上信考：【人工智能技术及应用】考试大纲题型示例、例题解析、模拟卷答案

目录

人工智能技术及应用

例题解析

考试大纲题型示例

模拟卷答案

题包A

题包B

题包C

题包D

题包E

题包F

题包G

题包H

题包I

---

主包今年参加了“2025年上海市高等学校信息技术水平考试”，在复习的时候发现模拟卷是没有答案的，所以抽空做这一篇文章

人工智能技术及应用

例题解析

(一)单选题样例

题目:在机器学习中，损失函数(loss函数)的作用是

选项:A.牵引模型参数的更新B.增加网络层次C.修改模型参数D.防止过拟合

知识点:[38040104]损失函数

答案:A解析:

A选项正确:损失函数计算模型预测值与真实值之间的差异(误差)，这个差异值会通过反向传播算法指导型参数的调整方向(如梯度下降)，牵引参数不断优化以减小误差，是模型学习的核心驱动力，因此A正确。B选项错误:增加网络层次是模型结构设计的范畴(如加深神经网络层数)，与损失函数的功能无关，因此B错误。

C选项错误:损失函数本身不直接修改模型参数，而是通过计算误差提供参数更新的“依据”，实际修改参数的是优化算法(如 SGD、Adam)因此C错误。

D选项错误:防止过拟合通常通过正则化(L1/L2 正则)dropout、早停等技术实现，损失函数的主要作用是衡量误差而非防止过拟合，因此只错误。

(二)多选题样例

题目:卷积神经网络CNN的层级结构包括

选项:A.卷积层

B.池化层(汇聚层)

C.循环层

D.全连接层

知识点:[38110201JCNN特点及经典模型(LeNet、ResNet答案:ABD

解析:

A选项(卷积层)卷积层是 CNN 的核心层级，通过卷积核提取输入数据公如图像)的局部特征，是CNN 区别于传统神经网络的关键结构之一，因此A正确。

B选项(池化层/汇聚层)池化层通常紧跟卷积层通过采样减少特征图维度、、降低计算量，同时保留关键特征，是CNN 的典型层级，因此B正确。

C选项(循环层):循环层(如 LSTM、GRU 中的层级)属于循环神经网络(RNN)的结构，用于处理序列数据的时序依赖关系，与 CNN的层级结构无关，因此C错误。D选项(全连接层):全连接层通常位于CNN的后端将前面卷积层、池化层提取的高维特征映射为一维向量最终用于分类或回归任务，是CNN的常见层级，因此D正确。

(三)主观题样例

城市数字化转型中，智能技术赋能数字生活，采用推荐系统促进消费升级，通过在线用户的特征预测出用户购买偏好。

如下表所示，其中“性别”属性中，0表示女，1表示男;“行业”属性中，0表示信息产业，1表示交通运输业，2表示金融业“购买偏好”属性中，1表示购买智能音箱，2表示购买扫地机器人，

根据用户的特征(“年龄”“性别”和“行业”)可以预测出用户要购买智能音箱或购买扫地机器人的偏好。

	用户序号	年龄（岁）	性别	行业	购买偏好
训练样本	1	21	1	0	1
	2	19	0	0	1
	3	44	1	1	2
	4	32	1	2	1
	5	49	0	1	2
	6	28	0	1	2
	7	25	1	2	1
测试样本	8	38	1	2	？

 

步骤 1:训练数据集的标签(空 1)训练样本的“购买偏好”依次为:用户1(1)、用户 2(1)、用户 3(2)用户 4(1)、用户5(2)、用户、用户7(1)。因此，训练标签数组应与这些值-一对应。

选项中，A选项y=np.array([1,1,2,1,2,2,1])与训练样本的“购买偏好”完全匹配，因此选 A。

步骤 2:初始化 KNN 分类器(空 2)

KNeighborsClassifier 的核心参数是nkeighbors(指定“近邻个数 K”)。需要注意参数名是 nneighbors(复数形式)，而非nneighbor(单数错误)。选项中，C 选项nneighbors=5 符合参数要求，因此空2选 C

步骤 3:模型训练(空 3)KNN 模型训练的方法是 ft(X,y)，其中X是特征数据(训练样本的“年龄性别、行业”)，y是标签数据(训练样本的“购买偏好”)选项中，E选项 knn.fit(x,y)符合 fit方法的参数要求(x是特征，y是标签)，因此空 3选 E。

