2025年人工智能知识考试复习题库及答案.docxVIP

2025年人工智能知识考试复习题库及答案

一、单项选择题（每题2分，共30分）

1.以下哪项属于监督学习任务？

A.客户分群（聚类）

B.图像风格迁移

C.垃圾邮件分类

D.异常检测

答案：C

解析：监督学习需要标注数据，垃圾邮件分类需要已知标签（垃圾/非垃圾）的训练数据；聚类、异常检测属于无监督学习，图像风格迁移通常基于无监督或自监督方法。

2.在神经网络中，ReLU激活函数的主要优点是？

A.解决梯度消失问题

B.输出范围在(1,1)

C.计算复杂度高

D.适用于所有层的激活

答案：A

解析：ReLU（修正线性单元）的导数在输入为正时为1，避免了sigmoid/tanh在深层网络中因导数小于1导致的梯度消失问题；其输出范围是[0,∞)，计算简单，通常用于隐藏层。

3.以下哪种算法不属于生成模型？

A.GAN（生成对抗网络）

B.VAE（变分自编码器）

C.逻辑回归

D.朴素贝叶斯

答案：C

解析：生成模型关注数据生成过程（如GAN生成图像、VAE生成分布、朴素贝叶斯假设特征条件独立），逻辑回归是判别模型，直接学习输入到标签的映射。

4.在自然语言处理（NLP）中，Word2Vec的核心思想是？

A.基于上下文预测目标词（CBOW）或基于目标词预测上下文（Skipgram）

B.利用Transformer的多头注意力机制

C.通过预训练语言模型捕捉长距离依赖

D.对句子进行句法分析

答案：A

解析：Word2Vec通过滑动窗口构建上下文目标词对，CBOW模型用上下文词预测中心词，Skipgram用中心词预测上下文词，从而学习词向量。

5.以下哪项是卷积神经网络（CNN）中池化层的主要作用？

A.增加模型参数数量

B.提取局部空间特征

C.降低特征图的空间维度（下采样）

D.引入非线性变换

答案：C

解析：池化层（如最大池化、平均池化）通过对局部区域取极值或均值，减少特征图的宽度和高度，降低计算量并增强平移不变性；提取局部特征主要由卷积层完成。

6.梯度下降优化中，“动量（Momentum）”的作用是？

A.加速收敛，减少震荡

B.防止过拟合

C.动态调整学习率

D.解决梯度爆炸

答案：A

解析：动量优化引入历史梯度的指数加权平均，使参数更新方向更稳定，减少局部最优的震荡，加速收敛。

7.以下哪个模型是基于Transformer架构的？

A.LSTM

B.BERT

C.LeNet5

D.SVM

答案：B

解析：BERT（双向编码器表示）是基于Transformer的双向预训练语言模型；LSTM是循环神经网络变体，LeNet5是早期CNN，SVM是传统机器学习算法。

8.以下哪项属于强化学习中的“奖励函数”设计目标？

A.最大化累计折扣奖励

B.最小化训练数据误差

C.优化模型参数初始化

D.减少特征维度

答案：A

解析：强化学习的核心是智能体通过与环境交互，学习策略以最大化长期累计奖励（通常包含折扣因子γ）。

9.在目标检测任务中，YOLO（YouOnlyLookOnce）模型的主要特点是？

A.两阶段检测（先区域建议，再分类）

B.单阶段端到端检测，速度快

C.依赖手工设计的特征（如HOG）

D.仅支持小目标检测

答案：B

解析：YOLO将目标检测视为回归问题，直接在单张图像的多个网格中预测边界框和类别，属于单阶段模型，速度显著快于两阶段的FasterRCNN。

10.以下哪种方法可用于解决类别不平衡问题？

A.对少数类样本过采样（Oversampling）

B.增加模型深度

C.使用ReLU激活函数

D.降低学习率

答案：A

解析：类别不平衡时，少数类样本易被模型忽略，过采样（如SMOTE算法）通过生成少数类样本或复制少数类样本平衡数据集；其他选项与类别不平衡无直接关联。

11.自然语言处理中的“词袋模型（BagofWords）”忽略了以下哪项信息？

A.词语出现的频率

B.词语之间的顺序

C.词语的语义相似性

D.停用词的存在

答案：B

解析：词袋模型仅统计词语的出现频率，不考虑词语在句子中的顺序（如“猫追狗”和“狗追猫”会被视为相同特征）。

12.以下哪项是迁移学习的典型应用场景？

A.在大规模未标注数据上预训练模型，再在小样本目标任务上微调

B.使用随机初始化的模型训练新任务

C.仅用目标任务的少量数据训练模型

D.