2025年职业技能竞赛(人工智能训练师赛项)参考试题库(含答案)

2025年职业技能竞赛(人工智能训练师赛项)参考试题库(含答案)一、单选题（每题1分，共30分）1.在PyTorch中，若需冻结某一层参数使其不参与反向传播，应执行的操作是A.layer.requires_grad=FalseB.layer.train(False)C.optimizer.zero_grad()D.layer.eval()答案：A解析：requires_grad=False直接关闭张量梯度计算，其余选项仅影响BN/Dropout行为或优化器状态。2.使用KerasFunctionalAPI构建多输入模型时，合并两个分支的推荐层是A.ConcatenateB.AddC.DotD.Maximum答案：A解析：Concatenate沿指定轴拼接特征图，保留全部信息，适合异构输入融合。3.在目标检测任务中，YOLOv8引入的DFL（DistributionFocalLoss）主要解决A.正负样本不平衡B.边界框分布建模C.多尺度特征融合D.标签噪声答案：B解析：DFL将框坐标建模为概率分布，用交叉熵回归位置，降低量化误差。4.Transformer中，位置编码使用正弦余弦函数而非可学习向量的核心原因是A.减少显存B.支持任意长度外推C.加速注意力计算D.提升多头分裂效率答案：B解析：正弦编码具有周期性且与位置线性相关，可泛化到训练未见长度。5.联邦学习场景下，客户端上传梯度而非原始数据的主要隐私风险来自A.模型反演攻击B.梯度泄露攻击C.成员推理攻击D.后门攻击答案：B解析：梯度与原始数据存在解析关系，攻击者可重建输入，如DLG算法。6.在NLP数据增强中，对中文采用同义词替换时，最可靠的词向量模型是A.Word2VecB.GloVeC.ERNIE3.0D.EDA答案：C解析：ERNIE3.0基于知识增强，同义词判别准确率高于静态向量。7.当训练ResNet出现loss=NaN，首先应检查A.学习率是否过大B.是否使用LabelSmoothingC.是否开启混合精度D.是否使用Warmup答案：A解析：过大学习率导致梯度爆炸，最先表现为NaN；混合精度需配合LossScaling。8.在TensorRT加速中，INT8校准若出现精度骤降，优先尝试A.启用QATB.减少校准批次C.关闭LayerFusionD.提高最大工作空间答案：A解析：QAT在训练阶段模拟量化，可显著恢复INT8精度。9.使用LoRA微调LLM时，秩r的选取经验法则是A.与attentionhead数成正比B.与模型层数成正比C.与下游数据量成正比D.与原始矩阵维度无关答案：A解析：秩r通常取464，head数越多可设更大r以捕获多样子空间。10.在DiffusionModel采样中，DDIM与DDPM的主要差异是A.是否随机B.步长是否固定C.是否可逆D.损失函数答案：C解析：DDIM构造非马尔可夫链，支持确定性采样，可逆生成潜码。11.当使用混合精度训练时，LossScaling的初始值通常设为A.128B.1024C.动态自适应D.1答案：B解析：1024为经验值，可覆盖大多数模型梯度范围，动态缩放需额外监控。12.在AutoML中，NASNet采用的搜索策略是A.强化学习B.进化算法C.可微分结构D.贝叶斯优化答案：C解析：NASNet通过连续松弛将离散结构可微，用梯度下降优化。13.在CTR预估中，DeepFM相对Wide&Deep的改进是A.共享EmbeddingB.引入AttentionC.使用DCND.多任务学习答案：A解析：DeepFM共享FM与DNN的Embedding，减少参数量并缓解不一致。14.当使用Horovod多卡训练时，出现慢节点拖尾，可启用A.HierarchicalAllReduceB.GradientCompressionC.弹性训练D.NCCL_P2P_DISABLE答案：A解析：分层AllReduce减少跨交换机通信，缓解带宽不均。15.在图像分割中，DiceLoss相对交叉熵的优势是A.对类别不平衡鲁棒B.计算更快C.支持多标签D.可导性更好答案：A解析：Dice直接优化重叠度，对前景像素少的情况更稳定。16.使用ONNX导出动态batch模型时，应设置A.dynamic_axesB.opset_versionC.do_constant_foldingD.export_params答案：A解析：dynamic_axes指定动态维度，其余为优化或版本参数。17.在强化学习PPO中，clip参数ε通常取A.0.1B.0.5C.0.9D.1.2答案：A解析：0.1为OpenAI默认，平衡方差与稳定。18.当使用EarlyStopping时，若monitor='val_loss'，mode应设为A.minB.maxC.autoD.任意答案：A解析：val_loss越小越好，需明确min避免误判。19.在VisionTransformer中，PatchEmbedding的卷积核大小通常等于A.patch_sizeB.strideC.1D.3答案：A解析：核大小=patch_size，步长=patch_size，实现无重叠分块。20.使用DeepspeedZero3时，优化器状态分片带来的显存节省约A.1/2B.2/3C.3/4D.4/5答案：C解析：Zero3分片参数、梯度、优化器状态，显存与卡数成反比，理论节省3/4。