2025年人工智能训练师五级复习题(有答案)

2025年人工智能训练师五级复习题(有答案)1.单项选择题（每题1分，共30分。每题只有一个正确答案，请将正确选项的字母填入括号内）1.在监督学习中，训练集的标签作用是（）。A.提供特征维度B.提供模型评估指标C.提供损失函数计算基准D.提供数据增强策略答案：C2.下列关于过拟合的描述，正确的是（）。A.训练误差持续上升B.验证误差显著低于训练误差C.模型在训练集表现好但在测试集表现差D.正则化会加剧过拟合答案：C3.在深度神经网络中，BatchNormalization层通常放置在（）。A.激活函数之前B.激活函数之后C.损失函数之后D.优化器之后答案：A4.若学习率设置过大，最可能出现的训练现象是（）。A.损失函数收敛缓慢B.损失函数震荡甚至发散C.梯度消失D.权重全部归零答案：B5.在图像分类任务中，数据增强技术“MixUp”的核心思想是（）。A.随机裁剪并拼接B.线性插值两张图像及标签C.对像素做高斯模糊D.随机擦除一块区域答案：B6.使用早停（EarlyStopping）策略时，监控指标通常选择（）。A.训练集准确率B.验证集损失C.测试集F1值D.参数量的L2范数答案：B7.在Transformer结构中，缩放点积注意力公式中的缩放因子是（）。A.嵌入维度B.嵌入维度的平方根C.序列长度D.头数答案：B8.下列激活函数中，输出范围在(1,1)的是（）。A.ReLUB.SigmoidC.TanhD.GELU答案：C9.在目标检测模型YOLOv5中，负责预测物体中心点偏移量的分支是（）。A.ObjectnessB.ClassC.BoxregressionD.Anchorfreeheatmap答案：C10.当使用交叉熵损失函数时，若真实标签为onehot形式[0,0,1]，模型输出概率为[0.1,0.2,0.7]，则损失值为（）。A.ln0.7B.ln0.2C.ln0.1D.0答案：A11.在联邦学习场景下，客户端上传的参数通常是（）。A.原始训练数据B.梯度或权重C.损失函数曲线D.超参数配置答案：B12.下列关于模型蒸馏的说法，错误的是（）。A.学生模型通常比教师模型小B.蒸馏损失只考虑软标签C.温度参数T越大，软标签越平滑D.可结合真实标签与软标签共同训练答案：B13.在NLP任务中，WordPiece与BPE的共同点是（）。A.基于词频构建词典B.采用子词切分C.需要预训练词向量D.仅适用于英文答案：B14.当GPU显存不足时，下列策略中不能降低显存占用的是（）。A.梯度累积B.混合精度训练C.增大BatchSizeD.检查点重计算答案：C15.在强化学习中，Qlearning更新公式中的α指（）。A.折扣因子B.学习率C.探索率D.奖励均值答案：B16.下列关于AUC的说法，正确的是（）。A.仅适用于多分类B.阈值相关指标C.越接近1表示排序能力越强D.与PR曲线面积恒等答案：C17.在模型部署阶段，TensorRT的主要优化手段不包括（）。A.层融合B.权重量化C.动态形状支持D.增加网络深度答案：D18.使用Kfold交叉验证的主要目的是（）。A.减少训练时间B.提高模型方差C.更稳健地估计模型泛化能力D.降低参数量答案：C19.在PyTorch中，下列代码片段的作用是（）。withtorch.no_grad():output=model(input)A.开启混合精度B.关闭自动求导C.启用DropoutD.切换训练模式答案：B20.当训练数据极度不平衡时，适合的综合评价指标是（）。A.准确率B.宏平均F1C.微平均F1D.训练损失答案：B21.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：A22.下列关于梯度爆炸的解决方案，错误的是（）。A.梯度裁剪B.权重初始化C.减小网络深度D.增加学习率答案：D23.在AutoML框架中，超参优化算法“贝叶斯优化”利用的核心模型是（）。A.KNNB.高斯过程C.决策树D.线性回归答案：B24.当使用Horovod进行分布式训练时，梯度同步发生在（）。A.前向传播后B.反向传播后C.数据加载前D.损失计算前答案：B25.在语音合成任务中，Mel频谱的维度通常与时间帧和（）相关。A.采样率B.Mel滤波器个数C.窗函数类型D.量化位数答案：B26.下列关于对比学习损失InfoNCE的描述，正确的是（）。A.仅使用负样本B.仅使用正样本C.同时利用正样本与负样本D.不需要温度系数答案：C27.在模型压缩技术中，通道剪枝直接作用于（）。A.批归一化层B.卷积核C.激活函数D.损失函数答案：B28.当使用Adam优化器时，超参数β1的常用值为（）。A.0.5B.0.9C.0.99D.1.0答案：B29.在文本生成任务中，重复惩罚（repetitionpenalty）系数大于1会导致（）。A.增加重复词概率B.降低已生成词概率C.提高序列长度D.降低解码速度答案：B30.下列关于ONNX的说法，错误的是（）。A.支持跨框架部署B.定义了统一的算子标准C.可直接运行在浏览器D.可进行图优化答案：C2.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，请将所有正确选项的字母填入括号内，漏选、错选均不得分）31.下列措施中，能够有效缓解模型欠拟合的有（）。A.增加网络深度B.减少正则化强度C.增加训练轮数D.降低学习率答案：ABC32.在目标检测评价指标mAP计算中，需要涉及的要素有（）。A.IoU阈值B.置信度排序C.精确率召回率曲线D.类别均衡采样答案：ABC33.以下属于Transformer自注意力机制时间复杂度优化方法的有（）。A.LinformerB.PerformerC.ReformerD.GradientCheckpointing答案：ABC34.