2026年深度学习工程师考试题库（附答案和详细解析）（0214）.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）

以下哪种激活函数最适合解决深度神经网络中的梯度消失问题？

A.Sigmoid

B.Tanh

C.ReLU

D.Softmax

答案：C

解析：ReLU（修正线性单元）的优点在于当输入为正时梯度为1，避免了Sigmoid和Tanh在输入较大或较小时梯度趋近于0的问题（梯度消失），因此更适合深度网络。A选项Sigmoid输出范围在(0,1)，导数最大值为0.25，易导致梯度消失；B选项Tanh输出范围在(-1,1)，导数最大值为1，但仍存在饱和区梯度消失；D选项Softmax用于多分类输出层，不解决梯度消失问题。

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.模型在新数据上泛化能力差

C.模型参数数量远小于训练数据量

D.损失函数在训练集上持续下降，验证集上先降后升

答案：C

解析：过拟合通常发生在模型复杂度高（参数多）而数据量不足时。C选项描述的“参数数量远小于数据量”是欠拟合的典型场景。A、B、D均为过拟合的典型表现。

在反向传播中，计算损失函数对参数的梯度时，主要依据的数学工具是？

A.链式法则

B.泰勒展开

C.拉格朗日乘数法

D.傅里叶变换

答案：A

解析：反向传播的核心是通过链式法则逐层计算梯度（从输出层向输入层传递梯度）。B选项泰勒展开用于近似函数；C