2025年深度学习工程师考试题库（附答案和详细解析）（1005）.docxVIP

深度学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下关于ReLU激活函数的描述，正确的是？

A.输出范围为(-1,1)，适合处理对称数据

B.在输入为负时梯度为0，可能导致“神经元死亡”

C.计算复杂度高，需指数运算

D.能有效解决梯度爆炸问题

答案：B

解析：ReLU（RectifiedLinearUnit）的数学表达式为(f(x)=(0,x))。其在输入为负时输出0，梯度也为0（即“死亡ReLU”问题），因此B正确。A错误，输出范围是[0,+∞)；C错误，ReLU仅需取最大值运算，计算简单；D错误，梯度爆炸通常由权重初始化过大或深层网络导致，ReLU无法解决此问题。

训练深度学习模型时，若验证集损失持续下降但训练集损失不再下降，最可能的原因是？

A.模型欠拟合

B.学习率过小

C.数据存在标签错误

D.模型过拟合

答案：A

解析：欠拟合表现为训练集和验证集损失均较高或不再下降（因模型无法捕捉数据规律）。若验证集损失仍下降但训练集损失停滞，说明模型对训练数据的拟合能力不足（欠拟合），A正确。过拟合（D）会导致训练集损失低、验证集损失高；学习率过小（B）会导致训练缓慢，但损失应持续下降；标签错误（C）会导致两类损失同时异常波动。

以下哪种优化算法引入了“动量（Momentum）”概念？

A.SGD

B.Adam

C.RMSprop

D.Adagrad

答案：A

解析：标准SGD（随机梯度下降）的动量版本通过累积前一步的梯度方向来加速收敛，公式为(v_t=v_{t-1}+_J())，因此A正确。Adam（B）结合了动量和自适应学习率；RMSprop（C）和Adagrad（D）仅调整学习率，未显式引入动量。

对于图像分类任务，卷积层的“步长（Stride）”主要影响？

A.特征图的空间尺寸

B.卷积核的感受野大小

C.模型的参数量

D.梯度计算的稳定性

答案：A

解析：步长指卷积核在输入特征图上的滑动步长，步长增大时，输出特征图的宽高会按(=+1)缩小，因此A正确。感受野（B）由卷积核大小和层数决定；参数量（C）由卷积核尺寸和通道数决定；梯度稳定性（D）与激活函数、初始化相关。

以下损失函数中，最适合多分类任务的是？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.铰链损失（HingeLoss）

D.绝对平均误差（MAE）

答案：B

解析：多分类任务通常使用Softmax函数将输出映射为概率分布，再结合交叉熵损失（(L=-y_i(_i))），其能有效衡量预测概率与真实标签的差异，B正确。MSE（A）和MAE（D）适用于回归任务；HingeLoss（C）主要用于二分类（如SVM）。

以下哪项不是循环神经网络（RNN）的典型问题？

A.长序列依赖问题

B.梯度消失/爆炸

C.无法处理变长输入

D.计算并行性差

答案：C

解析：RNN通过时间步展开可处理变长输入（如填充或掩码），因此C错误。长序列依赖（A）因梯度在反向传播中指数级衰减导致；梯度问题（B）由链式求导的乘积效应引起；计算并行性差（D）因时间步需顺序计算。

Transformer模型中，“多头注意力（Multi-HeadAttention）”的核心作用是？

A.增加模型参数量

B.捕捉不同子空间的上下文关联

C.替代位置编码

D.加速训练过程

答案：B

解析：多头注意力将输入分成多个头，每个头学习不同的注意力模式（如局部、全局关联），最后拼接输出，从而捕捉多维度的上下文信息，B正确。增加参数量（A）是副作用而非核心；位置编码（C）需显式添加；加速训练（D）依赖并行计算，与多头无关。

以下数据增强方法中，最不适合用于医学影像分类任务的是？

A.随机旋转（±15°）

B.随机水平翻转

C.随机亮度调整（±20%）

D.随机裁剪（保留80%区域）

答案：B

解析：医学影像（如X光、CT）通常具有左右对称性（如肺部），水平翻转可能改变器官位置（如将左肺变为右肺），导致标签错误，因此B不适合。其他方法（旋转、亮度、裁剪）不会破坏解剖结构的语义信息。

评估目标检测模型性能时，“mAP（MeanAveragePrecision）”的计算基于？

A.精确率（Precision）和召回率（Recall）的平均值

B.不同交并比（IoU）阈值下的平均精度

C.所有类别的平均检测速度

D.预测框与真实框的中心点距离

答案：B

解析：mAP是各检测类别的AP（AveragePrecision，PR曲线下面积）的平均值，而AP需在固定IoU阈值（如0.5）下计算。实际中常取多个IoU阈值（如0.5:0.95）的