全省首届职业技能竞赛(人工智能训练师赛项)备赛试题库

全省首届职业技能竞赛(人工智能训练师赛项)备赛试题库一、单项选择题（每题1分，共15分）1.在Transformer中，位置编码使用正余弦函数的核心原因是A.可学习参数更少，加速收敛B.可以直接捕捉绝对位置C.便于外推到更长序列D.增强多头注意力非线性答案：C解析：正余弦函数编码具有周期性，未参与训练，故可外推。2.当使用混合精度训练时，下列哪项操作最能抑制梯度下溢？A.动态损失缩放B.权重衰减C.LabelsmoothingD.梯度裁剪答案：A解析：动态损失缩放通过放大损失值，使反向梯度保持可用动态范围。3.在联邦学习场景下，为防御模型投毒攻击，服务器端常用的聚合策略是A.FedAvgB.FedProxC.KrumD.SGD答案：C解析：Krum选择与大多数更新向量最接近的一个更新，可抵抗拜占庭攻击。4.若将BatchNorm替换为GroupNorm，下列说法正确的是A.对小batch更鲁棒B.需要同步跨卡统计量C.会增加GPU显存占用D.仅适用于RNN答案：A解析：GroupNorm不依赖batchsize，故在小batch下更稳定。5.在目标检测任务中，YOLOv7引入的“辅助头”主要作用是A.提供多尺度特征B.增加正样本数量C.加速推理D.仅用于蒸馏答案：B解析：辅助头在训练阶段增加正样本锚点，提升召回。6.使用AdamW优化器时，权重衰减系数λ应加在A.梯度B.一阶动量C.二阶动量D.参数更新步答案：D解析：AdamW将衰减从梯度中解耦，直接作用于参数更新步。7.在DiffusionModel中，DDIM采样相比DDPM的最大优势是A.采样步数可任意少B.似然更高C.训练更快D.网络参数量更少答案：A解析：DDIM通过非马尔可夫过程，实现确定性采样，可用20步生成高质量图像。8.当使用EarlyStopping时，若监控指标10个epoch未提升即终止，这种策略的偏差属于A.过拟合B.欠拟合C.高方差D.高偏差答案：D解析：提前停止限制模型容量，可能欠拟合，表现为高偏差。9.在模型压缩中，KnowledgeDistillation的最小化目标通常表示为A.KL(p||q)B.KL(q||p)C.MSED.MAE答案：B解析：学生网络q拟合教师网络p，最小化KL(q||p)。10.当使用混合专家模型MoE时，门控网络输出经Softmax后，再引入噪声Top-K的作用是A.提升稀疏性B.降低通信开销C.负载均衡D.防止梯度消失答案：C解析：噪声Top-K使不同专家被均匀激活，避免“赢者通吃”。11.在NLP数据增强中，Back-translation的主要风险是A.引入语法错误B.改变标签分布C.增加计算量D.降低词汇多样性答案：B解析：回译可能改变句子极性，导致标签翻转。12.当使用RayTune进行超参搜索时，ASHAscheduler的“异步”体现在A.提前终止差试验B.并行运行多试验C.动态分配资源D.以上全部答案：D解析：ASHA通过并行与早停实现异步超参优化。13.在模型可解释性中，IntegratedGradients需使用基准输入x′，通常选取A.全零向量B.训练均值C.随机高斯D.对抗样本答案：A解析：零基准满足线性公理，且计算高效。14.当使用Horovod做分布式训练时，梯度压缩算法PowerSGD的核心思想是A.低秩近似B.量化到8bitC.稀疏Top-KD.哈希压缩答案：A解析：PowerSGD将梯度矩阵做低秩分解，减少通信量。15.在AutoML中，超网络HyperNet的输出是A.权重张量B.学习率C.网络结构编码D.损失值答案：A解析：HyperNet为子网络生成权重，实现权重共享。二、多项选择题（每题2分，共10分，多选少选均不得分）16.下列哪些技术可有效缓解类别不平衡？A.FocalLossB.过采样少数类C.代价敏感矩阵D.GAN生成少数类样本答案：ABCD解析：四项均可改变损失或数据分布，缓解不平衡。17.在模型服务阶段，以下哪些做法可降低P99延迟？A.动态批处理B.TensorRT加速C.模型分片D.异步IO答案：ABCD解析：四项均通过计算或IO优化降低长尾延迟。18.关于Transformer自注意力，说法正确的是A.计算复杂度O(n²d)B.可并行计算C.不受序列长度限制D.可视为完全图消息传递答案：ABD解析：复杂度与n²成正比，C错误。19.在联邦学习中，参与方可能面临哪些隐私泄露风险？A.梯度泄露B.模型逆向C.成员推理D.属性推理答案：ABCD解析：梯度、模型输出均可被攻击者利用。20.下列哪些指标可直接用于评估图像生成模型？A.FIDB.ISC.LPIPSD.BLEU答案：ABC解析：BLEU用于文本，不适用于图像。三、判断题（每题1分，共10分，正确打“√”，错误打“×”）21.使用ReLU激活一定不会发生梯度消失。×解析：ReLU在负区间梯度为零，仍可能导致“死亡神经元”。22.AUC指标对类别不平衡不敏感。√解析：AUC基于排序，对正负比例不敏感。23.