21.在中文文本分类中，使用MacBERT预训练模型时，最应保留的预处理是A.全角转半角B.繁简转换C.分词D.无需分词答案：D解析：MacBERT基于字符，无需分词，其余为可选清洗。22.当使用知识蒸馏，教师为Ensemble时，学生最佳模仿对象是A.平均logitsB.投票标签C.最高置信度D.随机教师答案：A解析：平均logits保留更多信息，方差更低。23.在图像风格迁移中，Gram矩阵计算的是A.通道间相关性B.空间位置C.颜色直方图D.边缘强度答案：A解析：Gram表征特征图通道二阶统计，捕捉纹理。24.使用RayTune进行超参搜索时，ASHA调度器属于A.早停型B.贝叶斯型C.进化型D.网格型答案：A解析：ASHA通过异步早停淘汰差试验，节省算力。25.在语音合成Tacotron2中，停止token的激活函数是A.SigmoidB.ReLUC.TanhD.Softmax答案：A解析：Sigmoid输出01概率，判断序列结束。26.当使用混合专家模型MoE，专家容量因子过大会导致A.负载不均B.显存溢出C.路由崩溃D.梯度消失答案：B解析：容量因子=每个专家处理的token上限，过大显存线性增加。27.在推荐系统冷启动中，使用元学习MAML的核心优势是A.快速适应新用户B.减少特征工程C.降低延迟D.提高召回答案：A解析：MAML学习良好初始化，少量梯度步即可泛化新任务。28.使用CLIP进行ZeroShot分类时，提示模板“aphotoofa{label}”属于A.上下文优化B.手工模板C.可学习向量D.对抗样本答案：B解析：手工模板无需训练，简单有效。29.在模型可解释性中，IntegratedGradients相对于GradCAM的改进是A.满足敏感性公理B.支持中间层C.无需baselineD.计算更快答案：A解析：IG满足敏感性、实现不变性，GradCAM仅定位。30.当使用Weights&Biases记录直方图时，log_freq参数控制A.记录间隔步数B.直方图分桶数C.数据上传压缩D.图像分辨率答案：A解析：log_freq指定每多少步记录一次，减少存储。二、多选题（每题2分，共20分）31.下列哪些操作可降低Transformer显存占用A.GradientCheckpointingB.FlashAttentionC.FP16D.SeqLengthWarmup答案：A,B,C解析：Checkpointing用时间换空间；FlashAttention重排计算减少峰值；FP16减半；Warmup仅防震荡。32.在StableDiffusion中，ClassifierFreeGuidance的实现依赖A.条件dropB.双模型推理C.无分类器D.对抗损失答案：A,B解析：训练时随机drop条件，推理时联合有/无条件预测，外推提升保真。33.以下属于联邦学习安全聚合协议A.SecAggB.DPSGDC.Paillier加密D.DoubleMasking答案：A,C,D解析：SecAgg与DoubleMasking基于秘密共享；Paillier同态；DPSGD为噪声机制，非聚合协议。34.在CTR模型中，可有效捕获高阶特征交互的模块A.DCNCrossNetworkB.xDeepFMCINC.FiBiNetSENetD.AutoIntMultihead答案：A,B,D解析：CIN显式阶乘；CrossNetwork隐式高阶；AutoInt用注意力；SENet为通道加权，不提升阶数。35.以下对TensorFlowRecommenders库描述正确A.支持TwoTowerB.内置SamplingBias校正C.提供FactorizedTopK指标D.仅支持TF1.x答案：A,B,C解析：TFRS基于TF2.x，含SamplingBias与FactorizedTopK。36.在VisionTransformer微调中，常用数据增强A.RandAugmentB.MixUpC.CutMixD.RandomErasing答案：A,B,C,D解析：ViT同样受益，尤其RandAugment提升鲁棒。37.以下属于DiffusionModel加速采样算法A.DPMSolverB.UniPCC.PLMSD.VQGAN答案：A,B,C解析：DPMSolver为ODE求解器；UniPC、PLMS改进噪声调度；VQGAN为生成架构。38.在模型压缩中，可实现结构化稀疏的方案A.magnitudebased剪枝B.SSL(StructuredSparsityLearning)C.N:M稀疏D.LotteryTicket答案：B,C解析：SSL学习通道稀疏；N:M为2:4结构；magnitude与LTH非结构化。39.以下对HuggingFacePEFT库描述正确A.支持LoRAB.支持AdaLoRAC.支持PromptTuningD.需修改模型源码答案：A,B,C解析：PEFT即插即用，无需改源码。40.在自动驾驶感知中，多传感器融合常用方法A.EarlyFusionB.LateFusionC.IntermediateFusionD.FederatedFusion答案：A,B,C解析：联邦为训练范式，非融合阶段。三、判断题（每题1分，共10分）41.使用GroupNorm时，batch_size=1也能稳定训练。