步骤 4:测试样本预测(空 4)

测试样本是“用户 8”，其特征为:年龄 38、性别 1、行业 2。因此预测时传入的特征应为 [[38,1,2]]。KNN 预测方法是 predict(测试特征)，故选项 H 中 p= knn.predict([[38,1,2]])符合要求，空 4选 H。

考试大纲题型示例

1．单选题

在手写数字识别问题中，如果忽略训练数据的标签，仅根据特征组将训练数据分类，这是一

个________学习过程。

130
131

A
．无监督
B
．有监督
C
．弱监督
D
．半监督

【参考答案】
A

【能力目标】掌握无监督学习特点，考核人工智能基本素养。

【知识内容】知识点是机器学习中，无监督学习的概念。

2．多选题

文本语料库的可能用到的特征有________。

A
．文本中词计数

B
．词的向量标注

C
．词性标注（
Part of Speech Tag
）

D
．基本依存语法

【参考答案】
ABCD

【能力目标】 掌握自然语言处理基本概念，考核人工智能基本素养。

【知识内容】知识点是自然语言处理中分词、词性标注、句法分析基础知识。

3．程序选择题

【例
1
】
请在以下选项中选择正确函数填入相应程序空格内。

A
．
random.choice
()

B
．
getAge
()

C
．
range
()

D
．
getSex
()

E
．
random.randint
()

F
．
write
()

编写程序，生成
20
个人的模拟信息，包括性别、年龄并把生成的信息写入文本文件。程序

如下：

def getSex
():

return
(
1
) (('男', '女'))

def getAge
():

return str
(
random.randint
(
18
,
100
))

def main
(
filename
):
132

with open
(
filename
, '
w
',
encoding
='
utf-8
')
as fp
:

# 写入表头

fp.write
('
Sex
,
Age

n
')

# 生成
20
个人的随机信息

for i in range
(
20
):

sex
= (
2
)

age
= (
3
)

line
= ','
.join
([
sex
,
age
])+'
n
'

fp.write
(
line
)

【参考答案】（
1
）【
A
】；（
2
）【
D
】；（
3
）【
B
】

【能力目标】考核人工智能基本素养和编程实现调试能力。

【知识内容】知识点是机器学习中的数据集。

【例
2
】请在以下选项中选择正确代码填入相应程序空格内。

A
．
ss.fit
_
transform
(
X
_
train
)

B
．
knc.predict
(
X
_
test
)

C
．
data
,
target
,
test
_
size
=
0.7

D
．
ss.transform
(
X
_
train
)

E
．
classification
_
report
(
y
_
test
,
y
_
predict

F
．
data
,
target
,
test
_
size
=
0.3

G
．
knc.predict
(
X
_
train
)

H
．
knc.fit
(
X
_
train
,
y
_
train
)

I
．
report
(
y
_
test
,
y
_
predict

J
．
knc.fit
(
X
_
test
,
y
_
test
)

程序实现以下功能：

1
．读取鸢尾花数据集，将数据集随机划分为训练集和测试集，且测试集所占比例为
30%
。

2
．对训练集进行标准化拟合和转换，对测试集进行标准化转换。

3
．基于
KNN
算法进行分类，利用训练集的特征数据和标签数据进行模型拟合。

4
．对测试集的特征数据进行类别预测，预测结果储存在变量
y
_
predict
中。

5
．根据测试集的标签数据，以及预测结果，计算并显示主要分类指标的文本报告。

请从以下选项中选择正确的代码填入相应的横线处，补全程序。

程序运行结果如下图所示。注意：考生只可补全代码，不可修改或删除横线处以外任何代码。
程序代码如下：

#导入库

from sklearn.datasets import load
_
iris

from sklearn.model
_
selection import train
_
test
_
split

from sklearn.preprocessing import StandardScaler

from sklearn.neighbors import KNeighborsClassifier

from sklearn.metrics import classification
_
report
#导入用于显示主要分类指标文本报

告的函数

#利用
load
_
iris
读取鸢尾花数据集

iris
=
load
_
iris
()

data
=
iris.data

target
=
iris.target

X
_
train
,
X
_
test
,
y
_
train
,
y
_
test
=
train
_
test
_
split
(___(
1
)___,
random
_
state
=
8
) #
3
分切分数据

集，测试集占比
30%

#标准化数据

ss
=
StandardScaler
()

