2025年人工智能工程师考试题库（附答案和详细解析）（1231）.docxVIP

人工智能工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下关于监督学习与无监督学习的描述，正确的是（）

A.监督学习不需要标注数据，无监督学习需要标注数据

B.监督学习的目标是从无标签数据中发现模式，无监督学习用于预测标签

C.监督学习典型任务包括分类和回归，无监督学习包括聚类和降维

D.监督学习与无监督学习的主要区别在于是否使用迭代训练

答案：C

解析：监督学习需要标注数据（输入-输出对），目标是学习输入到输出的映射（如分类、回归）；无监督学习处理无标签数据，目标是发现数据内在结构（如聚类、降维）。选项A错误（监督学习需要标注）；B错误（监督学习预测标签，无监督学习发现模式）；D错误（两者均可能使用迭代训练）。

深度学习中，交叉熵损失函数通常用于（）

A.回归任务

B.分类任务

C.降维任务

D.聚类任务

答案：B

解析：交叉熵损失函数衡量预测概率分布与真实概率分布的差异，适用于分类任务（如多分类的softmax输出）。回归任务常用均方误差（MSE），降维和聚类无明确标签，不直接使用交叉熵。

以下哪项是卷积神经网络（CNN）的核心组件？（）

A.全连接层

B.卷积层

C.循环层

D.自注意力层

答案：B

解析：CNN通过卷积层（ConvolutionalLayer）提取局部空间特征（如图像的边缘、纹理），是其核心组件。全连接层用于特征整合，循环层（RNN）用于序列数据，自注意力层（Transformer）是另一种架构的核心。

Transformer模型的关键创新是（）

A.引入循环结构处理序列

B.仅依赖自注意力机制捕获长距离依赖

C.使用LSTM作为基础单元

D.通过池化层降低计算复杂度

答案：B

解析：Transformer模型的核心是自注意力机制（Self-Attention），无需循环或卷积结构即可直接捕捉序列中任意位置的依赖关系。选项A、C是RNN的特点；D是CNN的池化作用。

以下哪种方法不能缓解过拟合？（）

A.增加训练数据量

B.降低模型复杂度

C.使用L2正则化

D.减少训练轮次（Epochs）

答案：D

解析：过拟合是模型对训练数据过度拟合、泛化能力差的现象。缓解方法包括增加数据、降低复杂度、正则化（L1/L2）、早停法（提前终止训练）。减少训练轮次可能导致欠拟合（模型未充分学习），而非缓解过拟合。

梯度下降算法中，“批量梯度下降（BatchGD）”的特点是（）

A.每次仅用1个样本更新参数，训练速度快但波动大

B.每次用全部样本更新参数，梯度计算准确但耗时

C.每次用小批量样本更新参数，平衡速度与稳定性

D.无需计算梯度，直接搜索最优参数

答案：B

解析：批量梯度下降（BatchGD）使用全部训练样本计算梯度，参数更新方向更准确，但计算成本高（尤其数据量大时）。选项A是随机梯度下降（SGD），C是小批量梯度下降（Mini-batchGD），D是启发式算法（如遗传算法）。

自然语言处理（NLP）中，Word2Vec的主要作用是（）

A.生成文本摘要

B.将单词映射到低维连续向量空间

C.实现机器翻译

D.识别文本中的命名实体

答案：B

解析：Word2Vec是词嵌入（WordEmbedding）模型，通过神经网络学习单词的分布式表示（低维连续向量），捕捉单词的语义和语法关系。其他选项是具体NLP任务（摘要、翻译、命名实体识别）的目标。

强化学习（RL）中，“奖励函数（RewardFunction）”的作用是（）

A.定义智能体的状态空间

B.指导智能体学习最优策略

C.表示环境的转移概率

D.计算动作的执行成本

答案：B

解析：奖励函数是环境对智能体动作的即时反馈，智能体通过最大化长期累积奖励来学习最优策略（状态到动作的映射）。状态空间由环境定义（A错误），转移概率是环境动态（C错误），动作成本可能隐含在奖励中（D不直接）。

计算机视觉中，“目标检测（ObjectDetection）”与“图像分类（ImageClassification）”的主要区别是（）

A.目标检测需要定位物体位置，分类仅判断整体类别

B.目标检测使用CNN，分类使用RNN

C.目标检测处理视频，分类处理图像

D.目标检测输出概率，分类输出边界框

答案：A

解析：图像分类任务是预测图像整体的类别（如“猫”或“狗”）；目标检测不仅需要分类，还需为每个物体标注边界框（定位）。两者均可使用CNN（B错误），处理对象均为图像（C错误），分类输出概率，检测输出边界框+类别（D错误）。

生成对抗网络（GAN）由以下哪两个部分组成？（）

A.编码器和解码器

B.生成器和判别器

C.记忆单元和控制器

D.卷积层和池化层