2026年深度学习工程师考试题库（附答案和详细解析）（0130）.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）

以下哪种激活函数在输入为负时导数为0？

A.Sigmoid

B.Tanh

C.ReLU

D.LeakyReLU

答案：C

解析：ReLU（修正线性单元）的表达式为(f(x)=(0,x))，当输入(x0)时，输出恒为0，导数也为0；Sigmoid和Tanh在输入为负时导数不为0；LeakyReLU在输入为负时导数为小常数（如0.01），因此正确答案为C。

以下优化器中，结合了动量（Momentum）和自适应学习率特性的是？

A.SGD

B.Adagrad

C.RMSprop

D.Adam

答案：D

解析：Adam（AdaptiveMomentEstimation）同时利用了动量（一阶矩估计）和自适应学习率（二阶矩估计），而SGD仅使用动量；Adagrad和RMSprop仅自适应调整学习率但未显式结合动量，因此正确答案为D。

在深度学习中，L2正则化的主要作用是？

A.缓解过拟合

B.加速收敛

C.解决梯度消失

D.提升计算效率

答案：A

解析：L2正则化通过在损失函数中添加权重平方和的惩罚项（(||^2_2)），迫使模型权重趋近于0，减少模型复杂度，从而缓解过拟合；加速收敛是动量的作用，解决梯度消失需依赖激活函数或残差结构，提升计算效率与正则化无关，因此正确答案为A。

CNN中池化层（Pooling）的核心作用是？

A.增加特征图数量

B.减少空间维度（降维）

C.提取局部纹理特征

D.增强平移不变性

答案：B

解析：池化层（如最大池化、平均池化）通过对局部区域下采样，显著减少特征图的宽度和高度（如将(224)降为(112)），降低计算量；增加特征图数量是卷积层的作用，提取局部特征由卷积核完成，平移不变性是池化的间接效果但非核心，因此正确答案为B。

RNN（循环神经网络）在处理长序列时容易出现的主要问题是？

A.计算复杂度高

B.梯度消失/爆炸

C.无法并行计算

D.对输入顺序不敏感

答案：B

解析：RNN的循环结构导致梯度在反向传播时需经过多个时间步（链式法则），若权重矩阵的特征值小于1会导致梯度消失，大于1则导致梯度爆炸；计算复杂度高和无法并行是次要问题，RNN对输入顺序敏感，因此正确答案为B。

Transformer模型中，位置编码（PositionalEncoding）的作用是？

A.替代循环结构以实现并行计算

B.为模型提供序列中元素的位置信息

C.增强注意力头的多样性

D.减少自注意力的计算量

答案：B

解析：Transformer通过自注意力机制替代循环结构，但自注意力本身无法感知序列顺序，因此需要位置编码（如正弦/余弦函数或可学习编码）为每个位置添加位置信息；并行计算由自注意力的矩阵运算实现，注意力头多样性由多头机制保证，计算量减少需依赖稀疏注意力等优化，因此正确答案为B。

对于多分类任务（类别数(C)），最常用的损失函数是？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.铰链损失（HingeLoss）

D.对数损失（LogLoss）

答案：B

解析：交叉熵损失直接衡量预测概率分布与真实分布的差异，适用于多分类任务（通过Softmax将输出转化为概率）；MSE用于回归任务，HingeLoss主要用于二分类（如SVM），LogLoss是二分类交叉熵的别称，因此正确答案为B。

以下哪种方法最适合检测模型是否过拟合？

A.观察训练集准确率

B.比较训练集和验证集的损失

C.增加模型层数

D.降低学习率

答案：B

解析：过拟合表现为模型在训练集上损失很小，但在验证集上损失显著增大（泛化能力差），因此需比较两者的损失差异；仅观察训练集无法判断泛化性，增加层数可能加剧过拟合，降低学习率影响收敛速度而非过拟合检测，因此正确答案为B。

以下哪项不是超参数（Hyperparameter）？

A.学习率（LearningRate）

B.批量大小（BatchSize）

C.权重衰减系数（WeightDecay）

D.卷积核权重值（KernelWeights）

答案：D

解析：超参数是训练前手动设定的参数（如学习率、批量大小、权重衰减），而卷积核权重是模型通过训练学习得到的参数（Parameter），因此正确答案为D。

在图像分类任务中，若测试集的类别分布与训练集严重不平衡（如90%为“猫”，10%为“狗”），最不适合的评估指标是？

A.准确率（Accuracy）

B.F1分数（F1Score）

C.ROC-AUC

D.召回率（Recall）

答案：A

解析：准确率在类别不平衡时