2025年深度学习工程师考试题库（附答案和详细解析）（1110）.docxVIP

深度学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种激活函数最适合解决深层神经网络的梯度消失问题？

A.Sigmoid

B.Tanh

C.ReLU

D.Softmax

答案：C

解析：ReLU（修正线性单元）的导数在输入为正时恒为1，避免了Sigmoid和Tanh在输入较大或较小时导数趋近于0的问题，有效缓解了梯度消失（尤其是前向传播时的激活值衰减）。Sigmoid和Tanh的导数最大值为0.25和1，深层网络中会导致梯度指数级衰减；Softmax用于多分类输出层，不解决梯度问题。

在训练卷积神经网络（CNN）时，若输入图像尺寸为224×224×3，使用一个5×5的卷积核（padding=2，stride=1），输出特征图的尺寸为？

A.224×224×N（N为卷积核数量）

B.220×220×N

C.222×222×N

D.226×226×N

答案：A

解析：卷积输出尺寸计算公式为(=+1)，其中W=224，K=5，P=2，S=1。代入得((224-5+2×2)/1+1=224)，因此输出尺寸与输入相同（等尺寸卷积），通道数由卷积核数量N决定。

以下哪项不是循环神经网络（RNN）的典型问题？

A.长依赖问题（Long-termDependency）

B.梯度爆炸

C.无法处理变长序列

D.梯度消失

答案：C

解析：RNN通过时间步展开的结构天然支持变长序列（通过填充或截断处理）。长依赖问题（早期信息在传播中被稀释）、梯度消失/爆炸（由循环结构的连乘梯度导致）是RNN的核心缺陷。

训练深度学习模型时，若验证集损失持续下降但测试集损失上升，最可能的原因是？

A.模型欠拟合

B.数据泄露（DataLeakage）

C.学习率过小

D.训练数据分布与测试数据分布不一致

答案：D

解析：验证集与测试集损失趋势分离，说明模型在验证集上的泛化能力未迁移到测试集，最可能是两者数据分布差异（如验证集是测试集的子集或分布偏移）。欠拟合会导致训练/验证损失均高；数据泄露会使验证/测试损失异常低；学习率过小会导致训练缓慢但趋势一致。

以下哪种优化器结合了动量（Momentum）和自适应学习率（AdaptiveLearningRate）？

A.SGD

B.Adam

C.RMSprop

D.Adagrad

答案：B

解析：Adam（AdaptiveMomentEstimation）在SGD基础上引入了动量（一阶矩估计）和平方梯度的指数加权平均（二阶矩估计），实现自适应学习率调整。RMSprop和Adagrad仅用二阶矩；SGD无自适应机制。

Transformer模型中，自注意力（Self-Attention）的计算基于？

A.输入序列的位置编码与全连接层

B.查询（Query）、键（Key）、值（Value）的点积

C.循环单元的状态传递

D.卷积核的局部感受野

答案：B

解析：自注意力的核心是((Q,K,V)=()V)，其中Q、K、V由输入通过线性变换生成。位置编码用于补充序列顺序信息，非注意力计算基础；循环单元是RNN的特性；局部感受野是CNN的特性。

以下哪项不属于模型压缩技术？

A.知识蒸馏（KnowledgeDistillation）

B.权重剪枝（WeightPruning）

C.批量归一化（BatchNormalization）

D.低秩分解（Low-rankFactorization）

答案：C

解析：BatchNormalization是训练优化技术（通过标准化输入加速收敛），不减少模型参数量。知识蒸馏（用大模型指导小模型）、权重剪枝（删除冗余参数）、低秩分解（用低秩矩阵近似权重）均为典型压缩方法。

在二分类任务中，若正样本占比仅1%，最适合的损失函数是？

A.交叉熵损失（Cross-EntropyLoss）

B.FocalLoss

C.均方误差（MSE）

D.HingeLoss

答案：B

解析：FocalLoss通过((1-p_t)^)降低易分类样本的损失权重，重点关注难分类的少数正样本，缓解类别不平衡问题。交叉熵对所有样本等权，会导致模型偏向多数类；MSE用于回归；HingeLoss用于SVM。

以下哪种正则化方法通过随机失活神经元来防止过拟合？

A.L2正则化

B.Dropout

C.数据增强（DataAugmentation）

D.早停（EarlyStopping）

答案：B

解析：Dropout在训练时随机将部分神经元的输出置0，强制模型学习鲁棒特征；L2正则化通过惩罚大权重参数；数据增强通过增加训练数据多样性；早停通过提前终止训练避