(2025校招)人工智能工程师笔试题目及答案.docxVIP

(2025校招)人工智能工程师笔试题目及答案

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.随机森林

D.支持向量机（SVM）

答案：B

解析：无监督学习的目标是从无标签数据中发现模式，K-means通过数据点间的距离自动聚类，属于无监督学习；其余选项均需标签数据训练，属于监督学习。

2.在深度学习中，ReLU激活函数的主要优点是？

A.解决梯度消失问题

B.输出值范围在(0,1)

C.计算复杂度高

D.适用于所有层的激活

答案：A

解析：ReLU（RectifiedLinearUnit）的导数在输入大于0时为1，避免了sigmoid或tanh在饱和区梯度趋近于0的问题，缓解了梯度消失；其输出范围是[0,+∞)，计算简单，通常用于隐藏层，输出层较少使用。

3.以下哪种方法不能缓解神经网络的过拟合问题？

A.增加训练数据量

B.降低模型复杂度

C.增大学习率

D.添加L2正则化

答案：C

解析：过拟合是模型对训练数据过度拟合、泛化能力差的表现。增加数据、简化模型、正则化（如L2）均可缓解；增大学习率可能导致训练不稳定或无法收敛，但与过拟合无直接关联。

4.在自然语言处理（NLP）中，Word2Vec的“CBOW”模型是通过什么预测目标词？

A.上下文词预测中心词

B.中心词预测上下文词

C.前向词预测后向词

D.整个句子预测下一个词

答案：A

解析：CBOW（ContinuousBag-of-Words）模型的输入是中心词的上下文词，输出是中心词本身；而Skip-gram模型相反，输入中心词，输出上下文词。

5.以下关于Transformer模型的描述，错误的是？

A.仅基于自注意力机制，无循环或卷积结构

B.编码器处理输入序列，解码器生成输出序列

C.位置编码用于捕捉序列中的顺序信息

D.多头注意力将输入分成多个头，最后拼接输出

答案：无错误选项（注：若需设错误选项，可改为“D.多头注意力将输入分成多个头，最后平均输出”，此时答案为D）

解析：Transformer的多头注意力将输入分割为多个头，并行计算注意力后拼接，而非平均；其余选项均正确。

6.在图像分类任务中，以下哪种数据增强方法不适用于医学影像？

A.随机水平翻转

B.高斯模糊

C.标签随机替换

D.亮度调整

答案：C

解析：医学影像的标签（如病灶位置）具有严格的临床意义，随机替换标签会导致模型学习错误关联，破坏数据真实性；其余方法可在保留语义的前提下增强数据多样性。

7.梯度下降优化中，“动量（Momentum）”的作用是？

A.加速收敛，减少震荡

B.避免局部最优

C.降低计算复杂度

D.增大学习率

答案：A

解析：动量通过累积前一步的梯度方向，平滑参数更新路径，减少震荡并加速收敛；避免局部最优需依赖随机初始化或模拟退火等方法。

8.以下哪项不是生成对抗网络（GAN）的组成部分？

A.生成器（Generator）

B.判别器（Discriminator）

C.编码器（Encoder）

D.对抗损失函数

答案：C

解析：GAN由生成器、判别器和对抗损失构成；编码器是自编码器（Autoencoder）的组成部分。

9.在目标检测中，YOLOv5的“锚框（AnchorBox）”作用是？

A.预定义可能的目标形状和大小，提升检测效率

B.替代特征提取网络

C.直接输出目标类别

D.计算分类损失

答案：A

解析：锚框是预定义的候选框，用于匹配真实目标的形状（如长宽比），减少模型需预测的框数量，提升检测速度和精度。

10.以下关于迁移学习的描述，正确的是？

A.必须使用与目标任务完全相同的数据集

B.仅适用于监督学习

C.可将预训练模型的底层特征迁移到新任务

D.迁移后无需微调

答案：C

解析：迁移学习通过复用预训练模型的底层通用特征（如图像边缘、纹理）到新任务，减少对目标任务数据量的需求；无需数据集完全相同，可适用于半监督/无监督，通常需微调顶层参数。

二、填空题（每空2分，共20分）

1.逻辑回归的损失函数通常使用______，其数学表达式为______（假设标签y∈{0,1}，预测概率为p）。

答案：交叉熵损失；\(L=-[y\logp+(1-y)\log(1-p)]\)