2026年深度学习工程师考试题库（附答案和详细解析）（0108）.docxVIP

深度学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下关于ReLU激活函数的描述，正确的是？

A.在输入为负时导数为1

B.能有效缓解梯度消失问题

C.输出范围为(-1,1)

D.常用于循环神经网络（RNN）的隐层

答案：B

解析：ReLU（修正线性单元）的特点是输入大于0时输出等于输入，导数为1；输入小于0时输出为0，导数为0（A错误）。其非线性特性和稀疏激活特性可缓解梯度消失（B正确）。输出范围为[0,+∞)（C错误）。RNN隐层常用tanh或sigmoid激活函数（D错误）。

训练深度神经网络时，若损失函数长期不下降，最不可能的原因是？

A.学习率过小

B.数据未归一化

C.使用了Dropout层

D.梯度消失

答案：C

解析：学习率过小会导致优化步长不足，损失下降缓慢（A可能）；数据未归一化可能导致梯度不稳定（B可能）；梯度消失会导致深层网络参数无法更新（D可能）。Dropout通过随机失活神经元正则化模型，通常不会直接导致损失不下降（C最不可能）。

以下哪种优化算法引入了动量（Momentum）的概念？

A.SGD

B.Adam

C.RMSprop

D.Adagrad

答案：B

解析：SGD（随机梯度下降）无动量项（A错误）；Adam结合了动量（一阶矩估计）和自适应学习率（二阶矩估计）（B正确）；RMSprop和Adagrad仅使用自适应学习率，未引入动量（C、D错误）。

在图像分类任务中，卷积层的感受野指的是？

A.卷积核的大小

B.输入图像中影响当前输出特征的区域

C.特征图的通道数

D.池化操作的步长

答案：B

解析：感受野（ReceptiveField）定义为输入空间中，某一特征图位置对应的原始输入区域（B正确）。卷积核大小是感受野的基础，但不等同（A错误）；通道数和池化步长与感受野无直接定义关联（C、D错误）。

以下哪项不是过拟合的典型表现？

A.训练集准确率高，验证集准确率低

B.模型参数数量远大于训练数据量

C.损失函数在训练后期波动增大

D.测试集准确率接近验证集准确率

答案：D

解析：过拟合时模型对训练数据过度记忆，导致验证/测试集性能显著低于训练集（A正确，D错误）。参数过多（B）或训练后期过拟合（C）均是过拟合表现。

迁移学习中，“冻结预训练模型前几层参数”的主要目的是？

A.减少计算量

B.保留底层通用特征（如图像边缘、纹理）

C.避免梯度爆炸

D.增加模型容量

答案：B

解析：预训练模型的前几层通常学习底层通用特征（如边缘、纹理），冻结这些层可避免微调时丢失通用知识（B正确）。减少计算量是次要效果（A错误）；梯度爆炸与参数初始化或激活函数相关（C错误）；冻结参数会限制模型容量（D错误）。

计算交叉熵损失时，若真实标签为one-hot编码，预测输出应经过哪种激活函数？

A.Sigmoid

B.Softmax

C.Tanh

D.ReLU

答案：B

解析：交叉熵损失用于多分类时，预测输出需通过Softmax将值归一化为概率分布（B正确）。Sigmoid用于二分类（A错误）；Tanh和ReLU不直接输出概率（C、D错误）。

以下哪种方法不能用于缓解梯度消失问题？

A.使用ReLU激活函数

B.增加网络深度

C.残差连接（ResidualConnection）

D.批量归一化（BatchNormalization）

答案：B

解析：ReLU的导数在正数区域为1，可缓解梯度消失（A正确）；残差连接通过跳跃连接让梯度直接传递（C正确）；BatchNormalization稳定各层输入分布，减少内部协变量偏移（D正确）。增加网络深度会加剧梯度消失（B错误）。

在目标检测任务中，锚框（AnchorBox）的主要作用是？

A.减少计算量

B.适应不同尺度和长宽比的目标

C.提高分类准确率

D.替代卷积操作

答案：B

解析：锚框通过预设不同尺度、长宽比的候选框，匹配真实目标的形状，解决目标多尺度问题（B正确）。减少计算量是NMS（非极大值抑制）的作用（A错误）；分类准确率依赖于特征提取（C错误）；锚框是候选框生成方法，不替代卷积（D错误）。

以下关于Transformer模型的描述，错误的是？

A.仅使用自注意力机制（Self-Attention）

B.无需循环或卷积结构

C.位置编码（PositionalEncoding）用于捕捉序列顺序信息

D.可处理变长序列

答案：A

解析：Transformer的编码器使用自注意力，解码器使用自注意力和编码器-解码器注意力（A错误）。其架构基于注意力机制，无循环或卷积（B正确）；位置编码通过正弦/余弦函数或可学习参数注入位置信息（C正确）；注意力机制天然支持变