2025年全省职业技能竞赛(人工智能训练师赛项)备赛试题库及答案

2025年全省职业技能竞赛(人工智能训练师赛项)备赛试题库及答案一、单项选择题（每题1分，共30分。每题只有一个正确答案，请将正确选项字母填入括号内）1.在PyTorch中，若模型在GPU上训练，以下哪条语句可将张量x从CPU迁移到GPU？A.x.to("cuda:0")B.x.cuda()C.x.gpu()D.x.device("cuda")答案：A2.使用Adam优化器时，若beta1=0.9、beta2=0.999，则二阶矩估计的偏差修正项在t=1步时的值为A.0.999B.0.001C.0.002D.0.000答案：B3.在Transformer中，位置编码采用sin/cos函数的主要目的是A.增强非线性B.提供序列顺序信息C.降低参数量D.加速收敛答案：B4.在目标检测任务中，YOLOv5使用的损失函数中负责抑制负样本的部件是A.CIOUlossB.BCEobjlossC.BCEclslossD.MSEloss答案：B5.当使用混合精度训练时，GradScaler的作用为A.自动调整学习率B.防止梯度下溢C.压缩模型体积D.替换优化器答案：B6.在BERT预训练中，MaskedLM的掩码比例通常设置为A.5%B.10%C.15%D.30%答案：C7.在联邦学习场景下，FedAvg算法每轮通信中服务器端聚合方式为A.加权平均B.几何中值C.投票D.随机选择答案：A8.若某卷积层输入通道为64，输出通道为128，卷积核大小3×3，padding=1，则该层参数量为A.64×128×3×3B.64×128×3×3+128C.128×3×3D.64×128×9+128答案：B9.在深度强化学习中，DDPG算法属于A.基于策略B.基于价值C.ActorCriticD.模型预测控制答案：C10.当使用EarlyStopping时，若patience=5，则连续验证集指标不提升达到多少次后停止训练？A.3B.5C.6D.10答案：B11.在图像分割任务中，DiceLoss的取值范围是A.[0,1]B.[1,1]C.[0,+∞)D.(∞,+∞)答案：A12.若学习率调度器采用CosineAnnealingLR，则其周期结束后学习率将A.线性增加B.保持不变C.回到初始值D.降为0答案：C13.在模型蒸馏中，温度T越大，则softmax输出分布A.更尖锐B.更平滑C.不变D.变为均匀分布答案：B14.在NLP数据增强中，EasyDataAugmentation(EDA)不包括A.同义词替换B.随机插入C.随机交换D.回译答案：D15.当使用Kfold交叉验证时，若k=5，则每折用作训练的数据占比约为A.20%B.60%C.80%D.100%答案：C16.在PyTorchLightning中，用于定义训练步的函数名是A.training_stepB.train_stepC.forwardD.optimizer_step答案：A17.若BatchNorm层输入特征图尺寸为(B,C,H,W)，则可学习参数γ的维度为A.BB.CC.HD.W答案：B18.在GPT系列模型中，采用的无监督目标为A.MLMB.NSPC.CLMD.SBO答案：C19.当使用混合专家(MoE)结构时，门控网络通常采用A.ReLUB.SoftmaxC.SigmoidD.Tanh答案：B20.在模型部署阶段，ONNX格式的主要优势是A.提高精度B.跨框架兼容C.增加参数量D.降低延迟答案：B21.在推荐系统深度模型DeepFM中，FM部分主要捕获A.高阶非线性B.低阶特征交互C.序列信息D.多模态答案：B22.若使用Horovod进行分布式训练，则梯度聚合采用A.AllReduceB.ParameterServerC.RingAllGatherD.Broadcast答案：A23.在图像增强库Albumentations中，实现随机旋转的变换是A.RotateB.ShiftScaleRotateC.RandomRotate90D.Affine答案：A24.当使用知识蒸馏时，教师模型预测结果称为A.hardlabelB.softtargetC.groundtruthD.anchor答案：B25.在语音识别中，CTC损失函数允许A.强制对齐B.单调对齐C.多对一映射D.一对多映射答案：C26.若使用TensorBoard记录标量，则对应API为A.add_scalarB.add_histogramC.add_imageD.add_graph答案：A27.在模型剪枝中，magnitudebasedpruning依据A.梯度大小B.权重绝对值C.激活值D.损失变化答案：B28.在GAN训练中，若判别器损失迅速趋于0，则生成器梯度将A.增大B.减小C.不变D.消失答案：D29.在PyTorch中，若需冻结某层参数，应设置A.requires_grad=FalseB.train=FalseC.eval()D.detach()答案：A30.当使用AUC作为二分类指标时，其值越接近1表示A.模型越差B.