2025 年大学人工智能（深度学习）期中测试卷.docVIP

2025年大学人工智能（深度学习）期中测试卷

（考试时间：90分钟满分100分）班级______姓名______

一、单项选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填写在括号内）

1.深度学习中，以下哪种激活函数在隐藏层中最常用？（）

A.Sigmoid函数

B.ReLU函数

C.Tanh函数

D.Softmax函数

2.下列关于卷积神经网络（CNN）的说法，错误的是（）

A.卷积层主要用于提取图像的特征

B.池化层用于减少数据量和防止过拟合

C.全连接层通常在网络的最后用于分类或回归

D.CNN只能处理二维图像数据

3.在反向传播算法中，计算梯度时使用的链式法则是为了（）

A.加速计算过程

B.计算损失函数关于网络参数的梯度

C.优化网络结构

D.选择合适的激活函数

4.以下哪种优化器在深度学习中收敛速度较快且不易陷入局部最优？（）

A.SGD

B.Adagrad

C.RMSProp

D.Adam

5.对于一个二分类问题，使用Softmax函数作为输出层激活函数时，输出结果表示（）

A.属于每个类别的概率

B.属于每个类别的得分

C.预测的类别标签

D.以上都不对

6.在训练深度学习模型时，数据归一化的主要目的是（）

A.提高模型的泛化能力

B.加快模型的收敛速度

C.防止梯度消失或爆炸

D.以上都是

7.以下关于循环神经网络（RNN）的说法，正确的是（）

A.适合处理序列数据

B.只能处理固定长度的序列

C.不存在梯度消失问题

D.不需要进行反向传播训练

8.深度学习模型的评估指标中，用于衡量分类模型预测准确性的是（）

A.准确率（Accuracy）

B.召回率（Recall）

C.F1值

D.均方误差（MSE）

9.以下哪种方法不属于正则化技术，用于防止深度学习模型过拟合？（）

A.L1正则化

B.L2正则化

C.Dropout

D.数据增强

10.在深度学习中，预训练模型（如VGG16、ResNet等）的主要作用是（）

A.提供初始化参数，加快模型训练

B.直接用于最终的预测任务

C.减少模型的计算量

D.提高模型的泛化能力

二、多项选择题（总共5题，每题5分，每题有多个正确答案，请将正确答案填写在括号内，多选或少选均不得分）

1.以下哪些是深度学习中常用的损失函数？（）

A.交叉熵损失函数

B.均方误差损失函数

C.Hinge损失函数

D.绝对值损失函数

2.卷积神经网络（CNN）中的卷积核具有以下哪些特点？（）

A.可学习的参数

B.固定大小

C.不同的卷积核可提取不同的特征

D.用于对输入数据进行下采样

3.在训练深度学习模型时，以下哪些因素会影响模型的性能？（）

A.数据的质量和数量

B.优化器的选择

C.网络的结构

D.超参数的设置

4.循环神经网络（RNN）的变体包括（）

A.LSTM

B.GRU

C.DenseNet

D.Inception

5.以下哪些技术可以用于提高深度学习模型的泛化能力？（）

A.正则化

B.数据增强

C.提前停止

D.模型融合

三、判断题（总共10题，每题2分，请判断下列说法的对错，在括号内打“√”或“×”）

1.深度学习模型只能处理数值型数据，不能处理文本数据。（）

2.在深度学习中，增加网络的层数一定会提高模型的性能。（）

3.梯度消失问题通常出现在深度神经网络中，尤其是在使用Sigmoid或Tanh激活函数时。（）

4.数据增强技术可以增加数据的多样性，从而提高模型的泛化能力，但不会改变数据的分布。（）

5.对于多分类问题，Softmax函数输出的概率之和一定为1。（）

6.卷积神经网络中的池化操作会丢失部分信息，因此会降低模型的性能。（）

7.循环神经网络（RNN）适合处理具有长期依赖关系的序列数据。（）

8.深度学习模型的训练过程就是不断调整网络参数，使损失函数的值最小化的过程。（）

9.正则化技术可以防止模型过拟合，同时也可以提高模型的收敛速度。（）

10.在深度学习中，预训练模型只能用于图像分类任务，不能用于其他领域。（）

四、简答题（总共3题，每题10分，请简要回答以下问题）

1.请简述反向传播算法及其在深度学习中的作用。

2.什么是卷积神经网络（CNN）的感受野？它有什么作用？

3.简述Dropout技术及其在防止深度学习模型过拟合方面的原理。

五、综合题（总共2题，每题15分，请结合所学知识回答以下问题）

1.假设有一个简单的二分类问题，使用