2025年深度学习工程师考试题库（附答案和详细解析）（1013）.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）

以下哪种激活函数最常用于解决深层神经网络的梯度消失问题？

A.Sigmoid

B.Tanh

C.ReLU

D.LeakyReLU

答案：C

解析：ReLU（修正线性单元）通过将负输入映射为0、正输入保持线性，避免了Sigmoid和Tanh在输入较大/较小时的梯度饱和问题（梯度趋近于0），是深层网络中缓解梯度消失的常用选择。LeakyReLU是ReLU的改进（负输入保留小梯度），但最常用的仍是ReLU。

在训练卷积神经网络（CNN）时，若输入图像尺寸为224×224×3（H×W×C），经过一个卷积核大小3×3、步长2、填充1的卷积层后，输出特征图的尺寸为？

A.112×112×3

B.224×224×64

C.112×112×64

D.224×224×3

答案：C

解析：卷积后尺寸计算公式为：(H-kernel_size+2padding)/stride+1。代入得(224-3+21)/2+1=223/2+1=111.5+1=112.5（向下取整为112），通道数由卷积核数量决定（假设为64），因此输出尺寸为112×112×64。

以下哪项不是循环神经网络（RNN）的主要缺陷？

A.长程依赖问题

B.梯度消失/爆炸

C.无法并行计算

D.参数量过大

答案：D

解析：RNN的参数量主要与隐藏层维度相关，相比CNN或Transformer，其参数量较小；主要缺陷是长程依赖（无法有效捕捉远距离信息）、梯度消失/爆炸（由于链式求导的连乘效应）、无法并行（依赖序列顺序）。

在训练过程中，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.过拟合

B.欠拟合

C.学习率过大

D.数据分布不一致

答案：B

解析：欠拟合表现为训练集和验证集损失均较高且不再下降；过拟合是训练集损失低但验证集损失上升；学习率过大可能导致损失震荡；数据分布不一致会导致验证集损失异常波动。

以下哪种优化器采用了动量（Momentum）机制？

A.SGD

B.Adam

C.RMSprop

D.Adagrad

答案：B

解析：Adam优化器结合了动量（Momentum，利用梯度历史的指数加权平均）和自适应学习率（RMSprop，利用梯度平方的指数加权平均）；SGD无动量，RMSprop和Adagrad仅自适应学习率。

对于二分类任务，若正样本占比99%，最不适合的评估指标是？

A.准确率（Accuracy）

B.F1分数

C.召回率（Recall）

D.AUC-ROC

答案：A

解析：准确率在类别极不平衡时会失效（如全预测为负样本准确率仍99%）；F1、召回率、AUC-ROC能更合理评估少数类表现。

Transformer模型中，自注意力（Self-Attention）的核心作用是？

A.捕捉序列中任意位置的依赖关系

B.降低模型参数量

C.加速前向传播

D.增强局部特征提取

答案：A

解析：自注意力通过计算序列中每个位置与所有位置的关联权重，打破了RNN的顺序依赖，可直接捕捉长距离依赖关系；参数量和计算速度与序列长度相关（非核心作用）。

以下哪种正则化方法通过随机失活神经元来防止过拟合？

A.L1正则化

B.L2正则化

C.Dropout

D.权重衰减（WeightDecay）

答案：C

解析：Dropout在训练时随机将部分神经元输出置0，强制模型学习冗余特征；L1/L2/权重衰减（与L2等价）通过添加参数范数惩罚项约束模型复杂度。

训练生成对抗网络（GAN）时，生成器（Generator）的目标是？

A.最小化真实数据与生成数据的分布差异

B.最大化判别器（Discriminator）的分类错误率

C.最小化交叉熵损失

D.最大化真实数据的概率

答案：A

解析：GAN的目标是通过生成器逼近真实数据分布，判别器区分真实与生成数据。生成器的优化目标是让判别器无法区分（即最小化分布差异），等价于最大化判别器对生成数据的误判率（B表述不准确）。

以下哪项不是BatchNormalization（BN）的作用？

A.加速训练收敛

B.允许使用更大的学习率

C.缓解内部协变量偏移（InternalCovariateShift）

D.完全消除过拟合

答案：D

解析：BN通过对每层输入归一化，减少输入分布的变化（缓解内部协变量偏移），允许更大学习率并加速收敛；但无法完全消除过拟合（需结合正则化）。

二、多项选择题（共10题，每题2分，共20分）

以下属于卷积神经网络（CNN）典型结构组件的有？

A.卷积层（ConvolutionalLayer）

B.循环层（RecurrentLayer）