2026年深度学习工程师考试题库（附答案和详细解析）（0921）.docxVIP

深度学习工程师

一、单项选择题（共10题，每题1分，共10分）

关于反向传播中的梯度消失问题，以下哪种说法最准确？

A.由于链式法则，若各层导数均小于1，梯度从输出层向输入层传播时会指数级减小

B.梯度消失只在网络层数大于100时出现

C.使用均方误差分类损失可以彻底避免梯度消失

D.增大学习率一定可以消除梯度消失

答案：A

解析：反向传播通过链式法则逐层相乘。如果每层导数都小于1，多层相乘后梯度会指数级减小，使浅层参数难以更新，这是梯度消失的核心原因。网络层数不多时也可能出现；均方误差损失并不能保证梯度不消失；增大学习率可能加剧训练不稳定，不能消除梯度消失。

与Sigmoid相比，ReLU作为隐藏层激活函数的主要优势是：

A.在正区间导数恒为1，能有效缓解深层梯度连乘导致的梯度消失

B.ReLU的输出均值始终为0，有利于下一层

C.对所有输入导数都为1，梯度永远不会消失

D.使用ReLU后不再需要参数初始化

答案：A

解析：ReLU在正区间梯度为1，负区间梯度为0，因此可以减弱多层连乘时梯度衰减问题，但并不是对所有输入梯度都为1。Sigmoid输出均值不为0，ReLU输出均值也不为0；无论使用什么激活函数，都需要合理的参数初始化。

对于二分类问题，输出层使用Sigmoid并采用二元交叉熵损失，主要原因是：

A.Sigmoid能将输出约束在(0,1)之间，配合交叉