2025全國大學生人工智能知識競賽題庫與答案一、單項選擇題（每題1分，共30分）1.在深度學習中，下列哪種激活函數(shù)在x=0處不可導？A.SigmoidB.TanhC.ReLUD.LeakyReLU答案：C解析：ReLU在x=0處左導數(shù)為0，右導數(shù)為1，導數(shù)不存在，故不可導；其余函數(shù)在0點均可導。2.若某卷積神經(jīng)網(wǎng)絡第一層使用32個5×5卷積核，輸入為RGB圖像224×224，則該層參數(shù)量（含偏置）為：A.2432B.2400C.768D.2430答案：A解析：參數(shù)量=卷積核寬×高×輸入通道×輸出通道+輸出通道=5×5×3×32+32=2432。3.在Transformer中，ScaledDotProductAttention的縮放因子為：A.√d_kB.d_kC.1/d_kD.1/√d_k答案：D解析：為防止點積過大，需除以√d_k，即縮放因子為1/√d_k。4.下列關于Bagging與Boosting的描述，正確的是：A.Bagging降低偏差，Boosting降低方差B.Bagging降低方差，Boosting降低偏差C.二者均主要降低方差D.二者均主要降低偏差答案：B解析：Bagging通過并行采樣降低方差；Boosting串行擬合殘差，降低偏差。5.在強化學習中，Qlearning更新公式Q(s,a)←Q(s,a)+α[r+γmax_a′Q(s′,a′)?Q(s,a)]中，max_a′Q(s′,a′)稱為：A.即時回報B.狀態(tài)值函數(shù)C.最優(yōu)動作值函數(shù)估計D.下一狀態(tài)的最大動作值估計答案：D解析：max_a′Q(s′,a′)代表下一狀態(tài)所有動作中的最大Q值，用于bootstrap。6.若某LSTM單元遺忘門輸出接近0，則上一時刻細胞狀態(tài)C_{t1}對當前C_t的影響為：A.完全保留B.完全遺忘C.部分保留D.指數(shù)級放大答案：B解析：遺忘門f_t≈0時，C_{t1}與C_t的乘積項f_t⊙C_{t1}≈0，信息被丟棄。7.在聯(lián)邦學習場景下，客戶端上傳的參數(shù)通常為：A.原始訓練數(shù)據(jù)B.模型權重梯度或權重本身C.損失函數(shù)值D.超參數(shù)配置答案：B解析：為保護隱私，僅上傳梯度或權重，不上傳原始數(shù)據(jù)。8.下列哪種方法最適合處理文本分類中的類別不平衡問題：A.增加Dropout率B.采用FocalLossC.減小學習率D.使用Word2Vec靜態(tài)向量答案：B解析：FocalLoss通過調(diào)制因子降低易分類樣本權重，緩解不平衡。9.在目標檢測中，YOLOv5使用的anchor匹配策略為：A.固定IoU閾值0.5B.自適應anchor與寬高比匹配C.僅匹配中心點最近gridD.不使用anchor答案：B解析：YOLOv5采用基于寬高比與anchor尺度的自適應匹配，提高召回。10.若某GAN的判別器損失突然降至接近0，而生成器損失居高不下，最可能的問題是：A.模式崩潰B.梯度消失C.判別器過強D.生成器過強答案：C解析：判別器過強導致生成器梯度信號微弱，無法有效更新。11.在知識蒸餾中，溫度參數(shù)T→∞時，軟標簽分布趨近于：A.均勻分布B.狄拉克δ分布C.原始邏輯值D.硬標簽答案：A解析：T越大，softmax輸出越平緩，極限為均勻分布。12.下列關于AutoML的描述，錯誤的是：A.NeuralArchitectureSearch屬于AutoML子領域B.AutoML可自動調(diào)優(yōu)超參數(shù)C.AutoML無需人工設定任何約束D.AutoML可降低專家門檻答案：C解析：實際應用中仍需人工設定搜索空間、資源限制等約束。13.在圖神經(jīng)網(wǎng)絡中，GCN的層間傳播公式H^{(l+1)}=σ(D?^{1/2}A?D?^{1/2}H^{(l)}W^{(l)})中，A?表示：A.原始鄰接矩陣B.加入自環(huán)的鄰接矩陣C.度矩陣D.拉普拉斯矩陣答案：B解析：A?=A+I，加入自環(huán)避免節(jié)點特征消失。14.