模型越好C.过拟合D.欠拟合答案：B二、多项选择题（每题2分，共20分。每题有两个或两个以上正确答案，请将所有正确选项字母填入括号内，漏选、错选均不得分）31.以下哪些操作可有效缓解模型过拟合？A.DropoutB.L2正则C.增加网络深度D.数据增强答案：ABD32.在Transformer自注意力机制中，scaleddotproductattention包含A.Q×K^TB.除以根号d_kC.SoftmaxD.与V相乘答案：ABCD33.以下属于无监督学习算法的是A.KmeansB.PCAC.DBSCAND.SVM答案：ABC34.在模型部署时，TensorRT可进行的优化包括A.层融合B.量化C.动态shapeD.内核自动调优答案：ABD35.以下哪些指标可用于评估多分类任务？A.AccuracyB.MacroF1C.Cohen’skappaD.MSE答案：ABC36.在深度强化学习中，以下属于onpolicy算法的是A.A2CB.PPOC.DQND.TRPO答案：ABD37.在NLP任务中，以下属于子词分词算法的是A.BPEB.WordPieceC.SentencePieceD.TFIDF答案：ABC38.以下哪些技术可用于模型压缩？A.知识蒸馏B.剪枝C.量化D.增加通道数答案：ABC39.在图像分类任务中，以下属于数据泄漏行为的是A.训练集与验证集重复样本B.先整体归一化再划分数据集C.使用测试集调参D.交叉验证答案：ABC40.在PyTorch中，以下哪些函数可实现梯度截断？A.torch.nn.utils.clip_grad_norm_B.torch.nn.utils.clip_grad_value_C.torch.grad.clipD.optimizer.zero_grad答案：AB三、填空题（每空2分，共20分。请在横线上填写最简答案）41.在ResNet中，恒等映射分支被称为__________连接。答案：残差42.若学习率初始为0.1，采用StepLR(step_size=30,gamma=0.1)，则第60轮的学习率为__________。答案：0.00143.在PyTorch中，将模型保存为仅含权重的文件，应使用torch.save(model.state_dict(),"xxx.pt")，加载时应先__________模型结构。答案：实例化44.在目标检测评价指标mAP中，AP@0.5表示IoU阈值为__________时的平均精度。答案：0.545.在BERT中，最大序列长度若设为512，则位置编码矩阵的shape为(512,__________)。答案：76846.在联邦学习场景下，客户端本地训练1个epoch后上传的参数称为__________参数。答案：梯度/权重47.在GPT生成文本时，topp采样中p的取值范围是__________。答案：(0,1]48.在图像增强中，MixUp方法对两张图片按lambda混合，lambda服从__________分布采样。答案：Beta49.在深度学习中，若batchsize增大，则梯度噪声__________。答案：减小50.在模型蒸馏损失中，若alpha=0.7，则总损失=alpha×蒸馏损失+(1alpha)×__________损失。答案：hard四、判断题（每题1分，共10分。正确打“√”，错误打“×”）51.在BatchNorm层中，训练与推理阶段的均值方差来源相同。答案：×52.使用更大的卷积核必然导致感受野增大。答案：√53.在PyTorch中，tensor.detach()会切断反向传播。答案：√54.在GAN中，生成器与判别器同时达到纳什均衡是训练目标。答案：√55.在知识蒸馏中，温度T=1时软目标等价于硬标签。答案：×56.在RNN中，梯度爆炸比梯度消失更容易通过梯度裁剪缓解。答案：√57.在图像分类任务中，测试集可直接用于调参。答案：×58.在Transformer中，多头注意力可并行计算。答案：√59.使用ReLU激活函数一定不会出现梯度消失。答案：×60.在联邦学习中，服务器端无需任何训练数据即可完成聚合。答案：√五、简答题（共30分）61.简述梯度消失与梯度爆炸的产生原因，并各给出两种缓解方法。（6分）答案：原因：反向传播链式求导导致梯度连乘，若导数值大多小于1则梯度指数级减小（消失），若大于1则指数级增大（爆炸）。缓解消失：1.使用ReLU及其变体激活函数；2.采用残差连接。缓解爆炸：1.梯度裁剪；2.权重初始化如He、Xavier。62.说明BatchNorm在训练与推理阶段的计算差异，并解释movingaverage的作用。（6分）答案：训练阶段：对每个batch计算均值方差并做归一化，同时通过momentum更新runningmean/var。推理阶段：使用running统计量，不再依赖batch数据，确保单样本输出稳定。movingaverage平滑历史信息，减少batch波动，提升泛化。63.列举三种主流的数据增强方法，并指出其适用场景。（6分）答案：1.随机水平翻转：图像分类，提升水平不变性。