2026年深度学习工程师考试题库（附答案和详细解析）（0105）.docxVIP

深度学习工程师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下关于ReLU激活函数的描述，正确的是（）

A.解决了梯度爆炸问题

B.在输入为负时导数为0，可能导致神经元“死亡”

C.输出范围在(0,1)之间

D.适合用于循环神经网络的所有隐藏层

答案：B

解析：ReLU（修正线性单元）的数学表达式为(f(x)=(0,x))。选项A错误，ReLU缓解的是梯度消失而非爆炸；选项B正确，当输入持续为负时，神经元不再更新，称为“死亡ReLU”；选项C错误，ReLU输出范围是([0,+))；选项D错误，RNN通常使用Tanh或Sigmoid作为循环层激活函数。

下列优化算法中，结合了动量法和自适应学习率的是（）

A.SGD

B.RMSprop

C.Adam

D.Adagrad

答案：C

解析：Adam（AdaptiveMomentEstimation）同时维护了梯度的一阶动量（类似动量法）和二阶动量（类似RMSprop的自适应学习率），因此选项C正确。SGD（随机梯度下降）无自适应学习率；RMSprop仅用二阶动量；Adagrad基于历史梯度平方和调整学习率，但未引入动量。

为了缓解过拟合，通常不会采用以下哪种方法？（）

A.增加训练数据量

B.减少模型层数

C.使用权重衰减（L2正则化）

D.提高学习率

答案：D

解析：过拟合的核心原因是模型复杂度高于数据复杂度。选项A（增加数据）、B（降低模型复杂度）、C（正则化约束参数）均可缓解过拟合；选项D（提高学习率）可能导致训练不稳定或无法收敛，与过拟合无关。

交叉熵损失函数适用于以下哪种任务？（）

A.图像分类（多类别）

B.目标检测（边界框回归）

C.图像去噪（像素值回归）

D.语音识别（序列生成）

答案：A

解析：交叉熵损失(L=-y_i(_i))用于衡量预测概率分布与真实分布的差异，适合分类任务（选项A）。回归任务常用MSE（均方误差），如选项B（IOU损失）、C（MSE）；序列生成常用交叉熵或CTC损失，但选项D描述不具体，最佳答案为A。

PyTorch与TensorFlow的主要区别之一是（）

A.PyTorch使用静态计算图，TensorFlow使用动态计算图

B.PyTorch支持自动微分，TensorFlow不支持

C.PyTorch的API更接近Python原生语法，灵活性更高

D.TensorFlow仅支持GPU加速，PyTorch支持CPU/GPU

答案：C

解析：PyTorch采用动态计算图（运行时构建），TensorFlow早期使用静态图（先定义后运行），现TF2.x也支持动态图（选项A错误）。两者均支持自动微分（选项B错误）。PyTorch的API设计更贴近Python习惯（如使用类和函数组合模型），灵活性更高（选项C正确）。两者均支持CPU/GPU（选项D错误）。

对图像数据进行归一化（Normalization）的主要目的是（）

A.减少图像尺寸，降低计算量

B.使不同特征的尺度一致，加速模型收敛

C.增强图像的对比度，提高可视化效果

D.增加数据多样性，缓解过拟合

答案：B

解析：归一化（如(x’=(x-)/)）通过将特征缩放到相同数量级，避免某些特征因尺度过大主导梯度计算，从而加速优化过程（选项B正确）。减少尺寸是下采样（选项A错误）；增强对比度是数据增强（选项C错误）；增加多样性是数据增强或扰动（选项D错误）。

评估二分类模型性能时，F1分数综合了以下哪两个指标？（）

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和特异度（Specificity）

D.AUC-ROC和准确率（Accuracy）

答案：B

解析：F1分数的计算公式为(F1=2(PR)/(P+R))，其中(P)是精确率（正预测中实际为正的比例），(R)是召回率（实际正例中被正确预测的比例），因此选项B正确。

一个3×3的卷积核在5×5的输入特征图上滑动（步长1，无填充），输出特征图的尺寸是（）

A.3×3

B.4×4

C.5×5

D.7×7

答案：A

解析：输出尺寸计算公式为((H-K+2P)/S+1)，其中(H=5),(K=3),(P=0),(S=1)，代入得((5-3)/1+1=3)，因此输出为3×3（选项A正确）。

长短期记忆网络（LSTM）通过以下哪种机制缓解长期依赖问题？（）

A.遗忘门控制历史信息的保留

B.输入门仅接收当前输入

C.输