若使用BERTbase模型，最大序列長度512，則其位置編碼維度為：A.512B.768C.1024D.30522答案：B解析：BERTbase隱藏維度768，位置編碼與隱藏維度一致。15.在模型壓縮技術中，權重共享屬于：A.量化B.剪枝C.參數(shù)共享D.低秩分解答案：C解析：權重共享通過共享參數(shù)值減少存儲，典型如ALBERT。16.下列哪種優(yōu)化器自帶學習率預熱（warmup）機制：A.SGDB.AdaGradC.AdamWD.RMSprop答案：C解析：Transformer訓練常采用AdamW+線性預熱。17.在FewShotLearning中，PrototypicalNetworks采用的距離度量為：A.余弦距離B.歐氏距離C.曼哈頓距離D.馬氏距離答案：B解析：原型網(wǎng)絡在嵌入空間使用歐氏距離計算類別原型。18.若某模型在ImageNet上Top1準確率為76.3%，使用CutMix數(shù)據(jù)增強后提升至77.6%，其主要原因是：A.增加模型容量B.提升正則化效果C.減少訓練時間D.降低內(nèi)存占用答案：B解析：CutMix通過區(qū)域混合產(chǎn)生更復雜樣本，增強泛化。19.在語音識別中，CTC損失函數(shù)允許的對齊方式為：A.單調(diào)對齊B.非單調(diào)對齊C.僅1:1對齊D.強制幀級對齊答案：A解析：CTC允許重復與空白，但保持輸入輸出單調(diào)。20.下列關于AlphaFold2的描述，正確的是：A.僅使用CNN提取特征B.引入Attention機制進行序列結(jié)構對齊C.不依賴多序列比對D.輸出為蛋白質(zhì)二級結(jié)構答案：B解析：AlphaFold2使用Evoformer模塊，利用Attention處理MSA與配對表示。21.在自動駕駛感知中，LiDAR點云常用的體素化尺寸為：A.0.01mB.0.05mC.0.2mD.1.0m答案：B解析：KITTI常見設置0.05m，平衡精度與計算量。22.若某深度網(wǎng)絡使用GroupNorm，當batchsize=1時，其表現(xiàn)：A.失效B.與batchsize無關C.比BatchNorm更差D.需同步統(tǒng)計答案：B解析：GroupNorm沿通道分組歸一化，不依賴batch維度。23.在元學習中，MAML的目標函數(shù)為：A.最小化任務特定損失B.最小化元測試損失C.找到對任務分布敏感的初始化D.最大化梯度范數(shù)答案：C解析：MAML優(yōu)化初始化θ，使其經(jīng)少量梯度步即可適應新任務。24.下列關于DiffusionModel的描述，錯誤的是：A.前向過程為馬爾可夫加噪B.反向過程通過神經(jīng)網(wǎng)絡去噪C.訓練目標為預測原始圖像D.采樣需多步迭代答案：C解析：訓練目標為預測噪聲ε_θ(x_t,t)，而非直接預測x_0。25.在推薦系統(tǒng)冷啟動場景下，最有效的策略為：A.增加隱藏層B.引入內(nèi)容特征與知識圖譜C.提高學習率D.使用更深網(wǎng)絡答案：B解析：內(nèi)容特征與知識圖譜提供額外信息，緩解數(shù)據(jù)稀疏。26.若使用混合精度訓練，LossScaling的主要作用是：A.加速收斂B.防止梯度下溢C.減少顯存D.提高精度答案：B解析：fp16下梯度易下溢，放大損失可保持有效位。27.在模型可解釋性中，IntegratedGradients需滿足公理不包括：A.敏感性B.實現(xiàn)不變性C.線性性D.對稱性答案：D解析：IG滿足敏感性、實現(xiàn)不變性、線性性，無需對稱性。28.下列關于VisionTransformer（ViT）的描述，正確的是：A.僅在小數(shù)據(jù)集有效B.需大規(guī)模預訓練C.不使用位置編碼D.局部感受野固定答案：B解析：ViT依賴大規(guī)模數(shù)據(jù)，否則性能不如CNN。29.在邊緣部署中，TensorRT對模型加速主要手段為：A.增加batchB.算子融合與精度校準C.動態(tài)剪枝D.數(shù)據(jù)并行答案：B解析：TensorRT通過融合層與fp16/int8量化加速。30.若某模型采用StochasticDepth，其隨機失活單元服從：A.伯努利分布B.