人工智能深度学习试卷及详解.docxVIP

人工智能深度学习试卷及详解

一、单项选择题（共10题，每题1分，共10分）

下列激活函数中，能有效缓解深度神经网络训练时梯度消失问题的是？

A.Sigmoid函数

B.ReLU函数

C.Tanh函数

D.Softmax函数

答案：B

解析：Sigmoid函数在输入绝对值较大时，梯度趋近于0，易导致深层网络梯度消失；Tanh函数虽中心对称，但深层网络中仍易出现梯度消失；Softmax函数多用于多分类输出层，不具备缓解梯度消失的作用；ReLU函数在输入大于0时梯度恒为1，能有效缓解梯度消失，是深度学习中最常用的激活函数之一。

反向传播算法的核心理论依据是？

A.贝叶斯定理

B.链式求导法则

C.最大似然估计

D.最短路径算法

答案：B

解析：反向传播算法通过对损失函数关于各层参数求导，利用链式法则将输出层的误差逐层传递到输入层，从而计算各参数的梯度，实现参数的迭代更新；贝叶斯定理用于概率推理，最大似然估计用于模型参数优化的目标设定，最短路径算法与深度学习训练无关。

卷积神经网络（CNN）中，局部感受野和权值共享的设计主要是为了？

A.减少模型参数数量，降低过拟合风险

B.提升模型的推理速度

C.增强模型的非线性表达能力

D.简化网络结构设计

答案：A

解析：局部感受野使每个神经元仅关注输入数据的局部区域，权值共享则让同一卷积核在不同位置使用相同参数，两者结合大幅