X
_
train
= ___(
2
)___ #
3
分 对训练集拟合和转换

X
_
test
=
ss.transform
(
X
_
test
)

#使用
K
近邻分类器对测试数据进行类别预测

133
knc
=
KNeighborsClassifier
()

___(
3
)___ #
3
分 模型拟合

y
_
predict
= ___(
4
)___ #
3
分 模型预测

#显示主要分类指标的文本报告

report
= ___(
5
)___,
target
_
names
=
iris.target
_
names
) #
3
分

print
(
report
)

【参考答案】

（
1
）
F
、
data
,
target
,
test
_
size
=
0.3

（
2
）
A
、
ss.fit
_
transform
(
X
_
train
)

（
3
）
H
、
knc.fit
(
X
_
train
,
y
_
train
)

（
4
）
B
、
knc.predict
(
X
_
test
)

（
5
）
E
、
classification
_
report
(
y
_
test
,
y
_
predict

【能力目标】

（
1
）理解训练相关概念，考核机器学习基础和应用能力；

（
2
）理解数据预处理，考核机器学习基础和应用能力；

（
3
）掌握
KNN
算法的应用，考核机器学习基础和应用能力；

（
4
）掌握
KNN
算法的应用，考核机器学习基础和应用能力；

（
5
）理解评价指标，考核机器学习基础和应用能力。

【知识内容】

（
1
）训练相关概念（数据集的切分）；

（
2
）数据预处理（数据集的标准化）；

（
3
）
KNN
算法的应用（
KNN
的模型拟合）；

（
4
）
KNN
算法的应用（
KNN
的模型预测）；

（
5
）评价指标（分类指标报告）。

4．程序设计

要求：请补全程序中缺失的部分。

题目：采用
Sklearn
绘制散点图，并呈现在右上方。

134
import xlrd

import matplotlib.pyplot as plt

import numpy as np

from sklearn import model
_
selection

from sklearn.linear
_
model import LogisticRegression

from sklearn import metrics

data
=
xlrd.open
_
workbook
(
sandianshuju.xlsx
')

sheet
=
data.sheet
_
by
_
index
(
0
)

Density
=
sheet.col
_
values
(
6
)

Sugar
=
sheet.col
_
values
(
7
)

Res
=
sheet.col
_
values
(
8
)

# 读取原始数据

X
=
np.array
( [
Density
,
Sugar
] )

#
y
的尺寸为(
17
)

y
=
np.array
(
Res
)

X
=
X.reshape
(
17
,
2
)

# 绘制分类数据

f1
=
plt.figure
(
1
)

plt.title
('
watermelon
_
3a
')

plt.xlabel
('
density
')

plt.ylabel
('
ratio
_
sugar
')

# 绘制散点图(
x
轴为密度，
y
轴为含糖率，呈现在右上方)

plt.scatter
(
X
[
y
==
0
,
0
],
X
[
y
==
0
,
1
],
marker
= '
o
',
color
= '
k
',
s
=
100
,
label
= '
bad
')

plt.scatter
(
X
[
y
==
1
,
0
],
X
[
y
==
1
,
1
],
marker
= '
o
',
color
= '
g
',
s
=
100
,
label
= '
good
')

plt.legend
( (
1
) )

plt.show
( )
162

# 从原始数据中选取一半数据进行训练，另一半数据进行测试

X
_
train
,
X
_
test
,
y
_
train
,
y
_
test
=
model
_
selection.train
_
test
_
split
(
X
,
y
,
test
_
size
=
0.5
,

random
_
state
=
0
)

135
# 逻辑回归模型

log
_
model
=
LogisticRegression
( )

# 训练逻辑回归模型

log
_
model.fit
(
X
_
train
,
X
_
test
)

# 预测
y
的值

y
_
pred
=
log
_
model.predict
( (
2
) )

# 查看测试结果

print
(
metrics.confusion
_
matrix
(
y
_
test
,
y
_
pred
))

print
(
metrics.classification
_
report
(
y
_
test
,
y
_
pred
))

