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.以下哪种机器学习算法属于无监督学习？

A.逻辑回归

B.K-means聚类

C.随机森林

D.支持向量机（SVM）

答案：B

解析：无监督学习不依赖标签数据，K-means通过数据点间的距离自动聚类，属于无监督；其余选项均需标签数据，属于监督学习。

2.在深度学习中，ReLU（修正线性单元）激活函数的主要优点是？

A.解决梯度消失问题

B.输出范围在(0,1)

C.计算复杂度高

D.适合处理回归任务

答案：A

解析：ReLU在输入大于0时梯度为1，避免了Sigmoid/tanh在深层网络中因梯度趋近0导致的“梯度消失”问题；其输出范围为[0,+∞)，计算简单，常用于分类任务的隐藏层。

3.以下哪项不是Transformer模型中注意力机制的核心组件？

A.多头注意力（Multi-HeadAttention）

B.位置编码（PositionalEncoding）

C.循环单元（RNNCell）

D.前馈神经网络（FeedForwardNetwork）

答案：C

解析：Transformer通过自注意力机制替代了RNN的循环结构，因此不包含RNNCell；其余选项均为Transformer的核心组件。

4.对于图像分类任务，若输入图像尺寸为224×224×3（H×W×C），使用一个3×3×64的卷积核（步长1，填充1），输出特征图的尺寸为？

A.224×224×64

B.222×222×64

C.226×226×64

D.112×112×64

答案：A

解析：卷积输出尺寸计算公式为：(H-kernel_size+2padding)/stride+1=(224-3+21)/1+1=224，因此输出尺寸保持224×224，通道数由卷积核数量决定为64。

5.自然语言处理（NLP）中，以下哪种技术用于解决长文本依赖问题？

A.词袋模型（BagofWords）

B.Transformer的自注意力机制

C.TF-IDF

D.情感词典

答案：B

解析：自注意力机制通过计算序列中任意两个位置的相关性，直接捕捉长距离依赖；词袋模型和TF-IDF忽略词序，无法处理长依赖；情感词典仅用于情感分析，不解决依赖问题。

6.以下哪种数据增强方法不适用于结构化表格数据？

A.特征值随机扰动（如加减5%的噪声）

B.类别特征的随机替换（如将“男”替换为“女”）

C.行数据的随机拼接（合并两行特征）

D.旋转图像90度

答案：D

解析：旋转图像是图像数据的增强方法，不适用于表格数据；其余选项均为表格数据常用增强手段（需注意类别替换需符合业务逻辑）。

7.模型部署时，若需在手机端运行一个图像分类模型，关键优化目标是？

A.提升模型准确率

B.减少模型参数量和计算量

C.增加模型深度

D.使用高精度浮点运算（如FP32）

答案：B

解析：移动端受限于算力和内存，需通过模型压缩（如剪枝、量化）降低参数量和计算量（如用INT8代替FP32）；提升准确率可能增加计算量，不符合部署需求。

8.以下哪项是生成对抗网络（GAN）的核心目标？

A.最小化生成数据与真实数据的KL散度

B.让生成器（Generator）欺骗判别器（Discriminator），同时判别器准确区分真假数据

C.最大化生成数据的多样性

D.直接拟合真实数据的概率分布

答案：B

解析：GAN通过生成器和判别器的对抗训练达到纳什均衡，生成器目标是让判别器无法区分真假数据，判别器目标是准确分类，二者博弈推动生成器提升生成质量。

9.以下哪种损失函数适用于多分类任务？

A.均方误差（MSE）

B.二元交叉熵（BinaryCross-Entropy）

C.多分类交叉熵（CategoricalCross-Entropy）

D.Hinge损失

答案：C

解析：多分类交叉熵用于标签为one-hot编码的多分类任务；MSE用于回归；二元交叉熵用于二分类；Hinge损失常见于SVM的二分类。

10.在迁移学习中，“冻结预训练模型的前几层参数”的主要目的是？

A.减少计算资源消耗

B.保留预训练模型学习到的通用特征（如边缘、纹理）

C.避免过拟合

D.加速模型收敛

答案：B

解析：预训练模型的前几层通常学习通用低级特征（如边缘