2025年人工智能练习题及答案.docxVIP

2025年人工智能练习题及答案

一、单项选择题（每题2分，共20分）

1.以下哪种机器学习方法属于无监督学习？

A.支持向量机（SVM）分类

B.Kmeans聚类

C.线性回归预测房价

D.随机森林检测异常值

答案：B

解析：无监督学习的目标是从未标记数据中发现潜在结构，Kmeans通过数据点间的距离自动分组，属于无监督学习；A、C为监督学习（需标签），D虽涉及异常检测，但随机森林通常需部分标签或预设规则，严格意义上非典型无监督。

2.在Transformer模型中，多头注意力（MultiHeadAttention）的核心作用是？

A.增加模型参数量以提升容量

B.并行计算不同子空间的注意力模式

C.减少序列长度限制

D.优化位置编码的表达能力

答案：B

解析：多头注意力将输入分成多个头，分别学习不同的注意力模式（如局部依赖、全局依赖），最后拼接输出，本质是并行捕捉多维度的上下文关联；A是副作用非核心，C依赖模型架构设计（如RotaryPositionEmbedding），D由位置编码模块单独处理。

3.生成式对抗网络（GAN）中，判别器（Discriminator）的训练目标是？

A.最大化真实数据被正确识别的概率，同时最小化生成数据被误判的概率

B.最小化真实数据被错误识别的概率，同时最大化生成数据被误判的概率

C.最大化真实数据和生成数据被正确分类的概率之和

D.最小化真实数据和生成数据被错误分类的概率之和

答案：C

解析：GAN的博弈目标是：生成器（Generator）试图让判别器无法区分生成数据与真实数据（即D(G(z))趋近于1），判别器则试图最大化正确分类真实数据（D(x)=1）和生成数据（D(G(z))=0）的概率，即最大化log(D(x))+log(1D(G(z)))，因此核心是提升对两类数据的正确分类能力。

4.以下哪项是大语言模型（LLM）微调（Finetuning）的主要目的？

A.减少模型参数量以降低推理成本

B.适应特定领域或任务的输入输出模式

C.优化预训练阶段的初始权重初始化

D.替代预训练过程直接完成任务

答案：B

解析：LLM在预训练阶段学习通用语言知识，微调通过少量任务特定数据调整模型参数（如添加分类头或调整部分层），使其适应下游任务（如医疗问答、代码生成）；A是模型压缩（如量化、剪枝）的目标，C由预训练初始化方法（如He初始化）解决，D违背“预训练+微调”范式。

5.在强化学习中，策略梯度（PolicyGradient）方法直接优化的目标是？

A.状态值函数V(s)

B.动作值函数Q(s,a)

C.策略π(a|s)的期望累积奖励

D.环境转移概率P(s|s,a)

答案：C

解析：策略梯度通过梯度上升直接优化策略的期望回报（即长期累积奖励的期望），参数更新方向为梯度?θJ(θ)，其中J(θ)是策略θ的期望奖励；A、B是值函数方法（如DQN）的优化目标，D是环境固有属性，不可优化。

6.计算机视觉中，YOLOv8相比YOLOv5的主要改进是？

A.引入多尺度特征融合（FPN）

B.采用Transformer作为骨干网络

C.优化锚框（Anchor）的自适应分配策略

D.减少卷积层数以提升速度

答案：C

解析：YOLOv8在标签分配（LabelAssignment）上改进，采用TaskAlignedAssigner，根据分类和定位质量动态分配正样本，提升检测精度；A是YOLOv4及更早版本已采用的技术，B是YOLOv7之后部分变体的尝试（如YOLOv7E6E），D与实际相反（YOLOv8通过C2f模块优化计算效率，但未减少关键层数）。

7.自然语言处理（NLP）中，词嵌入（WordEmbedding）的主要优势是？

A.将离散符号转换为连续向量，捕捉语义相关性

B.减少输入维度以降低计算复杂度

C.直接输出词语的情感倾向

D.替代句法分析完成语义理解

答案：A

解析：词嵌入（如Word2Vec、GloVe）通过低维连续向量表示词语，使语义相近的词在向量空间中距离更近（如同义词“高兴”和“快乐”向量相似），解决了独热编码（OneHot）无法捕捉语义关联的问题；B错误（词嵌入维度通常远低于独热编码的词汇表大小，但这是结果非优势核心），C、D是下游任务（如情感分析、句法分析）的目标。

8.以下哪种技术属于多模态大模型的典型应用？

A.仅基于文本的问答系统

B.图像描述生成（ImageCaption