AI算法笔试题模拟-深度学习基础

1370 字约 5 分钟

2025-09-15

📘 模块三：深度学习（30题）

神经网络基础（1–6）

Q1. 反向传播算法主要基于：

A. 动态规划
B. 链式法则
C. 牛顿法
D. EM 算法

✅ 答案：B

Q2. 在前馈神经网络中，如果隐藏层数量过少，主要问题是：

A. 容易过拟合
B. 容易欠拟合
C. 梯度消失
D. 计算量过大

✅ 答案：B

Q3. Dropout 的主要作用是：

A. 加快训练速度
B. 减少过拟合
C. 降低偏差
D. 增加模型复杂度

✅ 答案：B

Q4. Batch Normalization 的主要作用是：

A. 减少梯度消失/爆炸
B. 增加模型容量
C. 减少训练数据量
D. 降低模型大小

✅ 答案：A

Q5. Softmax 函数的输出性质是：

A. 可以为负数
B. 和为 1
C. 任意实数
D. 独立分布

✅ 答案：B

Q6. 在分类问题中，输出层常用的激活函数是：

A. Sigmoid
B. Tanh
C. Softmax
D. ReLU

✅ 答案：C

卷积神经网络 CNN（7–12）

Q7. 在 CNN 中，感受野的大小主要由以下因素决定：

A. 卷积核大小、stride、网络层数
B. 学习率和正则化
C. 损失函数
D. 批量大小

✅ 答案：A

Q8. 若输入为 $32 \times 32$ ，卷积核大小 $5 \times 5$ ，stride=1，padding=0，则输出大小为：

A. 28 × 28
B. 29 × 29
C. 30 × 30
D. 32 × 32

✅ 答案：A （ $32-5+1=28$ ）

Q9. 在 CNN 中使用池化（Pooling）的主要目的不包括：

A. 降低维度
B. 提高平移不变性
C. 提高分辨率
D. 防止过拟合

✅ 答案：C

Q10. 以下哪种卷积方式参数最少？

A. 普通卷积
B. 深度可分离卷积（Depthwise Separable）
C. 空洞卷积（Dilated）
D. 转置卷积

✅ 答案：B

Q11. ResNet 引入残差结构的主要目的是：

A. 加快训练速度
B. 避免梯度消失/退化问题
C. 减少参数量
D. 提高卷积核大小

✅ 答案：B

Q12. GoogLeNet 中引入 Inception 模块的主要思想是：

A. 多尺度卷积并行
B. 使用残差连接
C. 使用循环网络
D. 直接堆叠卷积层

✅ 答案：A

循环神经网络 RNN / LSTM（13–17）

Q13. RNN 的主要缺点是：

A. 无法处理序列数据
B. 参数太少
C. 容易梯度消失或爆炸
D. 只能做分类

✅ 答案：C

Q14. LSTM 相比 RNN 的主要改进是：

A. 使用卷积结构
B. 引入门控机制
C. 参数减少
D. 更深的网络结构

✅ 答案：B

Q15. LSTM 中的遗忘门（Forget Gate）的作用是：

A. 决定输入多少信息进入记忆
B. 决定保留多少历史信息
C. 决定最终输出多少信息
D. 决定学习率大小

✅ 答案：B

Q16. GRU 相比 LSTM 的主要优势是：

A. 参数更少，计算更快
B. 表达能力更强
C. 不需要门控
D. 不会过拟合

✅ 答案：A

Q17. 在语言建模任务中，常用的损失函数是：

A. MSE
B. Hinge Loss
C. Cross-Entropy
D. KL 散度

✅ 答案：C

Transformer 与 Attention（18–22）

Q18. Transformer 的 self-attention 机制中，输出是：

A. $QK^T$ 后 softmax
B. $\text{softmax}(QK^T/\sqrt{d_k})V$
C. $QK^T + V$
D. $QV^T$

✅ 答案：B

Q19. 在多头注意力机制中，多头的作用是：

A. 提高并行化效率
B. 提高模型表达能力
C. 降低计算复杂度
D. 减少参数量

✅ 答案：B

Q20. Transformer 中的位置编码 (Positional Encoding) 作用是：

A. 提供词向量初始化
B. 让模型具备序列顺序信息
C. 减少计算量
D. 增加参数

✅ 答案：B

Q21. BERT 属于：

A. 自回归模型
B. 自编码模型
C. 强化学习模型
D. 生成对抗模型

✅ 答案：B

Q22. GPT 训练目标是：

A. 预测被 Mask 的词
B. 下一个词预测（自回归）
C. 图像分类
D. 强化学习策略优化

✅ 答案：B

优化器与训练技巧（23–27）

Q23. SGD 的主要缺点是：

A. 计算量大
B. 震荡且收敛慢
C. 参数过多
D. 不适合非凸优化

✅ 答案：B

Q24. Adam 优化器结合了：

A. 动量 + 自适应学习率
B. SGD + 正则化
C. 牛顿法 + SGD
D. BatchNorm + 动量

✅ 答案：A

Q25. 学习率衰减 (Learning Rate Decay) 的作用是：

A. 防止过拟合
B. 提高精度并稳定收敛
C. 减少参数量
D. 增加模型复杂度

✅ 答案：B

Q26. Early Stopping 的主要作用是：

A. 防止过拟合
B. 减少训练时间
C. 减少内存占用
D. 提高收敛速度

✅ 答案：A

Q27. 大 batch 训练的主要问题是：

A. 梯度估计噪声大
B. 泛化性能差
C. 学习率过小
D. 无法使用 GPU

✅ 答案：B

参数量与复杂度（28–30）

Q28. 全连接层参数量计算公式为：

A. 输入维度 × 输出维度
B. 输入维度 × 输出维度 + 输出维度
C. 输入维度 + 输出维度
D. 输入维度 × 输出维度 × BatchSize

✅ 答案：B （加上 bias）

Q29. CNN 中一个卷积层的参数量计算公式是：

A. 卷积核宽 × 高
B. 核宽 × 高 × 输入通道数 × 输出通道数 (+ bias)
C. 输入维度 × 输出维度
D. 核数 × 输入维度

✅ 答案：B

Q30. Transformer 中 self-attention 的计算复杂度（序列长度为 n）是：

A. O(n)
B. O(n log n)
C. O(n²)
D. O(n³)

✅ 答案：C