在联邦学习系统里，可能遇到的攻击类型包括（）。A.模型投毒B.成员推理C.梯度泄露D.数据增强答案：ABC35.使用混合精度训练时，需要特别处理的环节有（）。A.损失缩放B.权重备份C.梯度裁剪D.学习率预热答案：AB36.下列关于BERT预训练任务的说法，正确的有（）。A.MLM随机遮盖15%的词B.NSP判断句子顺序C.使用单向语言模型D.采用WordPiece分词答案：ABD37.在推荐系统冷启动问题中，可采用的策略有（）。A.利用用户注册信息B.基于内容特征C.元学习快速适应D.增加隐藏层节点答案：ABC38.下列关于模型服务灰度发布的描述，正确的有（）。A.逐步切换流量B.可实时回滚C.需要A/B测试指标D.必须修改训练数据答案：ABC39.在语音识别中，CTC损失的特点包括（）。A.允许输入输出长度不等B.引入空白标签C.需要强制对齐D.可输出重复字符答案：ABD40.下列关于DiffusionModel训练过程的说法，正确的有（）。A.逐步添加高斯噪声B.网络学习去噪参数C.采样过程需迭代D.不需要损失函数答案：ABC3.填空题（每空2分，共30分。请将答案填写在横线上，确保语义准确）41.在卷积神经网络中，若输入特征图尺寸为112×112，卷积核大小3×3，padding=1，stride=2，则输出特征图尺寸为________。答案：56×5642.若某模型参数量为1.2×10^8，每个参数以FP32存储，则模型权重占用显存约为________MB。答案：457.7643.在Python中，使用numpy将列表[0.1,0.2,0.7]转换为概率分布，需先执行________函数确保和为1。答案：softmax（或除以总和）44.当学习率调度器选择CosineAnnealing时，其周期长度通常设置为________。答案：最大训练轮数45.在PyTorch中，若需将模型移至GPU，应调用模型实例的________方法。答案：cuda()或to("cuda")46.在梯度裁剪中，常用范数类型为________范数。答案：L247.在文本预处理中，将“running”还原为“run”的步骤称为________。答案：词干提取（或Stemming）48.若BatchSize=64，epoch=10，训练集样本数为12800，则每epoch需要________步迭代。答案：20049.在模型量化中，将FP32权重映射到INT8，最大绝对值系数为0.8，则缩放因子scale=________。答案：0.8/12750.在ROC曲线中，假正率FPR的计算公式为________。答案：FP/(FP+TN)51.在语音信号处理中，将采样率从16kHz降采样到8kHz，需先执行________滤波。答案：抗混叠低通52.在推荐系统FM模型中，特征交叉项的计算复杂度为________。答案：O(kn)53.在VisionTransformer中，位置编码常用________编码以保留序列顺序。答案：正弦余弦（或Sinusoidal）54.当使用Horovod进行分布式训练时，需用________函数包装优化器。答案：DistributedOptimizer55.在生成对抗网络中，判别器损失函数采用________交叉熵。答案：二元（或Binary）4.简答题（共30分。请给出简明扼要的回答，封闭型简答题需准确，开放型简答题需逻辑清晰）56.（封闭型，6分）简述Dropout在训练阶段与测试阶段的不同处理方式，并说明其原因。答案：训练阶段以概率p随机将神经元输出置0，并缩放保留神经元的输出除以(1p)；测试阶段不使用Dropout，直接使用完整网络。原因是训练阶段通过随机失活达到正则化效果，测试阶段需要确定性的预测，缩放保证训练与测试阶段输出期望一致。57.（封闭型，6分）写出BatchNormalization的规范化公式，并指出其中两个可学习参数。答案：y=(xμ)/sqrt(σ^2+ε)γ+β，可学习参数为缩放因子γ与偏移因子β。58.（开放型，8分）列举三种常见的类别不平衡处理方法，并比较其适用场景。答案：1.欠采样：减少多数类样本，适用于多数类冗余且数据量充足场景，易丢失信息。2.过采样：增加少数类样本，如SMOTE，适用于少数类样本稀少且维度不高，易过拟合。3.代价敏感学习：调整损失函数权重，适用于类别错分代价差异大，无需改变数据分布，需调权重超参。59.（封闭型，6分）解释梯度消失产生的原因，并给出一个有效解决方案。答案：深层网络使用Sigmoid等饱和激活函数，反向传播时链式求导导致梯度指数级减小。解决方案包括使用ReLU激活、残差连接、合理的权重初始化如He初始化。60.（开放型，8分）说明在边缘设备部署模型时，为何选择INT8量化而非FP16，并给出两点注意事项。答案：INT8比FP16节省一半存储与带宽，整数计算单元功耗更低，延迟更小；注意事项：1.需校准数据集确定缩放因子，防止精度骤降；2.算子支持度差异，需验证后端是否支持INT8卷积或反量化融合。5.应用题（共40分。需给出详细步骤、关键公式与最终答案）61.（计算类，10分）某全连接层输入维度512，输出维度1024，使用FP32存储，计算该层参数总量与权重显存占用；若改用INT8量化，权重显存减少多少百分比？答案：参数量=512×1024+1024=525312；FP32显存=525312×4=2101248字节≈2.00MB；INT8显存=525312×1=525312字节≈0.50MB；减少百分比=(2.000.50)/2.00=75%。62.（分析类，10分）给定训练曲线：训练损失持续下降，验证损失在epoch5后上升，验证准确率在epoch5达到峰值后轻微下降。分析可能原因并提出三条改进