2025 年大学人工智能（神经网络基础）期中测试卷.docVIP

2025年大学人工智能（神经网络基础）期中测试卷

（考试时间：90分钟满分100分）班级______姓名______

一、单项选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填写在括号内）

1.神经网络中，以下哪种激活函数在输入较大时会导致梯度消失？（）

A.Sigmoid函数

B.ReLU函数

C.Tanh函数

D.Softmax函数

2.以下关于神经网络的说法，错误的是（）

A.神经网络可以自动从数据中学习特征

B.深度神经网络比浅层神经网络具有更强的表达能力

C.神经网络的训练过程就是调整权重使得损失函数最小化

D.神经网络只能处理线性可分的数据

3.对于一个具有n个输入神经元和m个输出神经元的全连接层，其权重矩阵的维度是（）

A.n×m

B.m×n

C.n×n

D.m×m

4.在反向传播算法中，计算梯度时使用的链式法则是为了（）

A.计算每个神经元的输出

B.计算损失函数对每个权重的梯度

C.计算激活函数的导数

D.计算输入数据的梯度

5.以下哪种优化器在训练神经网络时可能会导致收敛速度较慢？（）

A.Adam

B.SGD

C.Adagrad

D.RMSProp

6.神经网络中的卷积层主要用于（）

A.增加网络的深度

B.减少参数数量

C.进行特征提取

D.以上都是

7.对于一个二分类问题，使用Softmax函数作为输出层的激活函数时，其输出结果表示（）

A.属于每个类别的概率

B.属于每个类别的得分

C.输入数据的特征表示

D.激活函数的输出值

8.以下关于神经网络初始化权重的说法，正确的是（）

A.随机初始化权重可以使网络更快收敛

B.初始化权重为0会导致网络无法学习

C.合适的初始化权重可以加快网络的训练速度

D.初始化权重对网络性能没有影响

9.在训练神经网络时，以下哪种情况可能会导致过拟合？（）

A.训练数据不足

B.模型复杂度太低

C.正则化参数设置过大

D.模型复杂度太高

10.神经网络中的池化层主要用于（）

A.增加特征维度

B.减少计算量

C.提高模型的泛化能力

D.以上都是

二、多项选择题（总共5题，每题5分，每题有多个正确答案，请将正确答案填写在括号内，少选、多选均不得分）

1.以下哪些是神经网络中常用的损失函数？（）

A.均方误差损失函数

B.交叉熵损失函数

C.绝对值损失函数

D.对数损失函数

2.关于神经网络的优化器，以下说法正确的是（）

A.Adam优化器结合了Adagrad和RMSProp的优点

B.SGD优化器在每次更新权重时使用所有样本

C.Adagrad优化器适用于处理稀疏数据

D.RMSProp优化器可以自适应调整学习率

3.神经网络中的正则化方法包括（）

A.L1正则化

B.L2正则化

C.Dropout

D.BatchNormalization

4.以下哪些是卷积神经网络（CNN）的优点？（）

A.能够自动提取图像的局部特征

B.减少了网络的参数数量

C.对平移、旋转等变换具有较好的鲁棒性

D.可以处理任意维度的数据

5.在构建神经网络时，以下哪些因素会影响网络的性能？（）

A.网络的层数

B.神经元的数量

C.激活函数的选择

D.优化器的选择

三、判断题（总共10题，每题2分，请判断对错，并将答案填写在括号内）

1.神经网络中的神经元只能处理数值型数据。（）

2.反向传播算法是一种用于计算神经网络梯度的方法。（）

3.增加神经网络的层数一定会提高网络的性能。（）

4.Softmax函数可以将任意实数值转换为概率分布。（）

5.正则化可以防止神经网络出现过拟合现象。（）

6.神经网络的训练过程中，验证集的作用是评估模型的泛化能力。（）

7.卷积层中的卷积核大小必须是固定的。（）

8.池化层不会改变特征图的尺寸。（）

9.不同的初始化权重会导致神经网络最终的性能相同。（）

10.神经网络可以处理非线性问题是因为其使用了激活函数。（）

四、简答题（总共3题，每题10分，请简要回答以下问题）

1.请简述反向传播算法的基本原理。

2.为什么在神经网络中要使用激活函数？

3.请说明卷积神经网络中卷积层和池化层的作用。

五、综合题（总共2题，每题15分，请根据题目要求进行解答）

1.假设你要构建一个简单的神经网络来解决二分类问题。输入层有2个神经元，隐藏层有3个神经元，输出层有1个神经元。使用Sigmoid函数作为激活函数，均方误差损失函数，SGD优化器。请写出该神经网络