2026年人工智能训练师认证考题含答案

2026年人工智能训练师认证考题含答案一、单项选择题（每题2分，共20分）1.在深度学习中，若某卷积层输出特征图尺寸为64×64，通道数128，批大小32，则该层激活值所占显存约为（假设单精度浮点）A.32MB  B.64MB  C.128MB  D.256MB2.使用Adam优化器时，下列超参数对初始学习率最敏感的是A.β₁  B.β₂  C.ε  D.weightdecay3.在联邦学习场景下，为防御“模型投毒”攻击，下列策略最有效的是A.增加本地epoch  B.梯度裁剪+异常检测  C.降低学习率  D.使用SGD替代Adam4.当训练数据呈现长尾分布时，以下哪种采样方式最能提升尾部类别召回率A.随机过采样  B.类别均衡采样  C.困难样本挖掘  D.混合采样（过采样+欠采样）5.在Transformer中，若将注意力头数从8减至4，其余不变，则计算量FLOPs约A.减半  B.不变  C.变为1/4  D.变为2倍6.对生成对抗网络，下列损失函数组合最容易出现模式崩塌的是A.WGAN-GP  B.LSGAN  C.vanillaGAN  D.SNGAN7.在模型蒸馏中，若教师模型输出logits为z_T，学生为z_S，温度参数τ=4，则蒸馏损失一般写作A.KL(softmax(z_T/τ)‖softmax(z_S/τ))  B.MSE(z_T,z_S)  C.CE(softmax(z_T),softmax(z_S))  D.KL(softmax(z_S)‖softmax(z_T))8.使用混合精度训练时，LossScaling的主要目的是A.加速收敛  B.防止梯度下溢  C.减少显存占用  D.提高精度9.在AutoML框架中，基于“一次训练多路复用”理念的加速策略是A.网络剪枝  B.权重共享  C.知识蒸馏  D.量化10.当部署边缘端INT8模型时，若校准集分布与测试集差异大，最可能出现的量化误差是A.权重量化误差  B.激活量化误差  C.偏置量化误差  D.反量化误差二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列操作可直接减少Transformer推理延迟的有A.KV-Cache复用  B.动态批处理  C.使用RoPE位置编码  D.层间并行12.关于数据增强，以下说法正确的有A.MixUp通过线性插值扩充决策边界  B.CutMix可提升目标检测鲁棒性  C.AutoAugment搜索空间包含颜色变换  D.TrivialAugment无需验证集即可自动搜索13.在联邦学习系统安全分析中，可量化的隐私泄露指标有A.成员推理准确率  B.属性推理F1  C.模型逆向重建误差  D.梯度范数14.下列属于“无数据量化”技术的关键步骤A.生成合成样本  B.知识蒸馏微调  C.校准激活范围  D.使用GAN逆向15.对于多任务学习，以下策略可缓解梯度冲突A.GradNorm  B.PCGrad  C.UncertaintyWeighting  D.MGDA三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在PyTorch中，nn.DataParallel可实现多机多卡训练。17.ReLU激活函数在负半轴梯度恒为零，因此一定导致神经元死亡。18.使用LayerNorm的模型在BatchSize=1时仍可稳定训练。19.对CNN而言，空洞卷积可在不增加参数量的前提下扩大感受野。20.在强化学习PPO算法中，clip参数ε越大，策略更新越保守。21.模型剪枝中的“权重回放”技术可恢复因剪枝造成的精度损失。22.在DiffusionModel中，DDIM采样轨迹确定，可加速生成。23.使用TensorRT时，INT8校准表可跨硬件平台直接复用。24.在推荐系统冷启动场景，利用元学习可快速适应新用户。25.对于VisionTransformer，位置编码去除后模型仍能保持平移不变性。四、填空题（每空2分，共20分）26.给定卷积核尺寸k=5，输入通道C_in=3，输出通道C_out=64，偏置启用，则该层参数量为______。27.若某模型训练集交叉熵为0.01，验证集为0.8，则最可能的异常是______。28.在PyTorch中，将模型参数迁移至GPU的代码语句为model.______()。29.使用cosine退火学习率调度时，初始lr=0.1，T_max=100，则第50个epoch的lr为______（保留4位小数）。30.