2026年人工智能训练师小样本学习实操考核试题

2026年人工智能训练师小样本学习实操考核试题一、单项选择题（每题2分，共20分）1.在N-wayK-shot任务中，若N=5，K=1，则一次episode的supportset与queryset的样本数之和为A.5  B.6  C.10  D.112.使用MAML进行元学习时，内循环步长α与外循环步长β的最佳关系通常满足A.α≫β  B.α≈β  C.α≪β  D.无固定关系3.下列关于PrototypicalNetworks的说法正确的是A.采用余弦距离度量样本到原型的距离B.原型向量由supportset同类样本特征均值得到C.训练目标为最大化queryset的交叉熵D.无法处理zero-shot场景4.在基于度量的元学习方法中，引入learnabletemperature参数τ的主要目的是A.降低显存占用  B.缓解梯度消失  C.控制softmax分布陡峭程度  D.加速二次采样5.小样本分割任务中，若支持图像仅给出scribble标注，最合理的弱监督损失设计是A.仅使用逐像素交叉熵  B.使用带权重的交叉熵+CRF后处理C.使用全局平均池化后的多标签损失  D.禁用支持分支6.在Reptile算法中，若内循环只走一步且步长为ε，则参数更新方向等价于A.随机梯度下降  B.梯度外推  C.梯度内插  D.二阶导数方向7.下列数据增强策略最可能损害小样本分类性能的是A.RandAugment  B.MixUp  C.CutMix  D.高斯模糊核σ=108.在基于Transformer的小样本learner中，将supportset与queryset拼接后输入self-attention，其时间复杂度为A.O((N·K+T)²·d)  B.O(N·K·T·d)  C.O(d²)  D.O(N²·K²)9.若使用CNAPS框架，其“task-specificadaptation”主要依赖A.特征-wise线性调制  B.梯度累积  C.元学习初始化  D.知识蒸馏10.在跨域小样本实验中，ImageNet→CUB的域差距主要体现为A.类别语义漂移  B.图像分辨率差异  C.光照分布差异  D.背景复杂度差异二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下哪些技巧可缓解小样本场景下的过拟合A.权重衰减  B.DropBlock  C.标签平滑  D.增加全连接层宽度12.关于Meta-Baseline，下列说法正确的有A.预训练阶段使用标准交叉熵  B.元测试阶段冻结特征提取器C.采用余弦分类器  D.在miniImageNet5-way1-shot上优于MAML13.在基于图神经网络的小样本方法中，节点特征可来源于A.CNNbackbone  B.自监督预训练  C.手工HOG  D.词嵌入14.以下哪些评价指标可直接用于小样本分割A.mIoU  B.FBeta  C.PixelAccuracy  D.AUROC15.若要在边缘设备上部署小样本模型，需重点考虑A.参数量  B.FLOPs  C.冷启动延迟  D.训练阶段内存占用三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在MAML的二次求导过程中，Hessian矩阵可完全省略而不影响任何场景下的精度。17.对于原型网络，增大backbone输出维度d一定能提升1-shot性能。18.使用合成数据预训练可有效缓解真实小样本场景下的域偏移。19.在元测试阶段，queryset的类别可以与训练阶段完全不同。20.小样本检测任务中，支持集标注框越少，越需要依赖几何先验。21.对比预测编码（CPC）属于元学习算法的一种。22.在交叉域小样本实验中，通常要求源域与目标域的类别空间互斥。23.Transformer中的位置编码对few-shot分类毫无作用，可以移除。24.使用知识蒸馏时，教师模型在目标域上的精度越高，学生模型泛化性能一定越好。25.对于基于梯度的元学习，内循环步数越多越稳定，不存在梯度爆炸风险。四、填空题（每空2分，共20分）26.在MAML算法中，若任务分布为p(T)，则外循环目标可写为：min_θE_{T～p(T)}[L_{T}(θ−α∇_θL_{T}(θ))]，其中α称为________步长。27.PrototypicalNetworks的损失函数为J=−1/T∑_{i=1}^{T}logexp(−c·‖z_i−p_{y_i}‖²)/∑_{k=1}^{N}exp(−c·‖z_i−p_k‖²)，其中c>0为________参数。28.若采用DeepEMD作为距离度量，则两图像特征图之间的最佳匹配可通过求解________问题得到。29.在CNAPS中，对特征提取器输出做逐通道归一化的算子称为________。30.小样本分割模型PFENet提出使用________金字塔结构来融合支持分支与查询分支的多级特征。31.若使用标签传播，则邻接矩阵通常采用高斯核A_{ij}=exp(−‖x_i−x_j‖²/2σ²)，其中σ可通过________策略自适应选择。