2026技能考试人工智能训练师三级题库练习试卷附答案

2026技能考试人工智能训练师三级题库练习试卷附答案一、单项选择题（每题1分，共40分）1.在PyTorch中，若需冻结某一层参数，应执行的操作是A.layer.requires_grad=FalseB.layer.trainable=FalseC.layer.eval()D.layer.freeze()答案：A解析：requires_grad属性直接控制张量是否参与梯度计算，设为False即可冻结。2.使用交叉熵损失时，模型最后一层通常不加激活函数，其原因是A.交叉熵内部已包含SoftmaxB.会增大计算量C.会导致梯度爆炸D.会削弱泛化能力答案：A解析：PyTorch的CrossEntropyLoss将LogSoftmax与NLLLoss合并，无需手动加Softmax。3.在Transformer中，位置编码使用正弦余弦函数的主要优点是A.可外推到更长序列B.计算速度更快C.参数更少D.可学习答案：A解析：正余弦函数形式的位置编码无额外参数，且可外推到训练时未见过的更长序列。4.若学习率过大，训练损失震荡剧烈，此时最优先尝试的修正策略是A.增加批大小B.减小学习率C.增加网络深度D.加入Dropout答案：B解析：学习率过大导致更新步长过大，直接减小学习率即可缓解震荡。5.在目标检测任务中，IoU阈值从0.5提升到0.75，最可能的结果是A.召回率上升，精确率下降B.召回率下降，精确率上升C.两者均上升D.两者均下降答案：B解析：IoU阈值提高，匹配条件变严，检出框减少，召回下降，但保留框更准，精确率上升。6.使用混合精度训练时，损失缩放（lossscaling）主要解决A.下溢问题B.上溢问题C.权重衰减D.梯度爆炸答案：A解析：float16表示范围小，梯度易下溢，乘以系数放大后再缩放可防止下溢。7.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.模型权重梯度C.完整权重D.验证集结果答案：B解析：为保护隐私，仅上传梯度或权重差，不上传原始数据。8.若数据集中90%为负样本，宜采用的损失权重策略是A.正负样本权重相同B.正样本权重调高C.负样本权重调高D.去掉负样本答案：B解析：类别不平衡时，给少数类更高权重可缓解模型偏向多数类。9.在深度强化学习中，经验回放机制主要解决A.样本相关性与非平稳分布B.探索不足C.奖励稀疏D.环境随机性答案：A解析：经验回放打破相邻样本间相关性，使训练分布更平稳。10.使用早停（earlystopping）时，监控指标一般选A.训练损失B.验证损失C.训练准确率D.参数量答案：B解析：验证损失反映泛化能力，上升即停可防止过拟合。11.在卷积神经网络中，深度可分离卷积（DepthwiseSeparable）相对标准卷积A.参数量减少，计算量减少B.参数量增加，计算量减少C.参数量减少，计算量增加D.两者均不变答案：A解析：先逐通道卷积再逐点卷积，大幅削减参数量与浮点运算。12.若模型在训练集准确率99%，验证集70%，测试集69%，则最可能的问题是A.欠拟合B.过拟合C.数据泄露D.标签噪声答案：B解析：训练远高于验证，表明模型记忆训练数据，泛化差。13.在BERT微调中，若下游任务句子对长度差异大，最佳填充策略是A.固定最大长度截断B.动态填充到批内最长C.全部填充到512D.随机长度答案：B解析：动态填充减少无效计算，同时保持批内一致。14.使用学习率预热（warmup）的主要目的是A.加速收敛B.防止初始阶段不稳定C.减小最终损失D.提高泛化答案：B解析：初始参数随机，大学习率易震荡，预热可平稳起步。15.在生成对抗网络中，若判别器损失快速趋于零，则生成器A.梯度消失，难以更新B.梯度爆炸C.模式崩塌D.收敛完成答案：A解析：判别器过强，生成器梯度信号消失，无法有效训练。16.若将ReLU替换为LeakyReLU，对梯度流的影响是A.负区间梯度为零B.负区间梯度非零C.正区间梯度为零D.全部梯度为零答案：B解析：LeakyReLU给负区间小斜率，缓解神经元死亡。17.在模型蒸馏中，学生模型学习教师模型A.输出层硬标签B.输出层软概率C.参数矩阵D.损失值答案：B解析：软概率含更多类别间关系信息，利于学生模型学习。18.使用K-fold交叉验证的主要目的是A.增加数据B.降低方差，提高评估稳定性C.加速训练D.减少参数量答案：B解析：多次训练取平均，降低评估方差。19.在图像分割任务中，DiceLoss相对交叉熵的优势是A.对类别不平衡不敏感B.