高斯分布C.均勻分布D.泊松分布答案：A解析：StochasticDepth以概率p丟棄殘差分支，服從伯努利。二、多項選擇題（每題2分，共20分）31.下列哪些技術可有效緩解Transformer在長序列上的O(n2)復雜度：A.LinformerB.PerformerC.SparseTransformerD.ALiBi位置編碼答案：A、B、C解析：Linformer投影維度、Performer線性注意力、Sparse稀疏矩陣均降低復雜度；ALiBi僅改進外推，不降低復雜度。32.關于BERT預訓練任務，正確的有：A.MLM隨機遮蓋15%tokenB.NSP判斷句子順序C.MLM使用[MASK]替換100%選中tokenD.使用WordPiece分詞答案：A、B、D解析：15%遮蓋中僅80%用[MASK]，10%隨機token，10%不變。33.以下屬于無監(jiān)督圖表示學習的方法：A.DeepWalkB.Node2VecC.GCN半監(jiān)督節(jié)點分類D.GraphSAGE無監(jiān)督采樣答案：A、B、D解析：GCN需標簽，屬于半監(jiān)督；其余可完全無監(jiān)督。34.在模型攻防中，以下哪些屬于白盒攻擊：A.FGSMB.PGDC.C&WD.ZOO答案：A、B、C解析：ZOO僅依賴查詢，為黑盒；其余需梯度，白盒。35.下列關于NeRF（NeuralRadianceFields）的描述，正確的有：A.輸入為3D坐標與視角方向B.輸出為顏色與體積密度C.使用體渲染積分D.訓練需多視角圖像答案：A、B、C、D解析：NeRF通過體渲染擬合場景，需多視角監(jiān)督。36.以下哪些操作會導致模型出現(xiàn)“梯度爆炸”：A.使用tanh反復堆疊100層B.初始化權重×10C.使用LayerNormD.使用ReLU且學習率過大答案：A、B、D解析：LayerNorm緩解梯度爆炸，不導致。37.在聯(lián)邦學習中，以下哪些攻擊可竊取訓練數(shù)據(jù)：A.模型逆向攻擊B.成員推理攻擊C.梯度泄露攻擊D.拜占庭攻擊答案：A、C解析：成員推理僅推斷是否參與，不直接竊取數(shù)據(jù)；拜占庭破壞模型。38.下列屬于自監(jiān)督視覺預訓練任務：A.SimCLRB.MoCov3C.BYOLD.MaskedAutoencoder（MAE）答案：A、B、C、D解析：均為對比或掩碼自監(jiān)督方法。39.關于GPT系列模型，正確的有：A.使用因果掩碼B.預訓練目標為語言建模C.采用EncoderDecoder架構D.使用LayerNorm后置答案：A、B、D解析：GPT僅Decoder，無Encoder。40.在模型部署階段，以下哪些指標需同時考慮：A.延遲B.吞吐量C.功耗D.參數(shù)量答案：A、B、C、D解析：邊緣場景需綜合權衡。三、判斷題（每題1分，共10分）41.BatchNorm在batchsize=2時一定比LayerNorm表現(xiàn)差。答案：錯誤解析：小batch下BN估計不準，但非絕對更差，取決于任務。42.使用混合精度訓練時，所有參數(shù)必須存儲為FP16。答案：錯誤解析：主權重常保持FP32，避免精度損失。43.在ViT中，位置編碼可采用二維插補以支持變長輸入。答案：正確解析：通過二維插值擴展位置嵌入，實現(xiàn)可變分辨率。44.知識蒸餾中，教師模型輸出軟標簽的熵越高，學生模型收益越大。答案：錯誤解析：過高熵接近均勻，信息量減少，收益下降。45.強化學習策略梯度定理REINFORCE無需基線即可收斂。答案：正確解析：無需基線亦可收斂，但方差大。46.在圖神經(jīng)網(wǎng)絡中，過度深會導致節(jié)點表示過度平滑。答案：正確解析：多層GCN使節(jié)點表示趨同，性能下降。47.使用Dropout時，測試階段需對權重按比例縮放。答案：正確解析：PyTorch默認在訓練時縮放，測試不縮放；TensorFlow反之。48.在DiffusionModel采樣中，DDIM可加速生成且保持質(zhì)量。答案：正確解析：DDIM通過非馬爾可夫過程減少步數(shù)。49.聯(lián)邦平均（FedAvg）算法在數(shù)據(jù)非獨立同分布下必然發(fā)散。