人工智能工程师深度学习题目及详解.docxVIP

人工智能工程师深度学习题目及详解

一、单项选择题（共10题，每题1分，共10分）

下列激活函数中，最容易导致深层网络出现梯度消失问题的是（）

A.ReLU

B.sigmoid

C.tanh

D.LeakyReLU

答案：B

解析：sigmoid函数的导数取值范围固定在0到0.25之间，当深层网络进行反向传播时，每一层的梯度都会乘以该激活函数的导数，经过多层累积后，梯度会快速缩小至趋近于0，从而引发梯度消失。而ReLU函数在输入为正区间时导数为1，能保持梯度大小，tanh和LeakyReLU的导数范围也优于sigmoid，因此sigmoid是最易引发梯度消失的激活函数。

深度学习中，常用于多分类任务的损失函数是（）

A.均方误差损失

B.交叉熵损失

C.绝对值损失

D.Hinge损失

答案：B

解析：交叉熵损失能有效衡量预测概率分布与真实标签分布的差异，引导模型输出更贴合真实类别的概率值，在多分类任务中表现远优于其他选项。均方误差损失更适合回归任务，绝对值损失对异常值更鲁棒，Hinge损失多用于支持向量机等传统模型，较少应用于深度学习分类任务。

卷积神经网络（CNN）中，池化层的核心作用是（）

A.增加模型参数，提升拟合能力

B.减少特征维度，降低计算量

C.直接提取图像的高层语义特征

D.解决模型的过拟合问题

答案：B

解析：池化层通过下采样操作（