计算更快C.需更多内存D.需更多数据答案：A解析：Dice系数基于重叠度，对前景背景比例不敏感。20.若模型权重呈对称分布且均值接近零，则最可能采用的初始化是A.XavierB.全零C.正态分布N(1,0.1)D.均匀分布U(5,10)答案：A解析：Xavier保持方差一致，使权重均值为零、对称。21.在LSTM中，遗忘门输出接近1时，表示A.丢弃全部信息B.保留全部信息C.重置隐藏状态D.更新细胞状态答案：B解析：遗忘门1表示完全保留上一时刻细胞信息。22.若批归一化（BatchNorm）放在卷积层之后、激活之前，其好处是A.平滑激活输入分布，利于收敛B.增加非线性C.减少参数D.提高稀疏性答案：A解析：归一化使激活输入处于非饱和区，梯度更稳定。23.在模型部署阶段，TensorRT对网络进行INT8量化的主要目的是A.提高精度B.减少存储与延迟C.增加动态范围D.支持更多层答案：B解析：INT8降低位宽，加速推理并减少内存占用。24.若使用余弦退火学习率调度，其曲线形状为A.线性下降B.阶梯下降C.余弦下降D.指数上升答案：C解析：余弦退火按余弦函数从初始值降到最小值。25.在数据增强中，MixUp方法通过A.随机裁剪B.线性插值样本与标签C.颜色抖动D.旋转答案：B解析：MixUp将两张图及标签按λ混合，生成新样本。26.若模型参数量50M，单精度浮点，则存储大小约为A.50MBB.100MBC.200MBD.400MB答案：C解析：50M×4Byte=200MB。27.在分布式训练采用DataParallel时，梯度同步发生在A.前向传播后B.反向传播后C.参数更新后D.数据加载后答案：B解析：各卡反向完成后同步梯度，再更新参数。28.若使用F1-score作为评估指标，其计算公式为A.B.C.pD.答案：B解析：F1为精确率与召回率的调和平均。29.在文本生成任务中，重复惩罚（repetitionpenalty）通过A.降低已生成词概率B.提高已生成词概率C.增加长度惩罚D.减少词汇表答案：A解析：降低已出现词概率，减少重复。30.若使用梯度累积模拟大批次，累积步数4，则有效批大小为A.原批大小/4B.原批大小C.原批大小×4D.原批大小平方答案：C解析：梯度累积将多步梯度相加，等效批大小乘以步数。31.在图像分类中，CutMix增强通过A.随机擦除B.裁剪并粘贴到另一图C.旋转D.颜色反转答案：B解析：CutMix将一块区域用另一图对应区域替换，标签按面积比例混合。32.若模型出现内部协变量偏移（InternalCovariateShift），可采用的缓解方法是A.DropoutB.BatchNormC.增加学习率D.减少层数答案：B解析：BatchNorm标准化层输入，缓解内部协变量偏移。33.在强化学习中，策略梯度定理给出的梯度为A.JB.JC.JD.J答案：A解析：策略梯度定理核心公式，含对数策略梯度与回报乘积。34.若使用AUC评估二分类器，随机猜测的期望值是A.0B.0.5C.1D.无穷答案：B解析：随机分类器正负样本排序随机，AUC期望0.5。35.在模型压缩中，知识蒸馏的温度参数T增大时，软标签分布A.更尖锐B.更平滑C.不变D.趋于零答案：B解析：T增大，Softmax输出更平滑，类别间差异缩小。36.若使用Adam优化器，其bias修正主要解决A.初始步长过大B.初始步长为零C.内存不足D.过拟合答案：A解析：初始一阶二阶矩为零，修正后避免初始步长偏差。37.在目标检测YOLOv5中，anchor-free分支通过A.预设锚框B.直接预测中心点与宽高C.只预测类别D.只预测置信度答案：B解析：anchor-free直接回归框坐标，无需预设锚框。38.若模型训练损失突然变为NaN，首要检查A.学习率是否过大B.批大小是否过大C.是否使用DropoutD.是否使用GPU答案：A解析：学习率过大导致梯度爆炸，损失NaN。39.在GPT自回归生成中，采样温度T→0时，输出文本A.更随机B.更确定C.更长D.更短答案：B解析：T→0时Softmax趋one-hot，采样最确定。40.若使用FocalLoss，其γ增大时，对易分类样本的权重A.增大B.减小C.不变D.先增后减答案：B解析：γ增大，易样本权重指数下降，聚焦难样本。二、多项选择题（每题2分，共20分）41.以下哪些方法可缓解模型过拟合A.L2正则B.DropoutC.早停D.增加网络深度答案：ABC解析：增加深度可能加剧过拟合，其余均可缓解。42.关于Transformer自注意力机制，正确的是A.