【参考答案】（
1
）
loc
= '
upper right
'；（
2
）
X
_
test

【能力目标】本题需要一定的知识综合理解能力，涉及机器学习模型库的使用，图形可视化

的实现方法，考核人工智能基本素养、智能算法思维能力和编程实现调试能力。

【知识内容】知识点是机器学习中的
Logistic
回归实现。

5．程序阅读题

阅读和分析程序，按下列要求完成题目。程序通过神经网络对
Fashion MNIST
数据集进行分

类训练和模型评估。程序运行结果如样张所示。注意：此题仅做阅读和分析，无需运行和调试。

请针对程序中
5
处【_题号_】所在的代码行，从以下选项中选择对该行恰当的代码解释，并

将选项编号填入【】内，如【
A
】，注意编号不区分大小写。

A
．导入
tf
库，命名为
tensorflow
。

B
．以
load
_
model
('
model
_
2024.h5
')为名保存模型。

C
．显示训练集的前
9
个图像及其类别。

D
．显示测试集的前
10
个图像及其类别。

E
．加载名为
model
_
2024.h5
的模型。

F
．添加名为
softmax
的输入层，该层包含
10
神经元，激活函数为
Output
。

G
．模型评估。

H
．添加名为
Output
的输出层，该层包含
10
神经元，激活函数为
softmax
。

I
．模型构建。

J
．导入
tensorflow
库，命名为
tf
。

136
137

# 导入库

import tensorflow astf
#【_
1
_】

import matplotlib.pyplot as plt

# 载入
fashion
_
mnist
数据集

fashion
_
mnist
=
tf.keras.datasets.fashion
_
mnist

(
X
_
train
,
y
_
train
), (
X
_
test
,
y
_
test
) =
fashion
_
mnist.load
_
data
()

# 建立映射表

class
_
names
= ['
T-shirt/top
', '
Trouser
', '
Pullover
', '
Dress
', '
Coat
',

'
Sandal
', '
Shirt
', '
Sneaker
', '
Bag
', '
Ankle boot
']

plt.figure
(
figsize
=(
12
,
8
))

for i in range
(
0
,
9
):

plt.subplot
(
3
,
3
,
i
+
1
)

plt.imshow
(
X
_
train
[
i
],
cmap
='
gray
')

plt.xticks
([])

plt.yticks
([])

plt.title
(”
True
=”+
str
(
class
_
names
[
y
_
train
[
i
]]))

plt.show
() #【_
2
_】

# 利用
reshape
函数转换数字图像

X
_
train
_
reshape
=
X
_
train.reshape
(
X
_
train.shape
[
0
],
28
*
28
)

X
_
test
_
reshape
=
X
_
test.reshape
(
X
_
test.shape
[
0
],
28
*
28
)

# 归一化数字图像

X
_
train
_
norm
,
X
_
test
_
norm
=
X
_
train
_
reshape / 255.0
,
X
_
test
_
reshape / 255.0

# 构建
Sequential
模型
138

model
=
tf.keras.models.Sequential
()

model.add
(
tf.keras.layers.Dense
(
40
,
input
_
dim
=
28
*
28
,
activation
='
relu
',
name
='
Hidden1
'))

model.add
(
tf.keras.layers.Dense
(
40
,
activation
='
relu
',
name
='
Hidden2
'))

model.add
(
tf.keras.layers.Dense
(
10
,
activation
='
softmax
',
name
='
Output
')) #【_
3
_】

# 打印模型概况

print
(
model.summary
())

# 模型编译

print
('
compiling…

n
')

model.compile
(
optimizer
='
adam
',

loss
='
sparse
_
categorical
_
crossentropy
',

metrics
=['
accuracy
'])

print
('
fitting…

n
')

model.fit
(
X
_
train
_
norm
,
y
_
train
,
epochs
=
4
,
validation
_
split
=
0.25
,
verbose
=
2
)

print
('
evaluating …

n
')

model.evaluate
(
X
_
test
_
norm
,
y
_
test
,
verbose
=
2
) #【_
4
_】

modelname
='
model
_
2024.h5
'

print
('
model saving …

n
')

model.save
(
modelname
)

print
('
loading model …

n
')

model
=
tf.keras.models.load
_
model
(
modelname
) #【_
5
_】

print
('
predicting…

n
')

prediction
=
model.predict
_
classes
(
X
_
test
_
norm
)
139

print
(“{:
15
}
t
{:
15
}”
.format
(”
True
“,”
Prediction
“))

for i in range
(
0
,
9
):

print
(“{:
15
}
t
{:
15
}”
.format
(
str
(
class
_
names
[
y
_
test
[
i
]]),
str
(
class
_
names
[
prediction
[
i
]])))