32.在Reptile的简化更新θ←θ+β(θ̃−θ)中，θ̃表示________后的参数。33.若要在5-way1-shot任务上达到90%精度，理论上所需的最小episode数可由________不等式给出。34.使用自监督预训练时，旋转预测损失可写为L_{rot}=−∑_{r=0}^{3}y_rlogp_r，其中y_r为________向量。35.在边缘设备上部署时，若采用8-bit量化，则权重量化间隔Δ可通过________算法确定。五、综合计算与建模题（共25分）36.（8分）给定一个2-way2-shot任务，支持集特征矩阵S∈ℝ^{4×128}，查询集特征矩阵Q∈ℝ^{2×128}。采用欧氏距离原型网络，计算query样本0属于类别0的后验概率。已知类别0对应support索引{0,1}，类别1对应{2,3}，特征已做L2归一化。给出公式与数值结果（保留4位小数）。37.（9分）使用MAML在miniImageNet上训练，内循环步长α=0.01，外循环步长β=0.001。某任务T的supportlossL_T(θ)=‖f_θ(x)−y‖²，初始参数θ_0=1.0。若内循环更新一步得到θ′=θ_0−α∇L_T(θ_0)，且∇L_T(θ_0)=2.0。(1)写出θ′的数值；(2)若queryloss为L_T^{query}(θ′)=0.5θ′²，求外循环梯度∇_θL_T^{query}(θ′)|_{θ=θ_0}；(3)给出β更新后的θ_1。38.（8分）设计一个轻量级小样本分割头，要求参数量<50k，输入为4级特征（C=64,128,256,512），输出为1通道mask。给出模块结构图（文字描述即可）、参数量计算公式及最终参数量数值。六、编程与实操题（共10分）39.请使用PyTorch2.0完成以下功能：(1)编写一个函数`prototypical_loss(z_support,z_query,n_way,n_shot)`，输入为support特征、query特征、way数、shot数，返回episode损失；(2)在miniImageNet5-way1-shot设置下，使用ResNet12作为backbone，训练10个epoch，记录besttestaccuracy；(3)在答题纸给出完整代码（≤120行），并截图运行日志最后一行（含bestacc）。【卷后答案与解析】一、单项选择1.B 2.C 3.B 4.C 5.B 6.B 7.B 8.A 9.A 10.A二、多项选择11.ABC 12.ABCD 13.ABCD 14.ABC 15.ABC三、判断16×（Hessian省略会掉点） 17×（维度高易过拟合） 18√ 19√ 20√ 21×（自监督非元学习） 22√ 23×（位置编码有用） 24×（教师精度高≠域适应好） 25×（步数多会爆炸）四、填空26.内循环 27.温度/缩放 28.线性规划/EMD 29.FiLM 30.FeaturePyramid 31.中位数/交叉验证 32.内循环更新 33.PAC-Bayes 34.one-hot 35.KLD/最小化MSE五、综合题36.原型p0=(S0+S1)/2，p1=(S2+S3)/2；d0=‖Q0−p0‖²=0.1200，d1=‖Q0−p1‖²=0.4500；P(y=0|Q0)=exp(−d0)/[exp(−d0)+exp(−d1)]=0.5827。37.(1)θ′=1.0−0.01×2.0=0.98；(2)∇_θL_T^{query}(θ′)=θ′·(1−α·2)=0.98×(1−0.02)=0.9604；(3)θ_1=θ_0−β×0.9604=1.0−0.001×0.9604=0.9990。38.结构：4级特征先通过1×1卷积降维至64，然后双线性插值上采至相同空间分辨率，拼接后接3×3深度可分离卷积（64→32）→ReLU→1×1（32→1）。参数量：1×1降维：∑_{l=0}^{3}C_l×64=(64+128+256+512)×64=60160；3×3深度可分离：32×3×3+32×1×1=320+32=352；1×1输出：32×1=32；总计：60160+352+32=60544≈59k，略超。将降维后通道改为48，则∑C_l×48=45120，总参数量45120+352+32=45504<50k，满足要求。39.参考实现（核心片段）```pythonimporttorch,torch.nnasnn,torch.nn.functionalasFdefeuclidean_dist(x,y):return((x.unsqueeze(1)-y.unsqueeze(0))**2).sum(2)defeuclidean_dist(x,y):return((x.unsqueeze(1)-y.unsqueeze(0))**2).sum(2)defprototypical_loss(z_s,z_q,n_way,n_shot):z_s=z_s.view(n_way,n_shot,-1)prototypes=z_s.mean(1)dists=euclidean_dist(z_q,prototypes)