2.CutMix：目标检测/分类，通过裁剪粘贴增加局部多样性。3.SpecAugment：语音识别，对频谱图进行时域掩蔽和频域掩蔽。64.解释联邦学习中的“非独立同分布(NonIID)”挑战，并给出两种解决方案。（6分）答案：NonIID指客户端数据分布差异大，导致本地模型更新方向不一致，全局模型发散。方案：1.FedProx，在本地目标加入近端项限制偏离；2.个性化联邦，如FedPer，为每个客户端保留个性化头部。65.简述知识蒸馏中“教师助理”机制的原理与作用。（6分）答案：当教师模型过大，直接蒸馏给学生困难，引入规模中等的助理模型，先由教师蒸馏给助理，再由助理蒸馏给学生，分段减小容量差距，提升学生收敛与精度。六、应用题（共40分）66.图像分类模型调优（10分）给定CIFAR10数据集，基线模型为ResNet18，初始训练结果：训练准确率94%，验证准确率78%。(1)指出两种可能原因导致上述差距。（2分）(2)给出三种改进策略，并说明预期效果。（6分）(3)若采用MixUp，请写出PyTorch关键代码片段（两行以内）。（2分）答案：(1)过拟合；数据分布差异。(2)1.数据增强（随机裁剪、水平翻转），提升泛化；2.加入Dropout=0.3，降低过拟合；3.使用余弦退火学习率，提高收敛稳定性。(3)inputs,targets_a,targets_b,lam=mixup_data(inputs,targets,alpha=0.2)。67.目标检测指标计算（10分）单张图片含3个真实框，模型输出5个预测框，置信度分别为[0.9,0.8,0.7,0.6,0.5]，对应IoU=[0.85,0.75,0.45,0.4,0.3]。若IoU阈值=0.5，(1)计算TP、FP、FN。（3分）(2)计算Precision、Recall。（2分）(3)若第二框置信度降为0.4，重新计算Precision。（2分）(4)说明mAP@0.5:0.95的含义。（3分）答案：(1)TP=2，FP=3，FN=1。(2)P=2/5=0.4，R=2/3≈0.667。(3)排序后前2仍为TP，Precision=2/5=0.4。(4)从0.5到0.95步长0.05共10个IoU阈值下AP的平均值，综合评估定位精度。68.文本生成模型微调（10分）使用GPT2做中文古诗生成，数据集为5000首五言绝句，每首20字。(1)指出两种快速微调技术，并比较显存占用。（4分）(2)给出评估生成质量的两种自动指标。（2分）(3)若出现重复生成“春眠不觉晓”，请提出两种改进方法。（4分）答案：(1)LoRA：冻结原模型，插入低秩矩阵，显存≈原模型30%；AdaLoRA：动态秩，显存略高。(2)perplexity、BLEU。(3)1.提高temperature至1.2增加随机性；2.使用重复惩罚(repetition_penalty=1.2)。69.联邦学习系统实现（10分）10家医院协作训练肺炎筛查模型，数据量分别为[100,200,300,400,500,600,700,800,900,1000]张。(1)若采用FedAvg，写出服务器端聚合权重公式。（2分）(2)给出客户端本地训练伪代码（含3步）。（3分）(3)若第3号客户端dropout30%参与，求实际参与样本量。（2分）(4)指出两种防御投毒攻击的方法。（3分）答案：(1)w_global=sum(n_k/n_total×w_k)。(2)1.下载全局权重；2.本地训练epoch=5；3.上传权重与样本量。(3)400×0.7=280张。(4)1.异常检测，剔除更新范数异常大的客户端；2.使用Trimmedmean聚合，去除极端值。70.模型压缩与部署综合（10分）给定ResNet50分类模型，大小95MB，Top1准确率76.1%，需部署到边缘ARM芯片，内存限制30MB，延迟<200ms。(1)设计压缩方案，说明顺序与预期指标。（4分）(2)写出INT8量化校准的关键步骤（三步）。（3分）(3)若量化后精度下降至74%，给出两种补救措施。（3分）答案：(1)先通道剪枝50%→35MB，再知识蒸馏恢复精度至75.5%，最后INT8量化至9MB，延迟150ms。(2)1.收集代表性数据1000张；2.运行前向统计每层min/max；3.计算scale/zero_point并写入量化表。(3)1.采用QAT（量化感知训练）微调5epoch；2.混合精度：首层与末层保持FP16。七、编程题（共20分）71.自定义注意力模块（10分）请用PyTorch实现缩放点积注意力，要求：输入Q,K,V维度均为(batch,n_head,seq_len,d_k)，输出维度不变，支持mask。答案：importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassScaledDotProductAttention(nn.Module):def__init__(self):super().__init__()defforward(self,Q,K,V,