人工智能基礎(chǔ)測試題及答案

人工智能基礎(chǔ)測試題及答案1、出現(xiàn)過擬合時，模型對已知數(shù)據(jù)預(yù)測得很好，但對未知數(shù)據(jù)預(yù)測得很差。而應(yīng)對過擬合的最優(yōu)方案就是（）。A、獲取更多的訓練數(shù)據(jù)B、調(diào)節(jié)模型允許存儲的信息量C、對模型允許存儲的信息加以約束D、L2正則化答案：A2、基于詞典的中文分詞方法中，針對同一個輸入句子，通常以下哪種切分方法輸出的詞最多A、完全切分B、正向最長匹配C、逆向最長匹配D、雙向最長匹配答案：A3、用于產(chǎn)生詞嵌入的單向語言模型是哪個A、bertB、elmoC、gptD、bilstm答案：C4、以下哪個選項符合自然語言特點A、容錯性低B、非結(jié)構(gòu)化C、歧義性低D、詞匯量小答案：B5、句法分析的目標是：A、將實體詞對應(yīng)到實例B、識別句子中潛在的實體詞C、識別句子的句法結(jié)構(gòu)D、識別句子中的主題詞答案：C6、BERT在實現(xiàn)一次常規(guī)的文本蘊含任務(wù)時，需要輸入幾條文本A、1B、2C、3D、4答案：B7、以下關(guān)于自然語言生成任務(wù)的說法錯誤的是：A、自然語言生成任務(wù)能夠增加對話的趣味性。B、自然語言生成任務(wù)不能通過截取問題的部分與答案進行組裝的方法來實現(xiàn)。C、自然語言生成任務(wù)能夠提升交互的友好性和自然度。D、可以通過設(shè)計回復(fù)模板填槽來實現(xiàn)自然語言的回復(fù)。答案：B8、對于一個已有數(shù)據(jù)集，增加其數(shù)據(jù)的個數(shù)，使其有更多的多樣性的操作是（）。A、批量化B、隨機抽取C、數(shù)據(jù)增強D、復(fù)制答案：C9、下列基于回歸的文本檢測方法為？A、Textbox算法B、PixelLink算法C、MSR算法D、PSENet算法答案：A10、KBQA面臨的挑戰(zhàn)不包括：A、缺乏大規(guī)模高質(zhì)量的知識數(shù)據(jù)源。B、領(lǐng)域方面的知識庫缺乏。C、自然語言處理技術(shù)發(fā)展不夠成熟。D、以上都是答案：D11、正確的問答系統(tǒng)流程是：A、問句分析，消歧，短語映射，查詢構(gòu)建B、問句分析，短語映射，消歧，查詢構(gòu)建C、短語映射，消歧，問句分析，查詢構(gòu)建D、問句分析，查詢構(gòu)建，短語映射，消歧答案：B12、經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的基本組成部分的序列通常是：A、卷積層-激活函數(shù)-池化層B、卷積層-池化層-激活函數(shù)C、池化層-激活函數(shù)-卷積層D、依情況而定答案：A13、關(guān)于中文分詞切分算法，以下哪個說法是正確的A、完全切分是標準意義上的分詞B、python分詞運行速度比java快C、正向匹配和逆向匹配速度差不多D、雙向匹配速度比正向匹配速度快答案：C14、在卷積神經(jīng)網(wǎng)絡(luò)中，能讓隱層的神經(jīng)元以一定的概率不被激活的方法是（）。A、connectingB、convolutionC、maxpoolingD、dropout答案：D15、在“小米的創(chuàng)始?是誰”這個問題中，實體詞是：A、誰B、小米C、創(chuàng)始人答案：B16、一個窗口大小設(shè)為2的CBOW模型，輸入層有多少個單詞構(gòu)成A、2B、4C、6D、8答案：B17、以How開頭的問句通常屬于哪種問題類型：A、事實類B、定義類C、解決方案類D、原因類答案：C18、tanh激活函數(shù)的值域A、0,1B、-∞,+∞C、-1，1]D、0,1]答案：C19、在多聚焦圖像融合任務(wù)中，梯度信息被用于提取__信息：A、邊緣紋理B、語義C、決策圖D、聚焦點答案：A20、下列哪種嵌入方式支持雙向上下文A、word2vecB、gloveC、bertD、以上所有答案：C21、圖像風格轉(zhuǎn)換的研究目標是什么？