答案：錯誤解析：可能收斂但速度減慢，非必然發(fā)散。50.使用AutoAugment時，策略對ImageNet與CIFAR10可完全復用。答案：錯誤解析：不同數(shù)據(jù)集最優(yōu)策略不同，需搜索。四、填空題（每題2分，共20分）51.在Transformer中，MultiHeadAttention的head數(shù)h=8，隱藏維度d_model=512，則每個head的維度為______。答案：64解析：d_k=d_model/h=512/8=64。52.若使用FocalLoss，類別權重α=0.25，調(diào)制因子γ=2，則易分類樣本（p=0.9）的權重縮放為______。答案：0.0025解析：(1p)^γ=0.12=0.01，再乘α=0.25，得0.0025。53.在YOLOv3中，anchor總數(shù)為______。答案：9解析：3尺度×3anchor=9。54.若某模型參數(shù)量為25M，使用INT8量化后，理論存儲大小為______MB。答案：25解析：INT8占1字節(jié)，25M參數(shù)≈25MB。55.在BERTbase中，層數(shù)L=12，隱藏維度H=768，自注意力頭數(shù)A=12，則總參數(shù)量約為______M（僅含Transformer主體，不含嵌入）。答案：85解析：約12×(4H2+2H×4H)=85M。56.使用ResNet50，輸入224×224，則最后一個卷積層輸出特征圖尺寸為______。答案：7×7解析：224/32=7。57.在DDPM中，前向過程T=1000，則采樣步數(shù)通常為______。答案：1000解析：標準DDPM需1000步，DDIM可縮減。58.若使用混合精度，動態(tài)LossScaling的初始值常設為______。答案：65536解析：2^16=65536，常見初始值。59.在聯(lián)邦學習中，客戶端本地epoch過多可能導致______現(xiàn)象。答案：客戶端漂移（drift）解析：本地過擬合全局分布外數(shù)據(jù)，導致漂移。60.在VisionTransformer中，PatchSize=16，輸入224×224，則序列長度為______。答案：197解析：(224/16)2+1=142+1=197（含CLS）。五、簡答題（每題10分，共30分）61.描述MaskedAutoencoder（MAE）的核心思想，并說明其為何能高效預訓練。答案：MAE采用非對稱EncoderDecoder架構，輸入圖像按75%高比例隨機掩碼patch，Encoder僅對可見patch編碼，輕量Decoder重建原始像素。掩碼比例高→冗余信息少，任務難度提升，迫使模型學習高級語義；同時Encoder處理少量token，計算量大幅下降，顯存節(jié)省3倍以上。實驗表明，高掩碼比+非對稱設計使MAE在ImageNet1K線性探測達67.8%，優(yōu)于MoCov3，且訓練速度提升約3.5倍。62.解釋梯度泄露攻擊（GradientLeakageAttack）原理，并給出兩種防御策略。答案：攻擊者通過共享梯度反推原始數(shù)據(jù)。以圖像分類為例，梯度w.r.t.輸入圖像?_xL與圖像x存在線性關系，攻擊者構造與模型結(jié)構一致的虛擬標簽，最小化虛擬梯度與共享梯度差異，迭代優(yōu)化虛擬圖像，最終還原原始輸入。防御：1.梯度壓縮/量化，將梯度截斷至1bit符號，信息損失大，降低攻擊精度；2.差分隱私，添加高斯噪聲，使梯度滿足(ε,δ)DP，理論保證隱私，但需權衡精度。63.對比SimCLR與MoCov3在視覺自監(jiān)督中的異同，并分析MoCov3為何引入“stopgradient”機制。答案：相同：均基于對比學習，使用InfoNCE損失，依賴數(shù)據(jù)增強。差異：SimCLR采用大batch（4096）與端到端更新；MoCov3使用動量編碼器+隊列字典，batchsize可小，字典一致性更好。MoCov3在ViTbackbone上出現(xiàn)訓練崩潰，表現(xiàn)為梯度突變、準確率驟降。stopgradient阻斷編碼器梯度回傳，防止快速變化導致字典一致性破壞，使訓練穩(wěn)定，最終線性探