2025年人工智能程序设计考试试题及答案.docxVIP

2025年人工智能程序设计考试试题及答案

一、单项选择题（每题2分，共20分）

1.以下关于监督学习与无监督学习的描述中，错误的是（）。

A.监督学习需要标注数据，无监督学习不需要

B.K-means属于无监督学习，支持向量机（SVM）属于监督学习

C.监督学习的目标是学习输入到输出的映射，无监督学习的目标是发现数据内在结构

D.生成对抗网络（GAN）同时包含监督学习和无监督学习的思想

答案：D

解析：GAN通过生成器和判别器的对抗训练学习数据分布，属于无监督学习（或半监督学习），不直接依赖标注数据的输入-输出映射，因此D错误。

2.在深度学习中，以下激活函数中，哪一个可以有效缓解“梯度消失”问题？（）

A.Sigmoid

B.Tanh

C.ReLU（RectifiedLinearUnit）

D.Softmax

答案：C

解析：Sigmoid和Tanh在输入绝对值较大时梯度趋近于0，易导致梯度消失；ReLU在输入0时梯度为1，可缓解梯度消失问题；Softmax用于多分类输出层，不直接解决梯度问题。

3.假设一个神经网络在训练集上的准确率为95%，测试集上的准确率为60%，最可能的原因是（）。

A.学习率过小

B.模型欠拟合

C.模型过拟合

D.训练数据量过大

答案：C

解析：训练集准确率远高于测试集，说明模型过度拟合训练数据的噪声或特定模式，泛化能力差，属于过拟合问题。

4.以下关于Transformer模型的描述中，正确的是（）。

A.Transformer仅使用循环神经网络（RNN）结构

B.自注意力机制（Self-Attention）的计算中，查询（Query）、键（Key）、值（Value）来自同一输入序列

C.Transformer的位置编码（PositionalEncoding）必须通过模型学习得到

D.Transformer的解码器（Decoder）仅使用自注意力层

答案：B

解析：Transformer的核心是自注意力机制，Q、K、V均来自同一输入序列（编码器）或上一层输出（解码器）；A错误，因Transformer完全基于注意力机制，无RNN；C错误，位置编码可以是固定（如正弦函数）或可学习的；D错误，解码器同时使用自注意力和编码器-解码器注意力。

5.强化学习（ReinforcementLearning）中，以下哪一项不是核心要素？（）

A.状态（State）

B.动作（Action）

C.奖励（Reward）

D.标注数据（LabeledData）

答案：D

解析：强化学习通过智能体与环境交互获取奖励信号学习策略，无需预先标注的输入-输出对；标注数据是监督学习的核心要素。

6.在卷积神经网络（CNN）中，3×3的卷积核滑动步长（Stride）为2，输入特征图尺寸为7×7，填充（Padding）为1，则输出特征图的尺寸为（）。

A.3×3

B.4×4

C.5×5

D.6×6

答案：B

解析：输出尺寸计算公式：(H+2P-K)/S+1=(7+2×1-3)/2+1=(7+2-3)/2+1=6/2+1=3+1=4，故输出4×4。

7.自然语言处理（NLP）中，词嵌入（WordEmbedding）的主要目的是（）。

A.将离散的词语转换为连续的向量表示，捕捉语义相关性

B.统计词语在文本中的出现频率

C.对文本进行分词处理

D.去除文本中的停用词

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位置接近，是NLP任务的基础。

8.以下哪一种损失函数适用于二分类任务？（）

A.均方误差（MSE）

B.交叉熵损失（Cross-EntropyLoss）

C.绝对平均误差（MAE）

D.余弦相似度（CosineSimilarity）

答案：B

解析：二分类任务通常使用二元交叉熵损失（BinaryCross-Entropy），多分类使用多类交叉熵；MSE和MAE用于回归任务；余弦相似度用于衡量向量相似性，非损失函数。

9.在模型优化中，以下哪项操作不能缓解过拟合？（）

A.增加训练数据量

B.降低模型复杂度（如减少神经网络层数）

C.引入L2正则化（权重衰减）

D.提高学习率

答案：D

解析：提高学习率可能导致模型训练不稳定，无法收敛，或跳过最优解，但不会直接