A、將藝術(shù)圖像的風格融合到自然圖像上B、實現(xiàn)對目標的檢測識別C、自動生成以假亂真的圖片D、以上都不對答案：A22、以下關(guān)于BERT模型的描述，哪個是正確的A、是一種雙向預(yù)訓練語言模型B、利用大規(guī)模數(shù)據(jù)進行有監(jiān)督預(yù)訓練C、使用LSTM模型作為基礎(chǔ)模塊D、使用從左至右的Transformer語言模型作為基礎(chǔ)模塊答案：A23、以下哪種詞向量模型是動態(tài)詞向量模型A、BOWB、Word2vecC、GloVeD、ELMo答案：D24、以下哪種單詞表示方法不能較好的反映單詞的語義信息A、ONE-HOTB、Word2vecC、GloVeD、ELMo答案：A25、以下哪個下游任務(wù)，在使用GPT時，輸入只需要單獨的一條文本A、文本蘊含B、文本分類C、相似度計算D、選擇型閱讀理解答案：B26、LexiconAugmentedNER通過（）優(yōu)化了LatticeLSTMA、word-ignoringstrategyB、word-weightingstrategyC、word-reinforcementstrategyD、word-lossstrategy答案：B27、以下關(guān)于消歧的描述錯誤的是：A、歧義包括問句本身的歧義和實體的歧義。B、消歧模塊主要負責消除問句分析過程中發(fā)生的歧義問題。C、基于字符串相似度的方法是消歧的常用方法。D、檢查屬性及其參數(shù)的一致性是消歧的常用方法。答案：B28、以下哪種中文分詞算法在MSR語料庫上的標準化評測結(jié)果最好A、完全切分B、正向最長匹配C、逆向最長匹配D、二元語法答案：D29、下列屬于不規(guī)則文本識別的數(shù)據(jù)集為？A、IIITKB、SVTC、IC13D、IC15答案：D30、針對輸入“就讀北京大學”，如果分詞后輸出[就，就讀，讀，北，北京，北京大學，京，大，大學，學]，最有可能使用了以下哪種切分方法A、完全切分B、正向最長匹配C、逆向最長匹配D、雙向最長匹配答案：A31、下面關(guān)于微調(diào)的說法正確的有（）。A、微調(diào)通過使用在大數(shù)據(jù)上的預(yù)訓練好的模型來初始化模型權(quán)重，來完成精度的提升。B、如果要進行微調(diào)，那么選擇的預(yù)訓練模型質(zhì)量很重要。C、微調(diào)必不可少。D、微調(diào)通常速度更快、精度更高。答案：ABD32、屬于基于深度學習的KBQA的特點的有：A、人工編寫模板和規(guī)則B、無法很好地處理時序敏感性問題C、自動進行D、對于復(fù)雜問題無法較好地應(yīng)對答案：BCD33、以下關(guān)于LSTM模型描述正確的有：A、LSTM是一種特殊的RNN網(wǎng)絡(luò)。B、忘記門決定給細胞狀態(tài)添加哪些新的信息。C、LSTM網(wǎng)絡(luò)能通過一種被稱為門的結(jié)構(gòu)對細胞狀態(tài)進行刪除或者添加信息。D、輸入門決定細胞狀態(tài)需要丟棄哪些信息。答案：AC34、下列哪些問題屬于文本生成任務(wù)？A、機器翻譯B、文本摘要C、賽事解說D、圖像描述生成答案：ABCD35、下列哪些技術(shù)能被用于計算兩個詞向量之間的距離A、詞形還原B、余弦相似度C、N-gramsD、歐氏距離答案：BD36、基于模板的KBQA包括哪些步驟：A、模板定義B、語法樹構(gòu)建C、模板生成D、模板匹配答案：ACD37、利用規(guī)則方法解決自然語言處理任務(wù)有哪些問題？A、規(guī)則質(zhì)量依賴于語言學家的知識和經(jīng)驗，獲取成本高B、規(guī)則之間容易發(fā)生沖突C、規(guī)則不容易學習D、大規(guī)模規(guī)則系統(tǒng)維護難度大答案：ABD38、句法分析包括以下哪些任務(wù)：A、短語結(jié)構(gòu)分析B、依存句法分析C、成分句法分析D、詞性標注答案：ABC39、視覺信息加工的三個要素是A、計算理論B、表達和算法C、硬件實現(xiàn)D、實驗數(shù)據(jù)答案：ABC40、下面屬于詞袋模型的缺點的是？（）A、詞匯表的詞匯需要經(jīng)過精心設(shè)計B、表示具有稀疏性C、丟失詞序忽略了上下文D、模型復(fù)雜，不利于實施答案：ABC41、常見的圖像提取特征的算法有？A、HOGB、SIFTC、SURFD、DOG答案：ABCD42、文本語料庫的可能特征是什么A、詞向量B、文本中詞計數(shù)C、文本中詞的TF-IDFD、文本句法信息答案：ABCD43、RDF包含以下哪些元素？A、定語B、賓語C、主語D、謂語答案：BCD44、利用one-hot向量表示文本單詞會帶來哪些問題？A、語義鴻溝B、設(shè)計復(fù)雜C、維度爆炸D、人工標注答案：AC45、對話系統(tǒng)中存在以下哪些挑戰(zhàn)？A、指代省略B、小樣本學習C、未知意圖識別D、已知意圖識別答案：ABC46、有關(guān)圖像融合的層級，包括：A、像素級圖像融合B、特征級圖像融合C、空間級圖像融合D、決策級圖像融合答案：ABD47、下列屬于空間域濾波方法的有？