【参考答案】
J
、
C
、
H
、
G
、
E

【能力目标】本题需要一定的知识综合理解能力，涉及神经网络的构建与评估，以及图形可

视化的实现方法等，考核人工智能基本素养、智能算法思维能力。

【知识内容】知识点是神经网络的构建。

6．方案设计

如何为自动驾驶汽车提供训练数据？如何进行训练？

【参考答案】

提供数据：（
1
）汽车数据收集：传感器信号、视频等（
2
）模拟环境数据

训练方法：（
1
）监督学习；（
2
）强化学习

【能力目标】本题需要一定的知识综合知识，理解无人驾驶和智能交通领域知识基础和应用

常识，考核问题理解分析能力、创新应用拓展能力和持续学习演进能力。

【知识内容】知识点是智能交通的定义及主要技术。

7．分析论述

鸟能飞的实例见下表：

（
1
）请画出鸟飞的决策树（注：上机考试时提供多个模块供拖拽、连接、补全数字）；

（
2
）鸟飞的规则是什么？

【参考答案】（1）

（
2
）
Fly
=(
no.-of-wings
=
2
)∧(
broken-wings
=
0
) ∧(
status
=
alive
) ∧(
area/weight
≥
2.5
)

【能力目标】 掌握决策树模型构建及应用，考核人工智能基本素养、问题理解分析能力。

【知识内容】知识点是机器学习中的决策树模型原理与方法。

模拟卷答案

题包A

一、单选题

1. A  2. C  3. D  4. B  5. B  

6. B  7. A  8. A  9. A  10. D

二、多选题

1. ABD  2. ABD  3. ABC  4. ABCD  5. ABD  

6. ABCD  7. ABCD  8. AB  9. ABCD  10. ABCD

三、程序填空题

(1) A  (2) E  (3) C

题包B

一、单选题

1. D  2. D  3. A  4. B  5. D  

6. A  7. B  8. B  9. A  10. A

二、程序填空题

(1) F  (2) E  (3) A

题包C

一、单选题

1. D  2. C  3. A  4. B  5. C  

6. A  7. B

二、多选题

1. ABCD  2. ABCD  3. BCD

三、程序填空题

(1) E  (2) C  (3) F

题包D

一、单选题

1. C  2. C  3. B  4. A  5. A  

6. B  7. A  8. C  9. A

二、多选题

1. ABCD

三、程序填空题

(1) F  (2) D  (3) A

题包E

一、单选题

1. D  2. B  3. A  4. B

二、多选题

1. AC  2. ABCD  3. AB  4. BCD  5. ABC  6. ABC

三、程序填空题

(1) A  (2) D  (3) E

题包F

一、单选题

1. B  2. A  3. C  4. A

二、多选题

1. ABC  2. ABC  3. ABCD  4. CD  5. B  6. ABC

三、程序填空题

(1) B  (2) C  (3) E

题包G

一、单选题

1. A  2. A  3. B  4. A  5. A  6. D

二、多选题

1. BC  2. ABC  3. AB  4. ABCD

三、程序填空题

(1) A  (2) C  (3) F

题包H

一、编程题

1. (1) A  (2) C  (3) E  (4) H

2. (1) A  (2) D  (3) F  (4) D

3. (1) `labelCounts = {}`  

   (2) `labelCounts[currentLabel] += 1`  

   (3) `prob * np.log2(prob)`

二、论述题

|       | 是否相同 | SVM | 逻辑回归 |

| 目标 | 否 | E | F |

| 优化目标 | 否 | C | D |

| 输出结果 | 否 | F | G |

| 适合场景 | 否 | A | B |

题包I

一、编程题

1. (1) B  (2) D  (3) F  (4) G

2. (1) A  (2) C  (3) E  (4) H

二、方案设计题

数据获取模块 —— 技术方法：网络爬虫 —— 指标：数据量

数据预处理模块 —— 技术方法：文本清洗 —— 指标：精度

特征提取模块 —— 技术方法：用多层卷积计算特征 —— 指标：层数

情感分类模块 —— 技术方法：CNN分类器 —— 指标：准确率、召回率、F1值

三、论述题

(1) 15  (2) 23  (3) 0.2  (4) 0.8  (5) 16.6  (6) C  (7) 27.71

声明：著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

创作声明：部分内容由AI辅助生成
内容来源网络，进行整合/再创作