2026年人工智能工程师考试题库（附答案和详细解析）（0111）.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）

监督学习的核心特征是（）

A.无需标注数据

B.输入数据无标签

C.利用带标签数据训练模型

D.输出结果为连续数值

答案：C

解析：监督学习的定义是使用带有标签的训练数据来学习输入与输出之间的映射关系（如分类、回归任务）。选项A、B描述的是无监督学习的特征；选项D仅对应回归任务（监督学习的子集），非核心特征。

以下哪项是循环神经网络（RNN）的主要缺陷？（）

A.无法处理序列数据

B.长程依赖问题

C.参数量过大

D.仅支持二分类任务

答案：B

解析：RNN通过循环结构处理序列数据，但其隐含状态的梯度在反向传播时易消失或爆炸，导致难以捕捉长距离依赖关系（如长文本中的语义关联）。选项A错误（RNN专门处理序列）；C是深层网络的普遍问题；D错误（RNN可用于多分类、生成等任务）。

在卷积神经网络（CNN）中，池化层的主要作用是（）

A.增加特征图的深度

B.减少计算量并保留关键特征

C.防止过拟合

D.提取局部空间特征

答案：B

解析：池化层（如最大池化、平均池化）通过下采样降低特征图的空间尺寸（宽/高），减少参数量和计算量，同时保留区域内的显著特征（如边缘、纹理）。选项A是卷积层的作用；C是正则化（如Dropout）的作用；D是卷积核的作用。

以下哪种算法属于强化学习？（）

A.K-means

B.Q-learning

C.支持向量机（SVM）

D.决策树

答案：B

解析：强化学习通过智能体与环境交互，以最大化累积奖励为目标（如Q-learning、策略梯度）。选项A是无监督聚类；C、D是监督学习分类/回归算法。

Transformer模型的核心创新是（）

A.引入循环结构

B.自注意力机制

C.卷积核共享权重

D.梯度裁剪技术

答案：B

解析：Transformer通过自注意力（Self-Attention）机制直接计算序列中任意位置的依赖关系，替代了RNN的循环结构，解决了长程依赖问题。选项A是RNN特征；C是CNN特征；D是优化技巧。

以下损失函数中，适用于二分类任务的是（）

A.均方误差（MSE）

B.交叉熵损失（BinaryCross-Entropy）

C.绝对平均误差（MAE）

D.余弦相似度

答案：B

解析：二分类任务通常使用二元交叉熵损失（衡量预测概率与真实标签的差异）。选项A、C用于回归任务；D用于衡量向量相似性，非损失函数。

以下哪项不属于自然语言处理（NLP）的典型任务？（）

A.图像分类

B.情感分析

C.机器翻译

D.命名实体识别（NER）

答案：A

解析：图像分类属于计算机视觉任务；B、C、D均为NLP核心任务（文本情感倾向分析、跨语言翻译、实体提取）。

在机器学习中，“过拟合”的主要原因是（）

A.训练数据量过大

B.模型复杂度低

C.模型在训练集上表现过好，测试集上表现差

D.学习率设置过小

答案：C

解析：过拟合指模型过度学习训练数据的噪声和细节，导致泛化能力差（训练集准确率高，测试集低）。选项A（数据量大通常缓解过拟合）、B（复杂度低易欠拟合）、D（学习率小影响收敛速度）均错误。

以下深度学习框架中，基于动态计算图的是（）

A.TensorFlow1.x

B.PyTorch

C.Caffe

D.Keras（基于TensorFlow后端）

答案：B

解析：PyTorch采用动态计算图（运行时构建，支持灵活调试），而TensorFlow1.x、Caffe使用静态计算图（先定义后运行）。Keras是高层API，底层依赖静态图框架。

以下哪项是生成对抗网络（GAN）的组成部分？（）

A.编码器与解码器

B.生成器与判别器

C.注意力机制与前馈网络

D.卷积层与池化层

答案：B

解析：GAN由生成器（生成假数据）和判别器（区分真假数据）组成，通过对抗训练提升生成质量。选项A是自编码器结构；C是Transformer组件；D是CNN结构。

二、多项选择题（共10题，每题2分，共20分）

以下属于监督学习算法的有（）

A.K近邻（KNN）

B.决策树

C.K-means

D.支持向量机（SVM）

答案：ABD

解析：监督学习需要带标签数据（分类/回归）。KNN（基于标签样本分类）、决策树（标签驱动分裂）、SVM（标签划分超平面）均为监督学习；K-means（无标签聚类）是无监督学习。

深度学习中常用的激活函数包括（）

A.Sigmoid

B.ReLU

C.Softmax

D.Tanh

答案：ABD

解析：激活函数用于引入非线性。Sigmoid（输出0-1）、ReLU（修正线性单元）、Tanh（输出-1-1）是常用