2026年大学大二（人工智能）深度学习基础阶段测试试题及答案.docVIP

2025年大学大二（人工智能）深度学习基础阶段测试试题及答案

（考试时间：90分钟满分100分）

班级______姓名______

第I卷（选择题共30分）

每题给出的四个选项中，只有一项是符合题目要求的。(总共6题，每题5分)

w1：以下关于深度学习中激活函数的说法，错误的是（）

A.ReLU函数在某些情况下会导致神经元死亡

B.Sigmoid函数的输出值范围是(0,1)

C.Tanh函数是奇函数

D.Softmax函数常用于多分类问题，输出值表示各个类别的概率

w2：在一个简单的全连接神经网络中，输入层有3个神经元，隐藏层有4个神经元，输出层有2个神经元。那么从输入层到隐藏层的权重矩阵维度是（）

A.3×4

B.4×3

C.3×2

D.2×3

w3：下列哪种优化算法在深度学习中收敛速度通常较快且较为稳定（）

A.随机梯度下降（SGD）

B.Adagrad

C.RMSProp

D.Adam

w4：对于一个深度卷积神经网络，卷积层的主要作用是（）

A.对输入数据进行降维

B.提取数据的特征

C.增加模型的非线性

D.进行分类预测

w5：在深度学习中，以下哪种损失函数常用于回归问题（）

A.交叉熵损失函数

B.均方误差损失函数

C.Hinge损失函数

D.0-1损失函数

w6：以下关于深度学习模型评估指标的说法，正确的是（）

A.准确率适用于所有分类问题

B.F1值综合考虑了精确率和召回率

C.均方误差越小，说明模型在回归任务中的性能越差

D.ROC曲线主要用于评估多分类模型的性能

第II卷（非选择题共70分）

w7：（10分）简述深度学习中反向传播算法的基本原理。

w8：（15分）请说明卷积神经网络中池化层的作用及常见类型，并举例说明其应用场景。

w9：（15分）现有一个二分类问题，使用逻辑回归模型进行训练。已知训练数据如下：

样本1：特征向量x1=(1,2)，标签y1=1

样本2：特征向量x2=(2,3)，标签y2=0

样本3：特征向量x3=(3,4)，标签y3=1

假设逻辑回归模型的参数初始化为w=(0,0)，b=0，学习率α=0.1。请计算经过一次梯度下降更新后的参数w和b的值。（写出计算过程）

w10：（20分）阅读以下材料：

在图像识别领域，深度学习取得了巨大的成功。卷积神经网络（CNN）通过卷积层、池化层和全连接层等组件，能够有效地提取图像的特征并进行分类。例如，在人脸识别任务中，CNN可以准确地识别出不同人的面部特征。然而，CNN也面临一些挑战，如计算资源需求大、对数据量要求高以及容易受到对抗样本的攻击等。

问题：

（1）请简要概括卷积神经网络在图像识别中的优势。

（2）针对CNN面临的挑战，你认为可以采取哪些措施来改进？

w11：（20分）阅读以下材料：

在自然语言处理中，循环神经网络（RNN）及其变体（如LSTM、GRU）被广泛应用。RNN能够处理序列数据，如文本中的单词序列。它通过记忆单元和循环结构，可以捕捉到序列中的长期依赖关系。例如，在机器翻译任务中，RNN可以根据源语言句子的顺序生成目标语言的翻译。但RNN也存在梯度消失和梯度爆炸等问题，影响了其性能。

问题：

（1）解释RNN能够处理序列数据的原理。

（2）针对RNN的梯度问题，LSTM和GRU是如何改进的？

答案：

w1：A

w2：A

w3：D

w4：B

w5：B

w6：B

w7：反向传播算法是深度学习中用于计算梯度并更新模型参数的重要算法。其基本原理是从输出层开始，根据损失函数计算输出层的梯度，然后反向传播到隐藏层，依次计算各层的梯度。通过链式法则，将损失函数对输出的梯度逐步传递到前面的层，从而得到每个参数的梯度。最后根据这些梯度，使用优化算法更新模型的参数，使得损失函数的值逐渐减小。

w8：池化层的作用主要是对卷积层输出的特征图进行下采样，减少数据量和计算量，同时保留主要特征。常见类型有最大池化和平均池化。最大池化是取局部区域内的最大值作为池化后的输出，平均池化则是取平均值。应用场景如在图像分类中，池化层可降低特征图分辨率，减少后续全连接层的计算量，同时保留关键特征用于分类。

w9：逻辑回归模型的预测函数为h(x)=sigmoid(wTx+b)，其中sigmoid函数为σ(z)=1/(1+e^(-z))。

首先计算预测值：

对于样本1：z1=wTx1+b=0×1+0×2+0=0，h(x1)=σ(0)=0.5

对于样本2：z2=wTx2+b=0×2+0×3+0=0，h(x2)=σ(0)=0.5

对于样本3：z3=wTx3+b=0×3+0×4+0=0，h(x3)=σ