2025年人工智能训练师(三级)职业技能鉴定理论考试题库(含答案)

2025年人工智能训练师(三级)职业技能鉴定理论考试题库(含答案)一、单项选择题（每题1分，共40分。每题只有一个正确答案，错选、多选、未选均不得分）1.在PyTorch中，若需冻结某一层参数使其不参与反向传播，应使用的代码是A.layer.requires_grad=FalseB.layer.trainable=FalseC.layer.eval()D.torch.no_grad()答案：A解析：requires_grad属性直接控制张量是否参与梯度计算，是冻结参数的标准做法。2.使用混合精度训练时，下列哪项操作可最大限度避免梯度下溢？A.手动放大损失值B.使用GradScaler自动缩放C.降低学习率D.改用FP64精度答案：B解析：GradScaler在反向前对损失乘以可动态调整的scale因子，抵消FP16下溢风险。3.在目标检测任务中，若正负样本比例极端失衡（1:1000），首选的采样策略是A.RandomSamplerB.HardNegativeMinerC.OHEMD.RandomCrop答案：C解析：OHEM（OnlineHardExampleMining）在线挖掘难负例，兼顾效率与精度。4.Transformer中，位置编码使用正弦函数的主要优点是A.可外推到更长序列B.加速注意力计算C.降低显存占用D.增强非线性答案：A解析：正弦位置编码具有周期性且与序列长度无关，可直接外推。5.在联邦学习场景下，为防止模型更新泄露用户隐私，常用的安全聚合协议是A.FedSGDB.SecureAggregationC.FedProxD.SCAFFOLD答案：B解析：SecureAggregation通过同态加密与秘密共享，实现服务器无法看到单个客户端梯度。6.当使用Kfold交叉验证时，若数据集存在“同一用户的多条样本”，最合理的划分方式是A.随机KfoldB.StratifiedKfoldC.GroupKfoldD.TimeSeriesSplit答案：C解析：GroupKfold确保同一用户（组）只出现在一个折中，避免信息泄漏。7.在深度强化学习中，造成“高估偏差”（overestimation）的主要原因是A.策略熵过低B.最大化操作与函数逼近误差耦合C.奖励稀疏D.环境非平稳答案：B解析：DoubleDQN论文指出，max操作会累积Q网络正误差，导致系统性高估。8.若BERT模型在下游任务微调时显存不足，下列方案中显存节省最显著的是A.冻结全部Transformer层B.使用gradientcheckpointingC.降低batchsize到1D.改用ALBERT答案：B解析：gradientcheckpointing以前向重计算换取显存，可在几乎不掉点情况下节省30%–50%显存。9.在图像分割评价指标中，Dice系数与IoU的数学关系为A.Dice=2IoU/(1+IoU)B.Dice=IoU/(2–IoU)C.Dice=IoUD.无确定关系答案：A解析：令IoU=TP/(TP+FP+FN)，则Dice=2TP/(2TP+FP+FN)=2IoU/(1+IoU)。10.当使用Adam优化器时，若β1=0.9，β2=0.999，初始学习率1e3，则第t步有效学习率约为A.1e3×√(1–β2^t)/(1–β1^t)B.1e3×(1–β1^t)/√(1–β2^t)C.1e3×β1^tD.1e3×β2^t答案：B解析：Adam偏差修正项为(1–β1^t)与√(1–β2^t)，对应B。11.在文本生成任务中，为避免模型重复输出相同句子，最简洁有效的解码策略是A.Topk采样B.Temperature采样C.RepetitionPenaltyD.BeamSearch答案：C解析：RepetitionPenalty直接对已生成token降权，抑制循环。12.当使用Horovod做分布式训练时，下列环境变量控制AllReduce算法选择A.HOROVOD_FUSION_THRESHOLDB.HOROVOD_CYCLE_TIMEC.HOROVOD_AUTOTUNED.HOROVOD_AUTOTUNE_LOG答案：A解析：FUSION_THRESHOLD决定张量融合大小，间接影响AllReduce算法。13.在模型蒸馏中，若学生网络logits与教师logits的KL散度损失权重为α，硬标签交叉熵权重为1–α，则α一般取值范围A.0.1–0.3B.0.5–0.7C.0.7–0.9D.1.0答案：C解析：蒸馏强调“软标签”，α通常>0.7。14.当使用TensorRT加速推理时，若网络中含DynamicResize，需设置的flag为A.explicitBatchB.workspaceC.optProfileD.fp16答案：C解析：Dynamicshape需配置optimizationprofile。15.在AutoML中，基于贝叶斯优化的超参搜索，其采集函数为EI时，EI的物理意义是A.