡量未來獎勵的當(dāng)前價值，越大表示越重視長期回報，官方術(shù)語為“折扣因子”。4.下列關(guān)于Transformer自注意力機制的描述，錯誤的是：A.查詢向量Q與鍵向量K的點積決定權(quán)重B.縮放點積注意力需除以√d_kC.多頭注意力可并行計算不同子空間信息D.自注意力無法捕捉序列位置信息，因此無需位置編碼答案：D解析：自注意力本身對位置無感知，必須依賴位置編碼（正弦或?qū)W習(xí)式）注入順序信息，故D錯誤。5.在生成對抗網(wǎng)絡(luò)（GAN）訓(xùn)練中，若判別器D過快收斂到0或1，會導(dǎo)致生成器G梯度消失，此現(xiàn)象稱為：A.模式崩塌B.梯度爆炸C.飽和問題D.納什失衡答案：C解析：D輸出飽和后，G獲得的梯度?log(1?D(G(z)))趨近0，無法有效更新，稱為飽和問題；模式崩塌指G只生成單一模式。6.使用BERT進(jìn)行中文文本分類時，若標(biāo)簽空間為“體育、科技、財經(jīng)”，則最終輸出層通常采用：A.均方誤差損失B.交叉熵?fù)p失C.合頁損失D.負(fù)對數(shù)似然損失答案：B解析：多類分類任務(wù)使用Softmax+交叉熵?fù)p失，與負(fù)對數(shù)似然數(shù)學(xué)形式等價，但行業(yè)標(biāo)準(zhǔn)表述為交叉熵。7.在聯(lián)邦學(xué)習(xí)框架中，客戶端上傳本地模型參數(shù)至服務(wù)器，服務(wù)器執(zhí)行：A.平均聚合B.加權(quán)平均聚合C.FedAvg算法D.以上皆可答案：D解析：FedAvg即加權(quán)平均（按數(shù)據(jù)量加權(quán)），平均聚合是其特例，故D最全面。8.若某決策樹采用基尼系數(shù)作為劃分標(biāo)準(zhǔn)，則節(jié)點基尼系數(shù)越小表示：A.樣本量越少B.類別分布越均衡C.類別分布越純D.信息增益越大答案：C解析：基尼系數(shù)衡量不純度，越小越純；信息增益基于熵，與基尼無直接數(shù)值關(guān)系。9.在目標(biāo)檢測模型YOLOv5中，用于預(yù)測物體中心點坐標(biāo)的激活函數(shù)是：A.SigmoidB.ReLUC.TanhD.Linear答案：A解析：中心點偏移需歸一化到0~1，Sigmoid可將網(wǎng)絡(luò)輸出壓縮至該區(qū)間；寬高采用指數(shù)激活確保正值。10.下列關(guān)于圖神經(jīng)網(wǎng)絡(luò)（GNN）消息傳遞機制的描述，正確的是：A.節(jié)點特征僅在第一層傳遞B.邊特征無法參與聚合C.消息函數(shù)必須可微D.圖卷積網(wǎng)絡(luò)（GCN）采用均值聚合答案：C解析：消息傳遞需端到端訓(xùn)練，消息函數(shù)必須可微；GCN實際為歸一化加和，非簡單均值；邊特征可通過注意力權(quán)重等方式參與。二、多項選擇題（每題3分，共15分；多選少選均不得分）11.以下哪些技術(shù)可直接用于解決梯度消失問題？A.殘差連接B.LayerNormalizationC.L2正則化D.門控機制（如LSTM）答案：A、B、D解析：殘差連接提供恒等映射捷徑；LayerNorm穩(wěn)定前向分布；LSTM用門控保留長期信息；L2正則僅抑制權(quán)重幅度，不直接緩解梯度消失。12.關(guān)于VisionTransformer（ViT），下列說法正確的是：A.將圖像分塊后線性投影為tokenB.完全摒棄卷積操作C.在小型數(shù)據(jù)集上通常優(yōu)于CNND.需引入類別token（CLS）用于分類答案：A、B、D解析：ViT分塊+線性投影，無卷積；CLStoken聚合全局信息；小型數(shù)據(jù)易過擬合，需大量數(shù)據(jù)或蒸餾預(yù)訓(xùn)練，故C錯誤。13.以下屬于無監(jiān)督學(xué)習(xí)算法的是：A.kmeansB.DBSCANC.PCAD.Apriori答案：A、B、C解析：Apriori為關(guān)聯(lián)規(guī)則算法，雖無標(biāo)簽但屬數(shù)據(jù)挖掘非機器學(xué)習(xí)主流分類；PCA降維、kmeans聚類、DBSCAN密度聚類均為無監(jiān)督。