2025年人工智能应用开发考试试题及答案.docxVIP

2025年人工智能应用开发考试试题及答案

一、单项选择题（每题2分，共20分）

1.在监督学习任务中，若训练数据存在严重类别不平衡（正类样本占比1%），以下哪种方法最不适用于缓解该问题？

A.对少数类样本进行过采样（Oversampling）

B.对多数类样本进行欠采样（Undersampling）

C.调整交叉熵损失函数的类别权重（ClassWeight）

D.使用均方误差（MSE）作为损失函数

答案：D

解析：类别不平衡问题需通过样本重采样或损失函数加权解决。均方误差适用于回归任务，对分类任务的类别不平衡无直接缓解作用。

2.以下关于Transformer模型的描述中，错误的是？

A.自注意力机制（SelfAttention）允许模型在输入序列中捕捉长距离依赖

B.位置编码（PositionalEncoding）用于弥补模型对序列顺序的感知能力

C.多头注意力（MultiHeadAttention）通过拼接不同头的输出提升特征表达能力

D.Transformer的解码器（Decoder）仅使用掩码自注意力（MaskedSelfAttention）

答案：D

解析：Transformer解码器同时使用掩码自注意力（处理输入序列的因果关系）和编码器解码器注意力（获取编码器输出的上下文信息）。

3.在计算机视觉任务中，FasterRCNN的核心组件是？

A.滑动窗口检测+手工特征提取

B.区域建议网络（RPN,RegionProposalNetwork）

C.多尺度特征金字塔（FPN,FeaturePyramidNetwork）

D.非极大值抑制（NMS,NonMaximumSuppression）

答案：B

解析：FasterRCNN通过RPN替代传统的选择性搜索（SelectiveSearch）生成候选区域，实现端到端目标检测。

4.自然语言处理（NLP）中，以下哪种技术最适合解决“一词多义”问题？

A.词袋模型（BagofWords）

B.静态词嵌入（如Word2Vec）

C.上下文词嵌入（如BERT）

D.互信息（PMI,PointwiseMutualInformation）计算

答案：C

解析：BERT等预训练模型通过上下文信息动态生成词嵌入，能更好捕捉“一词多义”的语义差异。

5.若需在边缘设备（如手机）上部署一个实时目标检测模型，以下优化策略中优先级最低的是？

A.模型量化（Quantization）

B.知识蒸馏（KnowledgeDistillation）

C.增加模型深度（Depth）

D.剪枝（Pruning）

答案：C

解析：边缘设备受计算资源限制，需轻量级模型。增加模型深度会显著提升计算量，不利于实时部署。

6.以下哪项不是生成对抗网络（GAN）的典型应用？

A.图像超分辨率（ImageSuperResolution）

B.风格迁移（StyleTransfer）

C.异常检测（AnomalyDetection）

D.文本情感分类（TextSentimentClassification）

答案：D

解析：情感分类是判别任务，GAN主要用于生成任务；前三者均为GAN的典型应用场景。

7.在强化学习（RL）中，“探索利用权衡”（ExplorationExploitationTradeoff）指的是？

A.智能体在已知高回报动作与未知潜在高回报动作间的选择

B.状态空间与动作空间的维度平衡

C.奖励函数设计中短期奖励与长期奖励的权重分配

D.策略网络与价值网络的参数更新频率

答案：A

解析：探索（尝试新动作）与利用（选择已知最优动作）的平衡是强化学习的核心问题之一。

8.以下关于梯度消失（VanishingGradient）的描述，错误的是？

A.深层神经网络中，反向传播时梯度经多层连乘后趋近于0

B.ReLU激活函数比Sigmoid更易引发梯度消失

C.残差连接（ResidualConnection）可缓解梯度消失

D.批量归一化（BatchNormalization）有助于稳定梯度传播

答案：B

解析：Sigmoid的导数在输入绝对值较大时趋近于0，更易导致梯度消失；ReLU的导数在正数区间为1，梯度更易保持。

9.多模态学习（MultimodalLearning）中，“对齐”（Alignment）的主要目标是？

A.统一不同模态数据