答案：对解析：GroupNorm与batch无关，按通道分组。42.在PyTorch中，nn.DataParallel比DistributedDataParallel速度更快。答案：错解析：DDP采用多进程，通信更高效。43.CLIP的图像编码器只能使用ViT，不能用CNN。答案：错解析：CLIP原文提供ResNet与ViT双骨干。44.在知识蒸馏中，温度τ越高，softmax分布越尖锐。答案：错解析：τ越高分布越平滑。45.使用ONNXRuntime时，开启TensorRT后端需安装onnxruntimegpu>=1.12。答案：对解析：1.12后官方集成TensorRTEP。46.在GPT生成中，TopK采样比TopP采样更易出现重复。答案：对解析：TopK固定候选集，缺乏动态调整。47.在推荐系统冷启动中，使用元特征（如性别、年龄）对MoE路由无帮助。答案：错解析：元特征可指导路由，提升新用户效果。48.使用Deepspeed时，开启CPUOffload会增加通信量。答案：对解析：参数需频繁在GPUCPU间搬运。49.在图像分类中，MixUp标签采用线性插值，对应损失函数需改为交叉熵。答案：错解析：应使用软标签交叉熵，非硬标签。50.在StableDiffusion中，UNet去噪网络仅含卷积块，不含Attention。答案：错解析：UNet含CrossAttention注入文本条件。四、填空题（每题2分，共20分）51.PyTorch中，若需将模型参数转为FP16，同时保持FP32主副本，应使用________优化器。答案：torch.cuda.amp.GradScaler（或MixedPrecision，答auto_cast+GradScaler即给分）52.Transformer中，自注意力的时间复杂度为________。答案：O(n²d)53.在CTR预估中，FM的二阶交互参数矩阵秩为________。答案：k（隐向量维度）54.使用TensorRTINT8校准时，校准集样本数通常不少于________。答案：50055.在PPO中，GAE(λ)用于估计________。答案：优势函数56.若要将ResNet50的Top1精度从76.1%提升到77%，常用技巧之一是引入________学习率调度。答案：CosineAnnealing（或LabelSmoothing、AugMix等，答出任意一种即给分）57.在VisionTransformer中，PatchSize=16，输入224×224，则序列长度为________。答案：19658.使用HuggingFaceTransformers下载模型时，设置local_dir_use_symlinks=False可避免________。答案：磁盘重复占用（或硬链接问题）59.在StableDiffusion中，采样步数从50减到20，常用________采样器保持质量。答案：DPMSolver++（或UniPC）60.联邦学习安全聚合中，双掩码方案需________轮通信完成解密。答案：2（或两轮）五、简答题（每题10分，共30分）61.描述如何使用LoRA在消费级GPU上微调LLaMA7B，并给出关键代码片段与显存占用估算。答案：1.环境：PyTorch2.0+CUDA11.8，bitsandbytes量化，peft库。2.步骤：a.加载4bit量化模型：fromtransformersimportAutoModelForCausalLM,BitsAndBytesConfigbnb=BitsAndBytesConfig(load_in_4bit=True,bnb_4bit_use_double_quant=True)model=AutoModelForCausalLM.from_pretrained("decapodaresearch/llama7bhf",quantization_config=bnb,device_map="auto")b.准备LoRA配置：frompeftimportLoraConfig,get_peft_modellora_config=LoraConfig(r=16,lora_alpha=32,target_modules=["q_proj","v_proj"],lora_dropout=0.05,bias="none")model=get_peft_model(model,lora_config)c.训练：使用QLoRA+DeepSpeedZero2，batch_size=1，gradient_accumulation=16，max_length=512。3.显存：量化后基模型约3.5GB，LoRA参数≈2×16×4096×2×2=0.5MB，激活≈1GB，总峰值≈5GB，单RTX306012GB可训。解析：双量化减少0.4GB；仅训练LoRA，反向传播无需全量；Zero2分片优化器状态。62.说明如何在目标检测任务中利用伪标签（PseudoLabeling）提升YOLOv8在无标注数据上的性能，给出置信度阈值选择策略与实验结果预期。答案：1.流程：a.用有标注数据训练教师YOLOv8至收敛；b.对无标注图像预测，保留置信度>τ的框作为伪标签；c.合并真标签与伪标签，重新训练学生模型；d.可选：教师EMA更新。2.阈值策略：a.初