当BatchNorm的momentum设为0.1时，每次更新running_mean的权重为______。31.在目标检测评价指标mAP@0.5中，0.5指______阈值。32.若LSTM的输入维度为128，隐藏维度256，则单个门控的参数量为______。33.使用Horovod分布式训练时，所有梯度聚合默认采用______算法。34.在知识蒸馏中，若τ→∞，则softmax输出趋近于______分布。35.当使用LAMB优化器时，其自适应学习率与______范数成正比。五、计算与推导题（共20分）36.（8分）某Transformer编码层包含多头注意力与FFN，输入序列长度n=512，隐层维度d=1024，头数h=16，FFN中间维度4d。(1)计算该层自注意力部分的FLOPs（乘加分别计）。(2)若采用稀疏注意力模式，将复杂度从O(n²d)降至O(nkd)，k=32，求FLOPs降低比例。37.（6分）给定二分类任务，正负样本比1:99，模型在验证集上得到下表：阈值TPFPTNFN0.3902009780100.58050993020(1)计算阈值0.3时的F1分数。(2)若希望召回率≥0.85，应选择哪个阈值？38.（6分）假设卷积层权重服从N(0,σ²)，采用Xavier初始化，则σ应为多少？若输入通道C_in=64，输出通道C_out=128，卷积核3×3，求σ的具体值（保留4位小数）。六、综合设计题（15分）39.某工业质检场景需检测手机玻璃盖板12类缺陷，单张图像4096×3072像素，缺陷最小尺寸6×6像素，训练集2万张，验证集2千张，无公开预训练模型。(1)设计一套数据预处理与增强流程，需解决类别不平衡、小目标、光照变化三大难题，给出具体参数与理由。(2)选择基础网络并说明理由，给出多尺度特征融合方案，要求推理速度≤50ms（单卡RTX3060）。(3)提出一种“无数据”量化方案，使得模型在边缘端INT8运行，精度下降≤1%mAP@0.5，描述校准数据生成、量化粒度、误差补偿三步骤。卷后答案与解析一、单项选择题1.B 解析：64×64×128×32×4B≈64MB。2.A β₁控制一阶动量，对初始步长影响最大。3.B 梯度裁剪+异常检测可削弱恶意更新。4.B 类别均衡采样直接提升尾部出现概率。5.B 注意力头数减半，但d_k加倍，FLOPs不变。6.C vanillaGAN无梯度惩罚易崩塌。7.A 蒸馏损失用KL，温度τ一致。8.B 防止fp16下溢。9.B 权重共享让多架构复用同一超网。10.B 激活分布漂移导致量化尺度失配。二、多项选择题11.ABD C仅改变编码方式，不减延迟。12.ABCD TrivialAugment无需验证集。13.ABC 梯度范数仅反映幅度，不直接度量泄露。14.ACD B需真实数据，不属于“无数据”。15.ABCD 均为梯度修正策略。三、判断题16.× DataParallel仅单机多卡。17.× 负半轴零梯度不一定死亡，可由后续更新激活。18.√ LayerNorm与batch无关。19.√ 空洞卷积扩大感受野，参数量不变。20.× ε越大越激进。21.√ 权重回放通过重训练恢复精度。22.√ DDIM为确定性采样。23.× 校准表与硬件相关，不可跨平台。24.√ 元学习快速适应新分布。25.× ViT无卷积，需位置编码保持位置信息。四、填空题26.(5×5×3+1)×64=4800+64=486427.过拟合28.to('cuda')29.0.0530.0.131.IoU32.(128+256)×256=9856033.AllReduce34.均匀35.参数五、计算与推导题36.(1)自注意力FLOPs=4n²d+2n²d=6n²d=6×512²×1024=1.61×10⁹(2)原复杂度6n²d，稀疏后6nkd，降低比例=1−k/n=1−32/512=93.75%37.(1)Precision=90/(90+200)=0.3103,Recall=90/(90+10)=0.9,F1=2×0.3103×0.9/(0.3103+0.9)=0.4615(2)阈值0.3时召回0.9≥0.85，满足要求。38.Xavier:σ=√(2/(C_in+C_out)·k²)=√(2/(64+128)·9)=√(18/192)=√0.09375=0.3062六、综合设计题（要点示例）(1)预处理：随机裁剪2048×1532并缩放到1024×768；光照：随机亮度±20%、对比度0.8–1.2；小目标：Mosaic+随机粘贴6×6缺陷20次/图；类别均衡：过采样尾部至最大类80%，并引入Focal