原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
深度学习工程师考试试卷（总分100分）
一、单项选择题（共10题，每题1分，共10分）
以下哪种激活函数最适合解决深层神经网络中的梯度消失问题？
A.Sigmoid
B.Tanh
C.ReLU
D.Softmax
答案：C
解析：ReLU（修正线性单元）在输入为正时梯度为1，避免了Sigmoid和Tanh在输入较大或较小时梯度趋近于0的问题（梯度消失），因此更适合深层网络。Sigmoid和Tanh的输出范围受限，易导致梯度消失；Softmax用于多分类输出层，不解决梯度问题。
训练神经网络时，若验证集损失持续下降但测试集损失上升，最可能的原因是？
A.学习率过低
B.模型欠拟合
C.数据泄露
D.模型过拟合
答案：D
解析：过拟合表现为模型对训练数据过度学习，在验证集（或测试集）上泛化能力差，因此验证集损失下降但测试集损失上升是典型过拟合现象。学习率过低会导致训练缓慢；欠拟合时训练集和测试集损失均较高；数据泄露指测试数据参与训练，会导致测试集效果虚高。
卷积神经网络（CNN）中，3×3卷积核的感受野与5×5卷积核相比，主要优势是？
A.参数量更少
B.特征提取更全面
C.计算速度更慢
D.感受野更大
答案：A
解析：两个3×3卷积层的堆叠（感受野为5×5）参数量为2×(3×3×C2)=18C2（C为通道数），而单个5×5卷积层参数量为25C2，因此3×3卷积核参数量更少且能保持相同感受野。5×5卷积核特征提取范围更大但参数量更高。
以下哪项不是循环神经网络（RNN）的主要缺点？
A.难以并行计算
B.长期依赖问题
C.对序列长度不敏感
D.梯度消失/爆炸
答案：C
解析：RNN对序列长度敏感，长序列会导致梯度消失/爆炸（长期依赖问题），且由于依赖前一时刻状态，难以并行计算。“对序列长度不敏感”是Transformer的优势（通过自注意力机制）。
在目标检测任务中，YOLOv5相比FasterR-CNN的核心改进是？
A.引入区域建议网络（RPN）
B.采用单阶段检测框架
C.使用FPN特征金字塔
D.基于锚框（Anchor）机制
答案：B
解析：YOLO系列是单阶段检测框架（直接预测边界框和类别），而FasterR-CNN是两阶段（先通过RPN生成候选区域，再分类回归）。单阶段框架速度更快但精度略低。RPN、FPN、锚框均为两阶段和部分单阶段模型的通用技术。
以下哪种优化器通过自适应调整学习率来加速训练？
A.SGD
B.Adagrad
C.Momentum
D.牛顿法
答案：B
解析：Adagrad根据参数历史梯度的平方和调整学习率（梯度大的参数学习率更小），属于自适应优化器。SGD和Momentum使用固定或动量调整的学习率；牛顿法基于二阶导数，计算复杂且非自适应。
训练生成对抗网络（GAN）时，生成器（Generator）的目标是最小化以下哪项损失？
A.真实数据与生成数据的KL散度
B.判别器（Discriminator）将生成数据误判为真实数据的概率
C.判别器正确分类真实数据的概率
D.生成数据与真实数据的像素级差异
答案：B
解析：GAN的博弈目标是生成器希望判别器无法区分生成数据（即生成数据被判别为真实的概率最大化，等价于最小化判别器正确分类生成数据的概率）。KL散度是VAE的损失；像素级差异是AE的损失；判别器正确分类真实数据是其自身目标。
以下哪项不属于模型压缩技术？
A.知识蒸馏
B.权重剪枝
C.批量归一化（BatchNorm）
D.量化（Quantization）
答案：C
解析：模型压缩旨在减少模型大小和计算量，包括剪枝（去除冗余参数）、量化（降低参数精度）、知识蒸馏（用小模型学习大模型）。BatchNorm是训练时的归一化技术，用于加速收敛，不直接压缩模型。
在自然语言处理中，词嵌入（WordEmbedding）的主要作用是？
A.将单词转换为唯一整数ID
B.捕捉单词的语义和语法关系
C.增加输入数据的维度
D.替代循环神经网络
答案：B
解析：词嵌入通过低维连续向量表示单词，使语义/语法相似的单词在向量空间中距离更近（如“king”与“queen”的关系类似“man”与“woman”）。转换整数ID是词袋模型的预处理；增加维度非主要目的；词嵌入需与RNN/Transformer等模型结合使用。
以下哪项是Transformer模型中位置编码（PositionalEncoding）的作用？
A.替代自注意力机制
B.提供序列中单词的位置信息
C.减少模型参数量
D.增强特征的非线性表达
答案：B
解析：Transformer通过自注意力机制捕捉全局依赖，但本身无序列顺序信息，位置编码（正弦/余弦函数或可学习参
文档评论（0）