期望改善量B.后验概率C.置信上界D.熵答案：A解析：EI（ExpectedImprovement）衡量在何处采样可期望提升最优值。16.当使用EarlyStopping时，若patience=5且min_delta=0.001，则触发停止的条件是A.连续5轮验证集指标提升<0.001B.连续5轮验证集指标下降<0.001C.任意5轮指标提升<0.001D.任意5轮指标下降<0.001答案：B解析：min_delta控制“显著性”，patience控制“耐心”。17.在语音合成Tacotron2中，停止token预测使用A.MSE损失B.BCE损失C.CTCLossD.L1损失答案：B解析：停止token为二分类，用BCE。18.当使用混合专家模型（MoE）时，若topk=2，则每次激活参数占总参数比例约为A.1/2B.2/experts总数C.k/experts总数D.100%答案：C解析：仅选中k个专家，比例=k/专家数。19.在图神经网络中，GCN的层数过深会导致A.过平滑B.梯度爆炸C.节点特征维度爆炸D.邻接矩阵奇异答案：A解析：深层GCN使节点表示趋于一致，即过平滑。20.当使用DALI加载数据时，其加速原理主要是A.GPU解码+流水线B.多进程PythonC.压缩传输D.内存映射答案：A解析：DALI把解码搬到GPU，并用CUDA流水线掩盖延迟。21.在模型可解释性中，IntegratedGradients需指定基线，对图像任务常用的基线是A.全黑图B.全白图C.随机噪声D.训练集均值图答案：A解析：黑图无信号，满足“缺失”语义。22.当使用混合精度时，下列哪项操作必须在FP32下完成A.卷积前向B.批归一化C.权重更新D.激活函数答案：C解析：主权重保持FP32避免精度误差累积。23.在推荐系统冷启动中，利用用户注册信息（性别、年龄）的模型属于A.协同过滤B.内容过滤C.混合过滤D.矩阵分解答案：B解析：利用sideinformation即内容过滤。24.当使用PyTorchLightning时，若要在多卡训练时同步BN统计量，应设置A.sync_batchnorm=TrueB.distributed_backend='ddp'C.precision=16D.gradient_clip_val=1.0答案：A解析：SyncBN需显式开启。25.在文本分类中，若类别极度不平衡，对少数类影响最大的指标是A.AccuracyB.MacroF1C.MicroF1D.AUC答案：B解析：MacroF1对每类平等加权，少数类权重高。26.当使用DeepSpeedZero3时，优化器状态、梯度、参数都被切分，其通信量为A.O(1)B.O(N)C.O(N/√P)D.O(N/P)答案：D解析：Zero3把参数分片到P卡，每卡只存1/P，通信量线性下降。27.在目标检测YOLOv5中，anchorfree分支被称为A.ObjectnessB.AnchorC.GridD.Anchorfree答案：D解析：YOLOv5仍用anchor，但v6引入anchorfree分支。28.当使用知识蒸馏做NER时，教师输出为CRF转移矩阵，学生无法直接拟合，解决方法是A.蒸馏CRF边缘概率B.蒸馏维特比路径C.蒸馏发射矩阵D.弃用CRF答案：A解析：边缘概率可微，可用KL散度。29.在模型压缩中，剪枝后稀疏矩阵使用CSR格式，其计算加速比主要取决于A.稀疏度与硬件支持B.稀疏度与批大小C.稀疏度与精度D.稀疏度与温度答案：A解析：需GPU支持结构化稀疏才能加速。30.当使用自监督学习SimSiam时，防止模型崩溃的关键是A.停止梯度B.对比损失C.动量编码器D.预测头答案：A解析：停止梯度切断对称分支，避免平凡解。31.在语音增强中，若损失函数为SISDR，其值域为A.(–∞,+∞)B.[0,1]C.[–1,1]D.[0,+∞)答案：A解析：SISDR可负，表示劣于零信号。32.当使用ONNX导出动态轴模型时，需指定的参数是A.dynamic_axesB.input_namesC.output_namesD.opset_version答案：A解析：dynamic_axes字典定义哪维动态。33.在模型部署中，若使用TritonInferenceServer，其并发执行单元是A.ModelInstanceB.BackendC.EnsembleD.Scheduler答案：A解析：ModelInstance对应GPU流。34.当使用对抗训练FGM时，扰动范数通常取A.1.0B.0.1C.0.01D.10答案：B解析：经验值0.1–1.0，0.1常见。35.在图注意力网络GAT中，注意力系数计算使用A.点积B.加性C.乘性D.余弦答案：B解析：LeakyReLU(Wh_i+Wh_j)。36.当使用多任务学习时，若任务梯度冲突，可采用的梯度修正方法是A.GradNormB.PCGradC.WeightDecayD.Dropout答案：B解析：PCGrad投影冲突梯度。37.在模型监控中，若发现PSI>0.3，说明A.