14.在模型壓縮技術(shù)中，哪些方法可能導(dǎo)致模型精度下降？A.知識蒸餾B.權(quán)重量化（INT8）C.通道剪枝D.權(quán)重共享答案：B、C、D解析：知識蒸餾通過教師指導(dǎo)學(xué)生，可保持甚至提升精度；量化、剪枝、共享均引入信息損失，可能下降。15.關(guān)于A搜索算法，下列描述正確的是：A.啟發(fā)函數(shù)h(n)可允許高估B.若h(n)≡0，則退化為DijkstraC.保證找到最優(yōu)解的條件是h(n)可采納D.時間復(fù)雜度與啟發(fā)函數(shù)質(zhì)量相關(guān)答案：B、C、D解析：A要求h(n)不高于真實代價（可采納），高估則失去最優(yōu)性；h=0時僅g(n)起作用即Dijkstra；好的啟發(fā)可大幅減少擴展節(jié)點。三、填空題（每空2分，共20分）16.在循環(huán)神經(jīng)網(wǎng)絡(luò)中，LSTM通過________門控制前一時刻細(xì)胞狀態(tài)的遺忘程度，通過________門決定當(dāng)前候選信息的更新比例。答案：遺忘（forget）、輸入（input）解析：ft=σ(Wf·[ht?1,xt]+bf)控制遺忘；it=σ(Wi·[ht?1,xt]+bi)控制更新。17.若某卷積層采用深度可分離卷積（DepthwiseSeparableConvolution），則其計算量約為標(biāo)準(zhǔn)卷積的________分之一。答案：1/(N+1/κ^2)，其中N為輸出通道數(shù)，κ為核尺寸；近似答“8～9”亦可。解析：深度卷積計算量DK·DK·M·DF·DF，點卷積1×1×M·N·DF·DF，總和≈標(biāo)準(zhǔn)卷積的1/N+1/DK^2，MobileNetv1中DK=3，N=512時約1/9。18.Transformer中，縮放點積注意力的輸出維度與________向量的維度相同。答案：Value解析：Attention(Q,K,V)=softmax(QK^T/√d_k)V，輸出維度由V的列數(shù)決定。19.在聯(lián)邦學(xué)習(xí)場景下，若某客戶端數(shù)據(jù)NonIID且采用FedProx算法，則其目標(biāo)函數(shù)需增加________正則項，以限制本地模型與全局模型的________差異。答案：L2、參數(shù)解析：FedProx在本地?fù)p失后加(μ/2)||w?w_global||^2，抑制偏離。20.若使用F1score評估二分類模型，當(dāng)精確率P=0.8，召回率R=0.5時，F(xiàn)1=________。答案：0.615（保留三位小數(shù)）解析：F1=2PR/(P+R)=2×0.8×0.5/1.3≈0.615。21.在深度強化學(xué)習(xí)算法DDPG中，策略網(wǎng)絡(luò)被稱為________網(wǎng)絡(luò)，價值網(wǎng)絡(luò)被稱為________網(wǎng)絡(luò)。答案：Actor、Critic解析：Actor輸出確定性動作，Critic評估Q值。22.若某GAN采用Wasserstein損失，則判別器最后一層需去掉________激活函數(shù)，以輸出實數(shù)值。答案：Sigmoid解析：WGAN判別器擬合Wasserstein距離，需無界輸出，故去Sigmoid。23.在知識圖譜嵌入模型TransE中，關(guān)系r被視為頭實體h到尾實體t的________向量，得分函數(shù)為________。答案：平移、h+r≈t（或||h+r?t||）解析：TransE假設(shè)h+r≈t，得分||h+r?t||_L1/L2越小越合理。24.若使用混合精度訓(xùn)練（FP16+FP32），需動態(tài)調(diào)整損失縮放比例以防止________下溢。答案：梯度解析：FP16表示范圍小，梯度易下溢，損失縮放可放大梯度回傳后再縮放。25.在AutoML框架中，________算法通過早期停止與架構(gòu)/超參數(shù)聯(lián)合優(yōu)化，可在有限GPU時間內(nèi)發(fā)現(xiàn)高效CNN結(jié)構(gòu)。