2026年深度学习工程师考试题库（附答案和详细解析）（0922）.docxVIP

深度学习工程师

一、单项选择题（共10题，每题1分，共10分）

在深度卷积神经网络中，使用下列哪种激活函数通常能最有效地缓解梯度消失问题？A.Sigmoid激活函数常被用于隐藏层以缓解梯度消失。B.ReLU激活函数将负输入置为0，正输入保持线性，常被用于隐藏层。C.tanh激活函数把输出映射到(-1,1)且不存在饱和区。D.Softmax激活函数可以直接作为隐藏层激活函数。

答案：B

解析：ReLU在正区间梯度恒为1，能有效减少梯度在反向传播中的衰减，因此常用来缓解梯度消失。Sigmoid和tanh在输入绝对值较大时梯度趋近于0，会加剧梯度消失；Softmax一般用于输出层，不适合直接作隐藏层激活函数。

在卷积神经网络中，下列哪种操作主要用于降低特征图的空间尺寸并增强平移不变性？A.卷积操作通过滑动卷积核提取局部特征。B.池化操作对局部区域进行聚合统计，常用于下采样。C.全连接操作将特征展开并映射到分类空间。D.Dropout操作随机丢弃部分神经元。

答案：B

解析：池化层（如最大池化、平均池化）通过聚合局部区域信息降低特征图分辨率，同时带来一定平移不变性。卷积主要负责特征提取，全连接负责分类映射，Dropout用于正则化。

对于二分类问题，当模型输出经过Sigmoid函数后，通常使用下列哪个损失函数？A.均方误差损失函数直接比较预测概率和标签。