2025年人工智能工程师资格考试试卷及答案解析.docxVIP

2025年人工智能工程师资格考试试卷及答案解析

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是典型的无监督学习算法，SVM是监督学习算法

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.半监督学习同时使用标注和未标注数据，其效果一定优于仅用标注数据的监督学习

答案：D

解析：半监督学习利用未标注数据辅助训练，但效果受数据质量、模型设计等因素影响，不一定“一定优于”监督学习，因此D错误。

2.在深度学习中，使用ReLU激活函数的主要优点是（）。

A.避免梯度消失问题

B.输出范围在(0,1)，适合二分类

C.计算复杂度低，导数恒定

D.解决了梯度爆炸问题

答案：A

解析：ReLU（修正线性单元）的导数在输入0时为1，避免了sigmoid/tanh在输入较大或较小时梯度趋近于0的“梯度消失”问题，因此A正确。B是sigmoid的特点，C中导数不恒定（输入0时导数为0），D需通过权重初始化或梯度裁剪解决。

3.以下哪项不是Transformer模型中注意力机制的核心组成部分？（）

A.查询（Query）、键（Key）、值（Value）矩阵

B.多头注意力（Multi-HeadAttention）

C.位置编码（PositionalEncoding）

D.门控循环单元（GRU）

答案：D

解析：Transformer的注意力机制核心包括QKV矩阵、多头注意力和位置编码（解决序列顺序问题）。GRU是循环神经网络（RNN）的改进结构，与Transformer无关，因此D错误。

4.评估图像分类模型性能时，若某类别的召回率（Recall）为0.8，精确率（Precision）为0.6，则该类别的F1值为（）。

A.0.65

B.0.69

C.0.72

D.0.75

答案：B

解析：F1值计算公式为2×(Precision×Recall)/(Precision+Recall)，代入得2×(0.6×0.8)/(0.6+0.8)=0.96/1.4≈0.69，因此选B。

5.以下哪种技术可有效缓解深度神经网络的过拟合问题？（）

A.增加训练数据量

B.减少网络层数

C.提高学习率

D.移除正则化项

答案：A

解析：过拟合的本质是模型对训练数据过度学习，泛化能力差。增加训练数据量可提升模型泛化能力；减少层数可能导致欠拟合；提高学习率可能使训练不稳定；移除正则化会加剧过拟合。因此选A。

二、填空题（每空2分，共20分）

1.机器学习中，交叉熵损失函数适用于______任务，其公式为______（假设真实标签为y，预测概率为p）。

答案：分类；-ylog(p)-(1-y)log(1-p)（二分类场景）或-Σy_ilog(p_i)（多分类场景）

2.卷积神经网络（CNN）中，池化层的主要作用是______和______。

答案：降低特征图尺寸（降维）；平移不变性（或提取局部不变特征）

3.在生成对抗网络（GAN）中，生成器（Generator）的目标是______，判别器（Discriminator）的目标是______。

答案：生成与真实数据分布一致的样本；区分真实样本与生成样本

4.自然语言处理中，BERT模型的预训练任务包括______和______。

答案：掩码语言模型（MLM）；下一句预测（NSP）

5.强化学习中，Q-learning的核心是学习状态-动作值函数Q(s,a)，其更新公式为______（用符号表示即可）。

答案：Q(s,a)←Q(s,a)+α[r+γmax_aQ(s,a)-Q(s,a)]（α为学习率，γ为折扣因子）

三、简答题（每题8分，共40分）

1.简述梯度消失（GradientVanishing）的产生原因及常用解决方法。

答案：

原因：深度神经网络中，使用sigmoid或tanh等激活函数时，其导数在输入较大或较小时趋近于0（如sigmoid导数最大值为0.25）。反向传播时，多层梯度连乘会导致底层网络的梯度极小，参数更新缓慢甚至停止。

解决方法：

①使用ReLU系列激活函数（如LeakyReLU、PReLU），其导数在输入0时为1，避免梯度消失；

②采用残差网络（ResNet），通过跳跃连接（SkipConnection）提供梯度传播的直接路径；