答案：EfficientNeuralArchitectureSearch（ENAS）解析：ENAS采用參數(shù)共享與控制器RNN，顯著降低搜索成本。四、判斷題（每題1分，共10分；正確打“√”，錯誤打“×”）26.梯度下降法在凸優(yōu)化問題上保證收斂到全局最優(yōu)。答案：√解析：凸函數(shù)無局部極小，梯度下降滿足條件下必達(dá)全局最優(yōu)。27.使用ReLU激活的深層網(wǎng)絡(luò)一定不會出現(xiàn)梯度消失。答案：×解析：ReLU在負(fù)半軸梯度為0，若初始化不當(dāng)導(dǎo)致大量神經(jīng)元死亡，仍會出現(xiàn)有效梯度消失。28.在BERT預(yù)訓(xùn)練中，MaskedLM任務(wù)隨機遮蔽15%的token，其中80%用[MASK]、10%用隨機token、10%不變。答案：√解析：為緩解預(yù)訓(xùn)練與微調(diào)不一致，采用該混合策略。29.kmeans算法對初始聚類中心敏感，可能陷入局部最優(yōu)。答案：√解析：kmeans目標(biāo)函數(shù)非凸，不同初始化得不同結(jié)果，常用kmeans++改進(jìn)。30.圖卷積網(wǎng)絡(luò)（GCN）中，鄰接矩陣自環(huán)（selfloop）的引入可降低節(jié)點自身特征在聚合時被稀釋的問題。答案：√解析：自環(huán)使節(jié)點自身特征保留，聚合時權(quán)重歸一化更穩(wěn)定。31.在目標(biāo)檢測評估中，mAP@0.5表示IoU閾值為0.5時的平均精確率，數(shù)值越高模型定位越準(zhǔn)確。答案：√解析：mAP@0.5僅考慮IoU≥0.5的預(yù)測，閾值固定，越高說明定位越準(zhǔn)。32.使用批量歸一化（BN）后，可完全取消Dropout而不會過擬合。答案：×解析：BN有一定正則效果，但無法完全替代Dropout，復(fù)雜網(wǎng)絡(luò)仍需額外正則。33.在強化學(xué)習(xí)中，策略梯度方法可直接優(yōu)化隨機策略，適用于連續(xù)動作空間。答案：√解析：REINFORCE、PPO等策略梯度天然支持連續(xù)動作，無需離散化。34.模型剪枝中的“權(quán)重剪枝”與“結(jié)構(gòu)化剪枝”在硬件加速方面效果等效。答案：×解析：權(quán)重剪枝產(chǎn)生稀疏矩陣，需專用稀疏庫；結(jié)構(gòu)化剪枝直接刪除通道/濾波器，適配常規(guī)BLAS庫，加速更易。35.在VisionTransformer中，位置編碼采用二維正弦函數(shù)可更好保持圖像空間結(jié)構(gòu)。答案：√解析：相對一維，二維正弦編碼保留xy位置關(guān)系，提升檢測分割任務(wù)性能。五、簡答題（每題8分，共24分）36.闡述BatchNormalization與LayerNormalization在計算維度上的差異，并說明為何Transformer選用后者。答案：(1)BN沿批量維度（N）計算均值方差，即對同一通道不同樣本歸一化；LN沿特征維度（C）計算，即對同一樣本不同特征歸一化。(2)Transformer輸入為變長序列，批量維度可能為1（推理），BN統(tǒng)計量不穩(wěn)定；此外，序列不同位置語義差異大，LN能針對單個樣本內(nèi)部特征做歸一化，更穩(wěn)定。(3)LN無批量依賴，適合在線學(xué)習(xí)與聯(lián)邦場景；實驗表明LN在文本任務(wù)收斂更快，精度更高。37.描述DDPG算法中經(jīng)驗回放（ExperienceReplay）與目標(biāo)網(wǎng)絡(luò)（TargetNetwork）的作用，并指出若移除二者之一會帶來何種影響。答案：經(jīng)驗回放：存儲(s,a,r,s′)四元組并隨機采樣，打破序列相關(guān)性，穩(wěn)定訓(xùn)練，避免catastrophicforgetting。目標(biāo)網(wǎng)絡(luò)：延遲更新參數(shù)（軟更新τ?1），提供相對穩(wěn)定的目標(biāo)Q值，防止振蕩。若移除經(jīng)驗回放：樣本高度相關(guān)，訓(xùn)練方差大，Q網(wǎng)絡(luò)發(fā)散，難以收斂。