2025年人工智能笔试题及答案.docxVIP

2025年人工智能笔试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪种机器学习算法属于无监督学习？

A.逻辑回归

B.K-means聚类

C.支持向量机（SVM）

D.随机森林

答案：B

解析：无监督学习不依赖标签数据，K-means通过数据点间的距离自动聚类，属于无监督；其余选项均需标签训练，为监督学习。

2.在深度学习中，若某层输出梯度在反向传播时趋近于0，可能的原因是？

A.使用ReLU激活函数

B.使用Sigmoid激活函数且输入值过大

C.学习率设置过高

D.批量归一化（BatchNorm）层被移除

答案：B

解析：Sigmoid的导数在输入绝对值较大时趋近于0（梯度消失），ReLU在输入为正时梯度恒为1，可缓解此问题；学习率过高会导致梯度爆炸或震荡；BatchNorm主要解决内部协变量偏移，与梯度消失无直接关联。

3.以下哪项不是Transformer模型中注意力机制（Attention）的核心计算步骤？

A.计算查询（Query）与键（Key）的相似度

B.对相似度矩阵进行Softmax归一化

C.将值（Value）与归一化后的相似度加权求和

D.对输入序列进行位置编码

答案：D

解析：位置编码是为弥补Transformer缺乏序列位置信息的补充操作，并非注意力机制本身的计算步骤；A、B、C是注意力计算的标准流程（Attention(Q,K,V)=Softmax(QK?/√d_k)V）。

4.训练一个图像分类模型时，若验证集准确率远低于训练集，但测试集准确率与验证集接近，最可能的问题是？

A.数据泄露

B.过拟合

C.欠拟合

D.标签噪声

答案：B

解析：训练集与验证集的性能差距大（高训练准确率+低验证准确率）是典型过拟合表现；数据泄露会导致验证/测试集准确率异常高；欠拟合时训练集准确率本身较低；标签噪声会同时影响训练和验证效果。

5.以下哪项是大语言模型（如GPT-4）训练中常用的优化策略？

A.固定学习率从头训练至收敛

B.仅使用单卡单GPU训练

C.采用LoRA（低秩适配）进行参数高效微调

D.忽略长序列的位置信息

答案：C

解析：LoRA通过低秩矩阵近似更新部分参数，大幅减少微调所需计算资源，是大模型微调的主流方法；大模型训练通常使用动态学习率（如余弦衰减）、多卡并行（如张量并行、流水线并行），且需通过位置编码或相对位置注意力处理长序列。

6.在目标检测任务中，YOLOv8相比FasterR-CNN的主要优势是？

A.更高的检测精度

B.更快的推理速度

C.支持多尺度目标检测

D.无需锚框（Anchor）设计

答案：B

解析：YOLO系列是单阶段检测模型，直接回归目标位置和类别，推理速度显著快于双阶段的FasterR-CNN（需先通过RPN生成候选框）；FasterR-CNN在小目标检测等场景精度更优；两者均支持多尺度检测；YOLOv8仍使用锚框（或称为“先验框”）。

7.自然语言处理（NLP）中，以下哪种任务属于生成任务？

A.文本分类

B.命名实体识别（NER）

C.机器翻译

D.情感分析

答案：C

解析：生成任务需输出新的文本序列（如翻译、摘要），而分类、NER、情感分析均为判别任务（预测标签或位置）。

8.强化学习中，Q-learning与策略梯度（PolicyGradient）的主要区别是？

A.Q-learning基于值函数，策略梯度直接优化策略

B.Q-learning适用于连续动作空间，策略梯度适用于离散空间

C.Q-learning需要环境模型，策略梯度不需要

D.Q-learning是离线学习，策略梯度是在线学习

答案：A

解析：Q-learning通过估计动作值函数（Q值）间接优化策略，策略梯度直接对策略参数进行梯度上升；策略梯度更适合连续动作空间；两者均可无模型（不依赖环境转移概率）；Q-learning可以是离线（如使用经验回放），策略梯度通常在线（基于当前策略采样数据）。

9.以下哪项是对抗样本（AdversarialExample）的典型特征？

A.对人类感知无明显变化，但导致模型误分类

B.输入数据中存在大量噪声，模型无法处理

C.样本标签被错误标记，导致模型训练失败

D.输入数据维度远高于模型设计的输入维度

答案：A

解析：对抗样本通过微小扰动（人类难以察觉）使模型输出错误结果，核心是“感知不可区分但模型失效”；噪声数据是明显的干扰，标签错误属于数