2025年人工智能实验室考试题库（附答案）.docxVIP

2025年人工智能实验室考试题库（附答案）

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；其他选项均需标签训练（监督学习）。

2.在深度学习中，ReLU激活函数的主要优点是？

A.避免梯度爆炸

B.解决梯度消失问题

C.输出范围在(-1,1)之间

D.计算复杂度高

答案：B

解析：ReLU（修正线性单元）在输入大于0时梯度为1，避免了sigmoid/tanh在饱和区梯度趋近于0的问题（梯度消失），但无法直接解决梯度爆炸（需依赖梯度裁剪或正则化）。

3.自然语言处理（NLP）中，Transformer模型的核心机制是？

A.循环神经网络（RNN）

B.自注意力（Self-Attention）

C.卷积神经网络（CNN）

D.长短期记忆网络（LSTM）

答案：B

解析：Transformer通过自注意力机制捕捉序列中任意位置的依赖关系，替代了RNN的顺序计算，显著提升并行化能力。

4.以下哪项是强化学习（RL）的关键要素？

A.训练数据的标签

B.状态（State）、动作（Action）、奖励（Reward）

C.损失函数的设计

D.特征工程的质量

答案：B

解析：强化学习关注智能体与环境交互，核心要素包括状态（环境反馈）、动作（智能体决策）、奖励（环境对动作的评价）。

5.在计算机视觉中，FasterR-CNN相比R-CNN的主要改进是？

A.引入区域建议网络（RPN）

B.使用更深的卷积网络

C.采用多尺度训练

D.优化非极大值抑制（NMS）

答案：A

解析：FasterR-CNN通过RPN（区域建议网络）将区域建议生成集成到网络中，大幅提升检测速度，避免了R-CNN的独立区域建议步骤。

6.以下哪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-Entropy）

C.余弦相似度

D.绝对平均误差（MAE）

答案：B

解析：交叉熵损失直接衡量预测概率与真实标签的分布差异，是分类任务（尤其是二分类）的常用选择；MSE和MAE主要用于回归任务。

7.大语言模型（如GPT-4）的训练通常采用？

A.监督微调（SFT）+强化学习从人类反馈（RLHF）

B.纯监督学习

C.纯无监督学习

D.迁移学习+半监督学习

答案：A

解析：当前主流大模型训练流程为：预训练（无监督）→监督微调（有标签数据）→RLHF（通过人类反馈优化对齐）。

8.以下哪项是过拟合（Overfitting）的典型表现？

A.训练集和测试集准确率都很低

B.训练集准确率高，测试集准确率低

C.训练集准确率低，测试集准确率高

D.训练集和测试集准确率接近

答案：B

解析：过拟合指模型过度学习训练数据的噪声和细节，导致泛化能力差，表现为训练集效果好但测试集效果差。

9.卷积神经网络（CNN）中，卷积层的作用是？

A.降维

B.提取局部特征

C.全连接分类

D.归一化数据

答案：B

解析：卷积核通过滑动窗口提取图像局部区域的特征（如边缘、纹理），是CNN的核心特征提取模块。

10.在生成对抗网络（GAN）中，生成器（Generator）的目标是？

A.最大化判别器（Discriminator）的错误率

B.最小化生成数据与真实数据的差异

C.准确区分真实数据和生成数据

D.优化损失函数的梯度稳定性

答案：A

解析：GAN中生成器试图生成与真实数据难以区分的样本，使判别器无法正确分类（即最大化判别器的错误率），而判别器则试图准确区分真假数据。

二、填空题（每空2分，共20分）

1.机器学习中，偏差（Bias）反映模型对数据________的拟合能力，方差（Variance）反映模型对________的敏感程度。

答案：整体趋势；数据波动

2.深度学习中，BatchNormalization（BN）的主要作用是________，通常应用在________层之后。

答案：缓解内部协变量偏移；卷积/全连接

3.Transformer模型中的注意力计算可表示为：Attention(Q,K,V)=softmax(________)V，