一、單項選擇題（本大題共 30 小題）

1、1943 年，麥卡洛克（McCulloch）與皮茨（Pitts）提出的 M-P 模型的主要貢獻是（ ）。

① 首次實現(xiàn)了多層感知機的訓練算法

② 提出了模擬生物神經(jīng)元工作原理的簡化數(shù)學模型

③ 解決了異或（XOR）問題

④ 發(fā)明了反向傳播算法

2、1958 年羅森布拉特提出的感知器（Perceptron）與 M-P 模型相比，最重要的改進是（ ）。

① 使用了非線性激活函數(shù)

② 引入了可學習的連接權重

③ 增加了隱藏層

④ 支持反向傳播

3、單層感知器被證明無法解決異或（XOR）問題，這直接導致了（ ）。

① 神經(jīng)網(wǎng)絡第一次研究低潮（1969 年左右）

② 反向傳播算法的發(fā)明

③ 卷積神經(jīng)網(wǎng)絡的提出

④ 深度學習的興起

4、在 M-P 神經(jīng)元模型中，神經(jīng)元輸出為 1 的條件是（ ）。

① 所有輸入信號均為 1

② 輸入信號的加權和大于等于閾值

③ 至少有一個輸入信號為 1

④ 輸入信號的加權和小于閾值

5、以下關于單層感知器局限性的描述，正確的是（ ）。

① 只能處理二分類問題

② 只能解決線性可分問題

③ 無法使用激活函數(shù)

④ 只能處理圖像數(shù)據(jù)

6、為了突破單層感知器的線性可分局限，有效的改進方法是（ ）。

① 增加更多輸入特征

② 堆疊多個感知器形成多層感知機（MLP）并引入非線性激活函數(shù)

③ 使用更大的學習率

④ 減少訓練數(shù)據(jù)

7、激活函數(shù)在神經(jīng)網(wǎng)絡中的核心作用是（ ）。

① 增加模型的參數(shù)數(shù)量

② 引入非線性變換，使神經(jīng)網(wǎng)絡能夠擬合復雜的非線性關系

③ 將輸出值限制在 0 到 1 之間

④ 加快模型訓練速度

8、以下關于 Sigmoid 函數(shù)的描述，錯誤的是（ ）。

① 輸出值被壓縮到 (0,1) 區(qū)間

② 函數(shù)光滑且可導

③ 在輸入絕對值較大時，梯度趨近于 0，容易導致梯度消失

④ 輸出關于原點對稱

9、在多分類神經(jīng)網(wǎng)絡的輸出層，通常使用的激活函數(shù)是（ ）。

① Sigmoid

② Tanh

③ ReLU

④ Softmax

10、以下關于 ReLU 激活函數(shù) ReLU(x)=max(0,x) 的描述，正確的是（ ）。

① 輸出值始終為正數(shù)

② 當輸入小于 0 時，輸出為 0，可能導致神經(jīng)元“失活”