在卷积网络中，空洞卷积会增加参数量。×解析：空洞卷积扩大感受野，但参数量不变。24.使用混合专家模型时，专家网络可共享底层参数。√解析：MoE允许共享底层，专家仅在上层分叉。25.知识蒸馏中，温度T越高，软标签越平滑。√解析：T增大，Softmax输出更均匀。26.在目标检测中，mAP@0.5一定大于mAP@0.5:0.95。×解析：后者取多IoU均值，通常更低。27.使用梯度裁剪会改变梯度方向。×解析：裁剪仅缩放模长，方向不变。28.在GAN中，判别器损失越低，生成器性能一定越好。×解析：判别器过强会导致梯度消失，生成器反而变差。29.使用PyTorch时，model.eval()会关闭Dropout。√解析：eval模式下Dropout自动关闭。30.在AutoML中，超网络训练完成后，子网络无需再训练即可部署。×解析：子网络权重为预测值，通常需微调。四、填空题（每空2分，共10分）31.若BatchSize=64，初始学习率0.1，采用线性缩放规则，当BatchSize扩大到256时，新学习率应为______。答案：0.4解析：线性缩放lr′=lr×(256/64)=0.4。32.在Transformer中，若隐藏维度d=512，头数h=8，则每个头的维度为______。答案：64解析：512/8=64。33.若使用4bit量化，原始32bit浮点模型可压缩至原大小的______%。答案：12.5解析：4/32=1/8=12.5%。34.在YOLOv5中，若输入图像640×640，下采样5次，则特征图最小尺度为______×______。答案：20×20解析：640/2⁵=20。35.若使用FSDP（FullyShardedDataParallel）训练，模型参数量1.2B，fp16精度，则每张卡完整存储参数需______GB。答案：2.4解析：1.2×10⁹×2Byte=2.4×10⁹Byte≈2.4GB。五、计算题（共25分，须给出LaTeX公式与数值结果）36.（8分）给定二分类数据集，正类1200条，负类800条。模型预测结果：TP=1080，FP=160，TN=640，FN=120。（1）计算精确率P、召回率R、F1值；（2）计算加权准确率BalancedAccuracy。答案：精确率P=召回率R=F1F1=平衡准确率BACC=37.（8分）某卷积层输入特征图224×224×3，卷积核7×7，stride=2，padding=3，输出通道64，bias=True。（1）输出特征图尺寸；（2）该层参数量；（3）若采用组卷积groups=32，参数量变为多少？答案：（1）H输出112×112×64。（2）参数量Params=(7×7×3×64)+64=9408+64=9472（3）组卷积分组32，每组输入通道3/32非整数，需先调整输入通道为32的倍数，假设输入通道改为32，则Params=(7×7×1×64)+64=3136+64=320038.（9分）给定学习率调度：cosineannealing，初始lr₀=0.1，最小lr_min=1×10⁻⁵，总epochT=100，当前epocht=40。（1）写出学习率公式；（2）计算当前lr；（3）若采用warm-up10epoch，重新计算t=40时的lr。答案：（1）lr(t)=l（2）lr(40)=1×（3）warm-up阶段线性增长，10epoch后启动cosine。此时t′=30，lr=1×六、实操题（共30分，须提交可运行代码与训练日志）39.任务描述：基于给定子集ImageNet-1k（共100类，每类500张），训练一个参数量≤5M的图像分类模型，要求：（1）Top-1准确率≥78%；（2）使用知识蒸馏，教师为ResNet50预训练模型；（3）记录训练曲线、超参、最终指标；（4）写出核心代码片段（≤60行），并说明蒸馏损失权重、温度T的选择依据。答案与解析：核心代码（PyTorch）：```pythonclassDistillLoss(nn.Module):def__init__(self,T=4.0,alpha=0.5):super().__init__()self.T,self.alpha=T,alphaself.kl=nn.KLDivLoss(reduction='batchmean')self.ce=nn.CrossEntropyLoss()defforward(self,student_out,teacher_out,labels):soft_loss=self.kl(F.log_softmax(student_out/self.T,dim=1),F.softmax(teacher_out/self.T,dim=1))(self.T**2)F.softmax(teacher_out/self.T,dim=1))(self.T**2)hard_loss=self.ce(student_out,labels)returnself.alphasoft_loss+(1-self.alpha)hard_loss