📘 模块三：深度学习扩展题（50题）

神经网络基础（1–8）

Q1. 神经网络中使用非线性激活函数的主要原因是：

• A. 降低计算复杂度
• B. 提高数值稳定性
• C. 提供非线性表示能力
• D. 增加参数数量

✅ 答案：C

Q2. Sigmoid 激活函数在大数值输入时的主要问题是：

• A. 过拟合
• B. 梯度消失
• C. 梯度爆炸
• D. 不收敛

✅ 答案：B

Q3. ReLU 激活函数的主要优势是：

• A. 恒等函数
• B. 缓解梯度消失
• C. 提高计算复杂度
• D. 无法稀疏

✅ 答案：B

Q4. Batch Normalization 主要作用是：

• A. 减少过拟合
• B. 加快训练并稳定梯度
• C. 增加非线性
• D. 增加网络深度

✅ 答案：B

Q5. Dropout 的作用是：

• A. 增加模型复杂度
• B. 减少过拟合
• C. 增加训练速度
• D. 增加参数数量

✅ 答案：B

Q6. 参数共享主要体现在：

• A. 全连接层
• B. 卷积层
• C. 池化层
• D. Softmax 层

✅ 答案：B

Q7. 在反向传播中，链式法则的作用是：

• A. 保证梯度为正
• B. 将梯度逐层传播
• C. 归一化梯度
• D. 随机更新梯度

✅ 答案：B

Q8. 权重初始化 Xavier 方法主要针对：

• A. Sigmoid/Tanh 激活
• B. ReLU 激活
• C. Softmax
• D. 恒等函数

✅ 答案：A

---

CNN 与计算机视觉（9–18）

Q9. 卷积层相比全连接层的优势是：

• A. 参数更少，利用局部连接和权重共享
• B. 参数更多，更灵活
• C. 训练更慢
• D. 只能处理一维数据

✅ 答案：A

Q10. 池化层的主要作用是：

• A. 增加参数数量
• B. 降低计算复杂度并增强平移不变性
• C. 增加特征维度
• D. 防止梯度消失

✅ 答案：B

Q11. 卷积神经网络中，padding 的作用是：

• A. 增加计算量
• B. 保持特征图大小
• C. 减小通道数
• D. 防止梯度消失

✅ 答案：B

Q12. 卷积神经网络中，感受野的大小决定了：

• A. 网络层数
• B. 输入特征覆盖范围
• C. 输出通道数
• D. 池化方式

✅ 答案：B

Q13. ResNet 使用残差连接的主要目的是：

• A. 增加非线性
• B. 缓解梯度消失，便于训练更深的网络
• C. 增加参数量
• D. 减少训练数据

✅ 答案：B

Q14. Inception 结构的特点是：

• A. 使用多种卷积核并行提取特征
• B. 使用残差连接
• C. 使用注意力机制
• D. 使用循环网络

✅ 答案：A

Q15. MobileNet 的主要优化点是：

• A. 使用大卷积核
• B. 使用深度可分离卷积减少计算量
• C. 使用稀疏连接
• D. 使用循环结构

✅ 答案：B

Q16. 卷积层的参数规模公式是：

• A. $k \times k \times c_{in} \times c_{out}$
• B. $k + c_{in}$
• C. $c_{in} + c_{out}$
• D. $k \times c_{out}$