③ 函數(shù)關于原點對稱

④ 梯度始終為 1

11、前饋神經(jīng)網(wǎng)絡（Feedforward Neural Network）的特點是（ ）。

① 神經(jīng)元之間存在循環(huán)連接，具備記憶功能

② 信息從輸入層經(jīng)過隱藏層單向傳遞至輸出層，無反饋

③ 每個神經(jīng)元與同一層其他神經(jīng)元相連

④ 必須包含至少三個隱藏層

12、在深度神經(jīng)網(wǎng)絡的參數(shù)學習過程中，正確的訓練步驟順序是（ ）。

① 前向傳播 → 誤差估計（損失計算） → 反向傳播 → 參數(shù)更新

② 反向傳播 → 前向傳播 → 參數(shù)更新 → 誤差估計

③ 參數(shù)更新 → 前向傳播 → 誤差估計 → 反向傳播

④ 誤差估計 → 前向傳播 → 反向傳播 → 參數(shù)更新

13、在梯度下降法中，學習率（Learning Rate）的作用是（ ）。

① 控制每次參數(shù)更新的步長大小

② 決定使用多少樣本計算梯度

③ 設置隱藏層的神經(jīng)元數(shù)量

④ 選擇激活函數(shù)的類型

14、以下關于不同樣本選取策略的描述，正確的是（ ）。

① 全梯度下降（Full-Batch）每次使用全部樣本，計算開銷大，但梯度準確

② 隨機梯度下降（SGD，batch size=1）梯度穩(wěn)定，收斂平滑

③ 小批量梯度下降（Mini-batch）無法在計算效率和穩(wěn)定性之間取得平衡

④ 實際訓練中從不使用小批量梯度下降

15、為了在訓練過程中動態(tài)調整學習率，以下哪種優(yōu)化器通過累積歷史梯度平方來自適應調整？（ ）

① SGD

② Adagrad

③ Momentum

④ Nesterov

16、以下優(yōu)化器中，結合了動量（Momentum）與自適應學習率機制，并在深度學習中被廣泛應用的是（ ）。

① Adagrad

② RMSprop

③ Adam

④ SGD

17、以下哪個選項是深度學習框架的主要作用？（ ）

① 替代算法設計，自動生成神經(jīng)網(wǎng)絡結構

② 提供高級接口和自動微分功能，簡化模型構建、訓練和部署過程

③ 只能運行在 CPU 上，不支持 GPU 加速

④ 專門用于數(shù)據(jù)可視化

18、目前學術研究和工程實踐中常用的深度學習框架之一是 PyTorch，其核心優(yōu)勢不包括（ ）。

① 動態(tài)計算圖，易于調試和靈活構建模型

② 強大的社區(qū)支持和豐富的預訓練模型

③ 編程風格符合 Python 直覺，學習曲線平緩

④ 僅支持圖像數(shù)據(jù)，不支持文本和語音

19、在 PyTorch 中，核心的數(shù)據(jù)結構是 Tensor（張量）。以下關于 Tensor 的描述，正確的是（ ）。

① Tensor 只能表示二維矩陣

② Tensor 可以支持 GPU 加速和自動求導

③ Tensor 與 NumPy 數(shù)組完全不兼容

④ Tensor 的數(shù)據(jù)類型只能是浮點數(shù)

20、在 PyTorch 中，若要執(zhí)行兩個二維矩陣的標準乘法（矩陣乘），應使用（ ）。

① torch.mul

② torch.add

③ torch.mm 或 @ 運算符

④ torch.dot

21、卷積神經(jīng)網(wǎng)絡（CNN）中，實現(xiàn)“局部連接”和“參數(shù)共享”的核心層是（ ）。

① 全連接層

② 池化層

③ 卷積層

④ Dropout 層

22、池化層（Pooling Layer）的主要作用不包括（ ）。

① 降低特征圖的空間維度，減少計算量

② 增強模型對微小位移和形變的魯棒性

③ 提取圖像的邊緣、角點等低級特征

④ 壓縮信息，保留最顯著特征

23、殘差網(wǎng)絡（ResNet）通過引入（ ）有效緩解了深層網(wǎng)絡的梯度消失和退化問題。

① 更深的卷積層

② 批量歸一化（Batch Normalization）

③ 殘差連接（Skip Connection / Shortcut）

④ Dropout 正則化

24、循環(huán)神經(jīng)網(wǎng)絡（RNN）相比前饋神經(jīng)網(wǎng)絡的核心特點是（ ）。

① 使用卷積操作提取空間特征

② 引入了循環(huán)連接，使信息可以跨越時間步傳遞，具備處理序列數(shù)據(jù)的能力

③ 只能處理固定長度的輸入

④ 不需要激活函數(shù)

25、為了緩解 RNN 在處理長序列時的梯度消失問題，提出的兩種經(jīng)典變體是（ ）。

① CNN 和 GAN

② LSTM 和 GRU

③ AlexNet 和 VGGNet

④ Transformer 和 BERT

26、長短期記憶網(wǎng)絡（LSTM）中，負責決定從細胞狀態(tài)中丟棄哪些舊信息的結構是（ ）。

① 輸入門

② 遺忘門

③ 輸出門

④ 更新門

27、生成對抗網(wǎng)絡（GAN）由生成器和判別器組成，其訓練過程可以概括為（ ）。

① 生成器獨立優(yōu)化，判別器不參與

② 兩者協(xié)同生成相同的輸出

③ 生成器試圖生成逼真數(shù)據(jù)“欺騙”判別器，判別器努力區(qū)分真假，兩者交替訓練達到納什均衡

④ 判別器負責生成內容，生成器負責鑒別

28、擴散模型（Diffusion Model）的核心思想是（ ）。

① 通過對抗博弈生成數(shù)據(jù)

② 學習一個將純噪聲逐步去噪還原為清晰數(shù)據(jù)的反向過程（逆向擴散）

③ 使用自注意力機制處理序列

④ 直接擬合數(shù)據(jù)分布的概率密度函數(shù)

29、以下哪一項是循環(huán)神經(jīng)網(wǎng)絡（RNN）及其變體（LSTM、GRU）典型適用的任務類型？（ ）

① 圖像分類

② 語音識別與文本生成

③ 目標檢測

④ 圖像語義分割

30、在 PyTorch 中，若要在每次反向傳播前清除模型參數(shù)的累積梯度，正確的做法是（ ）。

① optimizer.step()

② loss.backward()

③ optimizer.zero_grad()

④ model.forward()

二、判斷題（本大題共 5 小題）

1、多層感知機（MLP）通過堆疊多個感知器并引入非線性激活函數(shù)，能夠解決異或（XOR）等線性不可分問題。（ ）

2、在卷積神經(jīng)網(wǎng)絡（CNN）中，全連接層通常位于卷積層和池化層之后，負責對提取的特征進行全局整合與高階推理。（ ）

3、RNN 在訓練過程中使用隨時間反向傳播（BPTT），隨著時間步增加，梯度可能呈指數(shù)級衰減或增長，這就是梯度消失和梯度爆炸問題。（ ）

4、生成對抗網(wǎng)絡（GAN）的訓練過程中，生成器和判別器的能力需要保持平衡，否則容易出現(xiàn)訓練不穩(wěn)定或模式崩潰。（ ）

5、在 PyTorch 中，張量（Tensor）的 requires_grad 屬性設置為 True 時，PyTorch 會自動跟蹤其上的所有運算，以便后續(xù)調用 backward() 計算梯度。（ ）

“點贊有美意，贊賞是鼓勵”