计算复杂度与序列长度平方成正比B.可并行计算C.依赖循环D.可捕捉长距离依赖答案：ABD解析：自注意力无循环结构，QK^T复杂度O(n²)。43.以下哪些属于无监督学习A.K-meansB.PCAC.AutoencoderD.逻辑回归答案：ABC解析：逻辑回归需标签，为监督学习。44.在模型部署阶段，ONNX格式主要优势A.跨框架兼容B.支持量化C.增加模型大小D.支持算子融合答案：ABD解析：ONNX旨在减小体积，而非增加。45.以下哪些指标可用于回归任务A.MAEB.MSEC.RMSED.Accuracy答案：ABC解析：Accuracy用于分类。46.关于卷积操作，正确的是A.权值共享B.局部连接C.平移不变性D.全连接答案：ABC解析：卷积非全连接。47.在深度强化学习中，以下属于on-policy算法A.PPOB.A3CC.DDPGD.SAC答案：AB解析：DDPG、SAC为off-policy。48.以下哪些技术可加速模型训练A.混合精度B.梯度累积C.模型并行D.增加学习率至无穷答案：ABC解析：学习率过大导致发散。49.关于BERT模型，正确的是A.使用双向TransformerB.预训练含MLM任务C.自回归生成D.需微调下游任务答案：ABD解析：BERT非自回归。50.以下哪些属于数据泄露（dataleakage）现象A.训练集含测试集样本B.特征含未来信息C.归一化时用全局统计D.交叉验证用未来fold统计答案：ABD解析：全局统计若仅基于训练集则无泄露。三、判断题（每题1分，共10分）51.在卷积网络中，池化层会增加参数量。答案：错解析：池化无参数。52.使用ReLU激活函数一定不会出现梯度消失。答案：错解析：负区间梯度为零，仍可能梯度消失。53.在K折交叉验证中，K越大，评估方差越小。答案：对解析：K增大，训练集占比高，评估更稳定。54.批量归一化层在推理阶段使用训练时滑动平均的统计量。答案：对解析：推理时均值方差固定，用滑动平均。55.梯度下降每次更新需遍历全数据集。答案：对解析：标准GD用全量数据。56.随机森林中的树相互独立可并行训练。答案：对解析：Bagging思想，树独立。57.使用Dropout时，推理阶段需关闭。答案：对解析：推理时关闭，按保留比例缩放权重。58.在Transformer中，多头注意力可捕捉不同子空间信息。答案：对解析：多头机制并行学习多表示子空间。59.增加批大小一定能提高模型精度。答案：错解析：过大批次可能降低泛化。60.L1正则可产生稀疏权重。答案：对解析：L1的不可导点使部分权重归零。四、填空题（每空2分，共20分）61.若学习率调度公式为=·答案：逆时衰减（inversetimedecay）62.在PyTorch中，若需将模型保存为磁盘文件，使用的函数为________。答案：torch.save63.若卷积输入尺寸32×32，卷积核3×3，padding=1，stride=2，则输出尺寸为________。答案：16×16解析：+64.在目标检测中，mAP的AP指________。答案：AveragePrecision65.若使用余弦相似度计算两向量相似性，其取值范围是________。答案：[-1,1]66.在GPT模型中，位置编码采用________形式。答案：可学习（绝对位置嵌入）67.若批大小为64，单样本梯度范数上限为0.1，则梯度裁剪阈值设为________可防止爆炸。答案：0.168.在强化学习中，Q-learning属于________学习。答案：off-policy69.若使用EarlyStopping，patience=5，表示验证指标连续________次不改善即停。答案：570.在图像分类中，Top-5错误率指真实标签不在模型预测概率前________类的比例。答案：5五、计算题（共10分）71.某模型参数量25M，训练时采用混合精度，批大小32，输入图像224×224×3，单张图像预处理占内存0.1MB，GPU显存8GB，求理论最大可加载样本数（忽略框架开销，1GB=1024MB，参数与激活均占2字节）。解：参数内存：25×10^6×2Byte=50×10^6Byte≈47.68MB设可加载N批，则激活内存约与N成正比，经验公式：激活≈2×批大小×单样本激活字节单样本激活字节≈224×224×64×4×2Byte≈24.5MB（经验值）总显存：参数+N×(批大小×单样本激活+批大小×预处理)8×1024=47.68+N×(32×24.5+32×0.1)8192−47.68=N×784N≈10.39取整N