✅ 答案：A

Q17. Batch Normalization 的归一化是针对：

• A. 每个样本的所有特征
• B. 每个 mini-batch 的每个特征维度
• C. 整个训练集
• D. 随机特征子集

✅ 答案：B

Q18. 卷积神经网络中，Global Average Pooling 常用于：

• A. 替代全连接层
• B. 增加卷积核大小
• C. 减少训练速度
• D. 增加梯度消失

✅ 答案：A

---

RNN 与序列模型（19–28）

Q19. RNN 在长序列训练中的主要问题是：

• A. 过拟合
• B. 梯度消失或爆炸
• C. 参数过少
• D. 不支持反向传播

✅ 答案：B

Q20. LSTM 中引入门控机制的目的是：

• A. 增加参数
• B. 缓解梯度消失
• C. 减少时间复杂度
• D. 增加非线性

✅ 答案：B

Q21. LSTM 的遗忘门作用是：

• A. 选择性遗忘部分历史信息
• B. 增加梯度
• C. 减少参数量
• D. 控制输出大小

✅ 答案：A

Q22. GRU 相比 LSTM 的主要优势是：

• A. 结构更简单，参数更少
• B. 训练更慢
• C. 收敛更差
• D. 更容易过拟合

✅ 答案：A

Q23. 在序列建模中，teacher forcing 的作用是：

• A. 随机丢弃输入
• B. 在训练时用真实标签作为下一步输入
• C. 使用残差连接
• D. 增加正则化

✅ 答案：B

Q24. 双向 RNN 的主要优势是：

• A. 更快训练
• B. 利用前后文信息
• C. 增加参数更少
• D. 无需反向传播

✅ 答案：B

Q25. Attention 机制的作用是：

• A. 将所有输入平均化
• B. 动态聚合输入特征，提升长程依赖建模能力
• C. 增加梯度消失
• D. 简化计算

✅ 答案：B

Q26. Transformer 取代 RNN 的主要优势是：

• A. 并行计算能力强
• B. 参数更少
• C. 不依赖注意力机制
• D. 自动稀疏化

✅ 答案：A

Q27. 在 Transformer 中，多头注意力的作用是：

• A. 增加训练速度
• B. 捕捉不同子空间的表示
• C. 减少参数
• D. 增加正则化

✅ 答案：B

Q28. Transformer 中位置编码的作用是：

• A. 增加正则化
• B. 引入序列顺序信息
• C. 减少参数
• D. 增加深度

✅ 答案：B

---

优化器与训练技巧（29–38）

Q29. SGD 的主要特点是：

• A. 每次使用全量数据
• B. 每次使用一个小批次数据更新参数
• C. 使用二阶导数
• D. 无法收敛

✅ 答案：B

Q30. Momentum 的作用是：

• A. 增加方差
• B. 加速收敛并减少震荡
• C. 增加学习率
• D. 防止过拟合

✅ 答案：B

Q31. Adam 优化器结合了：

• A. Momentum + RMSProp
• B. SGD + Momentum
• C. Nesterov + RMSProp
• D. Dropout + SGD

✅ 答案：A

Q32. 学习率过大会导致：

• A. 收敛更快
• B. 震荡或发散
• C. 正则化增强
• D. 泛化更好

✅ 答案：B

Q33. 学习率衰减的作用是：

• A. 提高收敛稳定性
• B. 增加梯度消失
• C. 增加参数量
• D. 降低泛化能力

✅ 答案：A

Q34. Warmup 学习率调度主要用于：

• A. 减少早期训练不稳定
• B. 增加过拟合
• C. 增加梯度爆炸
• D. 降低 batch size

✅ 答案：A

Q35. Early Stopping 的作用是：

• A. 防止过拟合
• B. 提高收敛速度
• C. 增加参数量
• D. 减少训练数据

✅ 答案：A

Q36. Batch Size 过小的影响是：

• A. 梯度估计噪声大
• B. 收敛更稳定
• C. 内存占用高
• D. 训练更慢但更稳

✅ 答案：A

Q37. Batch Size 过大可能导致：

• A. 泛化能力下降
• B. 梯度估计更噪声
• C. 收敛更快且更好
• D. 参数更少

✅ 答案：A

Q38. Label Smoothing 的作用是：

• A. 增加 overfitting
• B. 缓解过拟合，改善泛化
• C. 提高学习率
• D. 增加梯度爆炸

✅ 答案：B

---

生成模型与其他（39–50）

Q39. 自编码器 (Autoencoder) 的目标是：

• A. 将输入直接复制到输出
• B. 学习输入数据的低维表示
• C. 监督学习分类
• D. 使用强化学习

✅ 答案：B

Q40. 变分自编码器 (VAE) 的关键改进是：

• A. 使用 GAN
• B. 使用概率潜在空间
• C. 使用卷积核
• D. 使用注意力机制

✅ 答案：B

Q41. VAE 的损失函数包含：

• A. 重构误差 + KL 散度
• B. MSE + 交叉熵
• C. KL 散度 + Softmax
• D. 仅重构误差

✅ 答案：A

Q42. GAN 的主要目标是：

• A. 最大化生成器损失
• B. 最小化判别器损失
• C. 生成器与判别器对抗训练
• D. 仅使用生成器训练

✅ 答案：C

Q43. GAN 训练中的主要问题是：

• A. 模型无法收敛
• B. 模式崩塌（mode collapse）
• C. 判别器不收敛
• D. 生成器无梯度

✅ 答案：B

Q44. WGAN 引入 Wasserstein 距离的主要好处是：

• A. 提高生成样本多样性
• B. 减少梯度消失
• C. 增加收敛速度
• D. 增加参数

✅ 答案：B

Q45. 自注意力机制在图像生成中的优势是：

• A. 增加局部依赖
• B. 捕捉长程依赖
• C. 减少计算
• D. 增加非线性

✅ 答案：B

Q46. BERT 的预训练任务包括：

• A. Masked Language Model + Next Sentence Prediction
• B. Seq2Seq + GAN
• C. Attention + Dropout
• D. RNN + CNN

✅ 答案：A

Q47. GPT 的主要特点是：

• A. 双向 Transformer 编码器
• B. 单向 Transformer 解码器
• C. RNN + 注意力
• D. CNN + 注意力

✅ 答案：B

Q48. 自监督学习的核心思想是：

• A. 使用少量标签数据
• B. 从数据本身构造监督信号
• C. 使用强化学习
• D. 使用人工标注

✅ 答案：B

Q49. Contrastive Learning (对比学习) 的目标是：

• A. 最大化相似样本的距离
• B. 最小化相似样本的距离、最大化不相似样本的距离
• C. 提高准确率
• D. 增加标签数量

✅ 答案：B

Q50. SimCLR 使用的关键技巧是：

• A. GAN
• B. 数据增强 + 对比损失
• C. Transformer
• D. 卷积核加深

✅ 答案：B