2025年计算机人工智能考试题及答案.docxVIP

2025年计算机人工智能考试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪项属于监督学习任务？

A.对未标注的用户点击日志进行聚类分析

B.基于标注的图像文本对训练图像描述生成模型

C.使用tSNE对高维特征进行降维可视化

D.通过强化学习训练游戏AI自动通关

答案：B

解析：监督学习需要标注的输入输出对，B选项使用标注的图像文本对训练生成模型，符合监督学习定义；A、C为无监督学习，D为强化学习。

2.在深度学习中，使用ReLU激活函数的主要目的是：

A.解决梯度消失问题

B.增加模型的非线性表达能力

C.加速收敛速度

D.以上均是

答案：D

解析：ReLU（f(x)=max(0,x)）通过非饱和特性缓解梯度消失（A正确），其非线性特性使网络能拟合复杂函数（B正确），且计算简单加速训练（C正确）。

3.Transformer模型中，位置编码（PositionalEncoding）的作用是：

A.替代循环神经网络处理序列顺序信息

B.增强特征的空间位置感知能力

C.减少自注意力机制的计算复杂度

D.提升模型对长序列的记忆能力

答案：A

解析：Transformer通过自注意力机制替代RNN，但自注意力本身不考虑序列顺序，位置编码通过添加位置信息（如正弦/余弦函数或可学习参数）弥补这一缺陷，从而处理序列顺序。

4.生成对抗网络（GAN）中，判别器（Discriminator）的训练目标是：

A.最小化生成数据与真实数据的分布差异

B.最大化将真实数据判断为“真”、生成数据判断为“假”的概率

C.最小化生成数据的多样性损失

D.最大化生成数据的语义一致性

答案：B

解析：GAN的博弈过程中，判别器的目标是区分真实数据和生成数据，因此训练目标为最大化正确分类的概率（即真实数据判“真”、生成数据判“假”的概率之和）。

5.以下哪种技术不属于自然语言处理（NLP）中的预训练方法？

A.GPT（GenerativePretrainedTransformer）

B.BERT（BidirectionalEncoderRepresentationsfromTransformers）

C.ResNet（ResidualNetwork）

D.T5（TexttoTextTransferTransformer）

答案：C

解析：ResNet是计算机视觉中的残差网络，用于解决深度网络梯度消失问题；其余选项均为NLP预训练模型。

6.卷积神经网络（CNN）中，池化层（PoolingLayer）的主要作用是：

A.增加特征图的通道数

B.降低特征图的空间维度（尺寸）

C.引入非线性变换

D.增强局部感受野的信息聚合

答案：B

解析：池化层（如最大池化、平均池化）通过降采样（如2×2池化步长2）减少特征图的宽度和高度，降低计算量并增强平移不变性。

7.强化学习中，折扣因子γ（0≤γ≤1）的作用是：

A.平衡即时奖励与未来奖励的重要性

B.控制策略探索与利用的权衡

C.减少状态空间的维度

D.提升值函数的估计精度

答案：A

解析：γ越接近1，模型越重视长期未来奖励；γ越接近0，模型更关注即时奖励，因此其核心作用是平衡不同时间步奖励的权重。

8.以下哪项是多模态学习的典型应用？

A.基于单张图像的物体识别

B.结合文本和图像的商品推荐系统

C.纯文本的情感分析

D.单模态语音识别

答案：B

解析：多模态学习涉及两种或以上模态（如文本、图像、语音）的信息融合，B选项结合文本和图像属于多模态应用。

9.在迁移学习中，“领域自适应”（DomainAdaptation）的核心目标是：

A.将源领域的模型直接应用于目标领域

B.减少源领域与目标领域的分布差异对模型性能的影响

C.增加目标领域的标注数据量

D.提高源领域模型的泛化能力

答案：B

解析：领域自适应针对源领域（有标注）与目标领域（无/少标注）分布不同的场景，通过对齐分布（如最大均值差异MMD）或特征适配提升目标领域性能。

10.大语言模型（LLM）微调（Finetuning）时，以下哪种方法可降低计算成本？

A.全参数微调（FullFinetuning）

B.低秩自适应（LoRA，LowRankAdaptation）

C.增加微调的批次大小（BatchSize）

D.提高学习率（LearningRate）