A、均值濾波B、高斯濾波C、小波濾波D、雙邊濾波答案：ABD48、以下關(guān)于BERT模型描述正確的有：A、在輸入層上，每個詞的Embedding除包含本身的TokenEmbedding外，還包含標記前后句子的SegmentEmbedding和表示位置的PositionEmbedding。B、BERT是一種基于Transformer的雙向編碼器。C、BERT模型有Base與Large兩種版本。D、BERT用左右兩邊的上下文的雙向的信息來預(yù)測。答案：ABCD49、以下哪些特征常被用于行為識別A、光流特征B、SIFT特征C、深度卷積特征D、以上都不是答案：AC50、當前計算機視覺所面臨的問題有（）。A、如何準確、高速地識別出目標。B、如何有效地增大存儲容量，容納足夠細節(jié)的目標圖像。C、如何有效地構(gòu)造和組織出可靠的識別算法。D、目前，所建立的系統(tǒng)絕大多數(shù)只適用于某一特定環(huán)境或應(yīng)用場合的專用系統(tǒng)，建立一個可與人類的視覺系統(tǒng)相比擬的通用視覺系統(tǒng)是非常困難的。答案：ABCD51、LSTM的輸出態(tài)包含哪個？A、t時刻的細胞狀態(tài)CB、t時刻隱層狀態(tài)hC、t+1時刻輸入向量xD、t時刻輸入向量x答案：ABC52、以下哪些屬于NLP分析技術(shù)？A、分詞B、詞性標注C、命名實體識別D、依存分析答案：ABCD53、關(guān)于行為識別技術(shù)，以下說法錯誤的是A、深度特征一直都比傳統(tǒng)手工特征有優(yōu)勢B、行為識別的研究內(nèi)容是對視頻中的人進行檢測識別C、行為識別的研究主要是研究人或動物的情緒變化D、卷積神經(jīng)網(wǎng)絡(luò)如AlexNet、VGG等可被用于行為識別的特征抽取答案：ABC54、下面關(guān)于批量歸一化的說法無誤的有（）。A、批量歸一化在全連接層和卷積層的使用略有不同。B、批量歸一化層和暫退層一樣，在訓練模式和預(yù)測模式下計算不同。C、在模型訓練過程中，批量規(guī)范化利用小批量的均值和標準差，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的中間輸出，使整個神經(jīng)網(wǎng)絡(luò)各層的中間輸出值更加穩(wěn)定。D、批量規(guī)范化有許多有益的副作用，主要是正則化。答案：ABCD55、TextBoxes++在TextBoxes基礎(chǔ)上進行改進，支持檢測任意角度的文本。A、正確B、錯誤答案：A56、RandAugment使用特定的概率確定是否使用某種子策略，有效提升模型的訓練效果A、正確B、錯誤答案：B57、LatticeLSTM是通過引入外部詞典，并且使用門控機制來進行動態(tài)選擇詞匯和融入詞匯信息來實現(xiàn)的A、正確B、錯誤答案：A58、在模型訓練時可以固定底部一些層的參數(shù)，不參與更新，這是因為神經(jīng)網(wǎng)絡(luò)通常學習有層次的特征表示，低層次的特征更加通用，而高層次的特征則與數(shù)據(jù)集有關(guān)。A、正確B、錯誤答案：A59、TextBoxes和CTPN只支持檢測橫向文本和縱向文本。A、正確B、錯誤答案：B60、一個典型的Transformer，輸入數(shù)據(jù)先通過Encoders，再經(jīng)過Decoders后輸出結(jié)果A、正確B、錯誤答案：A61、信息檢索（informationretrieval）和信息抽?。╥nformationextraction）是相同的概念A(yù)、正確B、錯誤答案：B62、當情感詞覆蓋率和準確率高的情況下，基于情感詞典的分類方法效果比較準確A、正確B、錯誤答案：A63、ROIpooling層能實現(xiàn)training和testing的顯著加速，并提高檢測accuracyA、正確B、錯誤答案：A64、在大規(guī)模文本數(shù)據(jù)上訓練一個高容量的語言模型，從而學習更加豐富的上下文信息，這屬于判別式任務(wù)精調(diào)A、正確B、錯誤答案：B65、GPT是通過有監(jiān)督方式進行下游任務(wù)精調(diào)的A、正確B、錯誤答案：A66、在通用FasterRCNN中，可以把3x3的slidingwindow看作是對特征圖做了一次3x3的卷積操作。A、正確B、錯誤答案：A67、將詞表示成向量被稱為神經(jīng)詞嵌入（NeuralWord