2025年人工智能工程师认证考试试卷及答案.docxVIP

2025年人工智能工程师认证考试试卷及答案

一、单项选择题（每题2分，共30分）

1.以下哪项不属于监督学习的典型任务？

A.图像分类（标签为类别）

B.情感分析（标签为积极/消极）

C.聚类分析（无标签）

D.房价预测（标签为具体数值）

答案：C

2.在深度学习中，使用ReLU激活函数的主要目的是：

A.解决梯度爆炸问题

B.避免过拟合

C.加速训练并缓解梯度消失

D.增强模型非线性表达能力

答案：C（ReLU导数在正数区域为1，缓解了sigmoid/tanh的梯度消失问题，同时计算简单）

3.对于二分类任务，若正负样本比例为1:100，以下哪种损失函数更合适？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.FocalLoss

D.铰链损失（HingeLoss）

答案：C（FocalLoss通过调整样本权重，重点关注难分类的少数类样本，缓解类别不平衡问题）

4.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.并行计算不同子空间的注意力

C.减少序列长度限制

D.替代循环神经网络（RNN）的记忆能力

答案：B（多头注意力将输入分割为多个子空间，分别计算注意力后拼接，捕捉不同位置的依赖关系）

5.以下哪项是BERT模型与GPT模型的主要区别？

A.BERT使用双向Transformer，GPT使用单向Transformer

B.BERT基于RNN，GPT基于CNN

C.BERT用于生成任务，GPT用于理解任务

D.BERT无预训练阶段，GPT有预训练阶段

答案：A（BERT通过掩码语言模型（MLM）实现双向上下文学习，GPT采用自回归语言模型，仅使用左侧上下文）

6.在目标检测任务中，YOLOv5相比FasterR-CNN的主要优势是：

A.更高的检测精度

B.更快的推理速度

C.支持多尺度目标检测

D.无需锚框（Anchor）设计

答案：B（YOLO系列为单阶段检测器，直接回归边界框和类别，推理速度显著快于两阶段的FasterR-CNN）

7.以下哪项不是对抗样本（AdversarialExample）的特征？

A.对人类感知无显著影响

B.导致模型预测错误

C.通过微小扰动生成

D.仅存在于图像领域

答案：D（对抗样本可存在于文本、语音等多种模态）

8.强化学习中，“策略梯度”（PolicyGradient）方法直接优化的目标是：

A.价值函数（ValueFunction）

B.策略（Policy）的期望回报

C.动作-状态值函数（QFunction）

D.环境奖励的即时最大化

答案：B（策略梯度通过梯度上升直接调整策略参数，最大化长期累积奖励）

9.训练神经网络时，若验证集损失持续下降但训练集损失不再下降，可能的原因是：

A.学习率过小

B.模型欠拟合

C.模型过拟合

D.数据归一化错误

答案：B（训练集损失停滞说明模型无法拟合训练数据，验证集损失下降可能因数据分布差异或噪声）

10.自然语言处理中，“词嵌入”（WordEmbedding）的主要作用是：

A.将文本转换为固定长度向量

B.捕捉词语的语义和语法信息

C.减少文本数据的存储量

D.替代词袋模型（BagofWords）

答案：B（词嵌入通过低维稠密向量表示词语，使语义相近的词在向量空间中距离更近）

11.在计算机视觉中，“感受野”（ReceptiveField）指的是：

A.卷积核的大小

B.特征图中一个像素对应原始图像的区域

C.最大池化的步长

D.全连接层的神经元数量

答案：B（感受野描述了卷积神经网络中某一层特征图的一个神经元对应输入图像的区域范围）

12.以下哪种方法不能用于缓解过拟合？

A.增加训练数据

B.减小模型复杂度

C.使用权重衰减（WeightDecay）

D.提高学习率

答案：D（提高学习率可能导致训练不稳定，无法直接缓解过拟合）

13.生成对抗网络（GAN）中，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.最大化生成数据的多样性

答案：A（生成器试图