数据漂移显著B.模型过拟合C.训练不足D.学习率过高答案：A解析：PSI（PopulationStabilityIndex）>0.3为显著漂移。38.当使用RandAugment时，控制增强幅度的超参是A.N,MB.p,mC.alpha,betaD.num_layers答案：A解析：N为变换次数，M为幅度。39.在模型安全中，成员推理攻击（MIA）主要利用A.预测置信度B.模型大小C.训练时间D.批大小答案：A解析：置信度分布差异泄露成员信息。40.当使用DeepQLearning时，经验回放池最小容量一般设为A.批大小B.1000C.10000D.100000答案：D解析：100K为Atari环境常用下限，确保多样性。二、多项选择题（每题2分，共20分。每题至少有两个正确答案，多选、少选、错选均不得分）41.下列哪些技术可有效缓解Transformer长序列O(N²)显存问题A.LinformerB.PerformerC.ReformerD.GradientCheckpointing答案：ABC解析：三者均用低秩或哈希近似注意力，D是显存换时间，不降低复杂度。42.关于BatchNorm折叠（fold）到Conv层，下列说法正确的是A.可减少推理时间B.需重新计算权重C.需重新计算偏置D.训练阶段也可折叠答案：ABC解析：训练阶段不可折叠，需保留BN统计量。43.下列属于自监督视觉预训练方法的有A.MoCov3B.SimCLRC.BYOLD.MaskRCNN答案：ABC解析：MaskRCNN为全监督检测器。44.当使用DeepSpeed时，ZeRO阶段划分包括A.ZeRO1B.ZeRO2C.ZeRO3D.ZeROOffload答案：ABCD解析：Offload为子选项，但官方文档单列。45.下列哪些指标可用于评估生成文本多样性A.SelfBLEUB.Distinct1C.MAUVED.ROUGEL答案：ABC解析：ROUGEL衡量与参考相似度，非多样性。46.在模型鲁棒性测试中，常见的对抗攻击方法有A.PGDB.CWC.FGSMD.BIM答案：ABCD解析：均为白盒攻击。47.当使用混合专家（MoE）时，下列哪些技术可降低门控网络负载A.LoadBalancingLossB.ExpertCapacityFactorC.TopkRoutingD.RandomRouting答案：ABC解析：RandomRouting无目的，反而恶化。48.下列哪些操作会改变Transformer注意力矩阵的稀疏模式A.SparsePatternsB.LocalWindowC.StridedD.SoftmaxTemperature答案：ABC解析：Temperature仅缩放值，不改变稀疏位置。49.在推荐系统实时特征平台中，常用的特征存储有A.RedisB.HBaseC.KafkaD.Cassandra答案：ABD解析：Kafka为消息队列，非存储。50.当使用ONNXRuntime量化时，支持的量化为A.DynamicQuantizationB.StaticQuantizationC.QATD.FP16答案：ABC解析：ORT支持前三，FP16非量化。三、判断题（每题1分，共10分。正确打“√”，错误打“×”）51.使用LayerNorm的模型在batchsize=1时也能稳定训练。答案：√解析：LayerNorm沿特征维度归一化，与batch无关。52.在分布式训练中，RingAllReduce的通信量与参数服务器架构相同。答案：×解析：Ring为O(N)，PS为O(2N)。53.使用混合精度训练必然导致模型精度下降。答案：×解析：配合lossscaling可不掉点。54.在知识蒸馏中，温度τ越高，softmax分布越尖锐。答案：×解析：τ越高越平滑。55.当使用ReLU激活时，He初始化比Xavier初始化更适合深层网络。答案：√解析：He初始化考虑ReLU方差。56.在联邦学习中，FedAvg的通信轮次一定少于本地SGD。答案：×解析：取决于本地epoch与lr。57.使用CTCLoss时，blank标签可以出现在路径任意位置。答案：√解析：CTC允许blank任意插入。58.在目标检测中，mAP@0.5:0.95的0.95表示IoU阈值上限。答案：×解析：0.95为上限，但步长0.05。59.当使用RandAugment时，N与M越大，模型泛化能力一定越强。答案：×解析：过强增强导致欠拟合。60.在图神经网络中，GCN的聚合函数必须是均值池化。答案：×解析：可用max、sum等。四、简答题（每题10分，共30分）61.描述混合专家模型（MoE）在训练阶段出现“专家崩塌”的现象、成因及至少两种缓解方案，并给出PyTorch风格伪代码。答案：现象：少数专家被频繁选中，多数专家几乎无梯度更新，导致参数浪费。成因：门控网络初始偏好+强化效应，即“富者愈富”。缓解：1.LoadBalancingLoss：增加辅助损失，鼓励均匀路由。2.ExpertCapac