若移除目標(biāo)網(wǎng)絡(luò)：每次迭代目標(biāo)Q值隨Critic變化，形成“移動靶”，Q估計過度樂觀，策略梯度噪聲大，訓(xùn)練不穩(wěn)定甚至發(fā)散。38.解釋“模式崩塌（ModeCollapse）”在GAN中的表現(xiàn)形式，并列舉兩種緩解方法及原理。答案：表現(xiàn)形式：生成器G只輸出少數(shù)或單一模式，多樣性喪失，例如MNIST僅生成數(shù)字“1”，盡管真實數(shù)據(jù)含0–9。緩解方法：(1)minibatchdiscrimination：判別器D額外輸入樣本與批次內(nèi)其他樣本的相似度特征，迫使G生成彼此差異大的樣本。(2)WGANGP：用Wasserstein距離替代JS散度，并添加梯度懲罰，使D提供光滑梯度，G獲得有效信號覆蓋全模式。原理：前者增加多樣性約束；后者改善目標(biāo)函數(shù)形狀，避免梯度消失與飽和。六、計算與推導(dǎo)題（共31分）39.（10分）給定一個全連接層，輸入x∈?^d，權(quán)重W∈?^{k×d}，偏置b∈?^k，激活函數(shù)為ReLU。(1)寫出前向傳播公式y(tǒng)=ReLU(Wx+b)；(2)設(shè)損失L對y的梯度為g=?L/?y∈?^k，推導(dǎo)?L/?W；(3)若d=512，k=1024，批量大小N=64，計算一次反向傳播中W的梯度存儲所需顯存（字節(jié)），假設(shè)采用FP32。答案：(2)由鏈?zhǔn)椒▌t，?L/?W=g·x^T，其中g(shù)為k×1，x為d×1，結(jié)果?L/?W為k×d。(3)梯度張量尺寸與W相同，即1024×512×4B=2097152B≈2MB。40.（10分）考慮一個二分類任務(wù)，正負(fù)樣本比為1:9，總樣本10000。模型預(yù)測結(jié)果如下：TP=800，F(xiàn)P=400，TN=8600，F(xiàn)N=200。(1)計算精確率P、召回率R、F1；(2)采用宏平均（Macroaverage）計算F1，并分析是否適合用準(zhǔn)確率評估。答案：(1)P=TP/(TP+FP)=800/1200=0.667；R=TP/(TP+FN)=800/1000=0.8；F1=2PR/(P+R)=0.727。(2)宏平均需分別計算正負(fù)類：正類：P_pos=0.667，R_pos=0.8，F(xiàn)1_pos=0.727；負(fù)類：P_neg=TN/(TN+FN)=8600/8800=0.977，R_neg=TN/(TN+FP)=8600/9000=0.956，F(xiàn)1_neg=0.966；MacroF1=(0.727+0.966)/2=0.847。準(zhǔn)確率Acc=(800+8600)/10000=0.94，雖高但掩蓋正類識別不足，樣本不平衡時應(yīng)采用F1或AUC。41.（11分）給定一個簡化的Transformer塊，含一個多頭注意力子層和一個前饋子層，均采用殘差連接與LayerNorm。設(shè)輸入序列長度L=100，隱層d=512，注意力頭數(shù)h=8，前饋中間維度4d=2048。(1)計算一次前向傳播中，多頭注意力部分的浮點乘法次數(shù)；(2)若使用混合精度（FP16計算、FP32主副本），理論上峰值顯存節(jié)省比例是多少？（忽略激活重計算與臨時緩存）答案：(1)Q,K,V投影：3·L·d·d=3×100×512×512=78643200；注意力權(quán)重：QK^T為L×d·d×L→100×512·512×100，但可拆分為h=8頭，每頭d_k=64，實際計算量8·(100×64)·(64×100)=8×100×64×100=5120000；加權(quán)求和：權(quán)重·V為8·(100×100)·(100×64)=8×100×100×64=5120000；輸出投影：L·d·d=100×512×512=26214400；總計≈78.6M+5.1M+5.1M+26.2M=115M次乘法。(2)主副本顯存：參數(shù)+激活+梯度。參數(shù)部分：注意力4d^2+前饋8d^2=12×512^2≈3.15M參數(shù)，F(xiàn)P32占12.6MB；