2026年人工智能训练师数据归一化实操考试题库

2026年人工智能训练师数据归一化实操考试题库一、单项选择题（每题2分，共20分）1.在Min-Max归一化中，若某特征原始值为x，最小值为min，最大值为max，则归一化后的值x′为A.B.C.D.答案：A解析：Min-Max归一化公式为x′=(x−min)/(max−min)，将数据线性映射到[0,1]区间。2.对服从正态分布的特征进行Z-score标准化后，新特征的均值与方差分别为A.0，1B.1，0C.0，0D.1，1答案：A解析：Z-score标准化使特征服从标准正态分布N(0,1)。3.以下哪种归一化方法对异常值最敏感A.Z-score标准化B.小数定标（DecimalScaling）C.Min-Max归一化D.Log变换答案：C解析：Min-Max依赖最大最小值，异常值会显著拉伸映射区间。4.若某特征取值范围[−1000,1000]，采用小数定标归一化，缩放因子应选A.10²B.10³C.10⁴D.10¹答案：B解析：小数定标取≥max(|x|)的最小10的幂，1000对应10³。5.在图像像素归一化中，将[0,255]线性映射到[−1,1]，正确的变换是A.(x−127.5)/128B.x/255C.(x−255)/255D.(x−128)/128答案：A解析：先减中心127.5，再除以半幅值128，使区间对称于0。6.使用RobustScaler时，中心化和缩放分别依赖A.中位数，IQRB.均值，标准差C.中位数，标准差D.均值，IQR答案：A解析：RobustScaler用中位数减中心，用IQR（四分位距）做缩放，抗异常值。7.对稀疏矩阵执行MaxAbs归一化后，矩阵稀疏性A.不变B.增加C.减少D.变为0答案：A解析：MaxAbs按列绝对值最大元素缩放，不改变零元素位置。8.在批归一化（BatchNorm）中，可学习参数γ与β的维度与A.批次大小相同B.特征维度相同C.样本维度相同D.通道数相同答案：B解析：γ、β逐特征维度学习，与特征数一致。9.对时序数据做滑动窗口归一化时，为避免未来信息泄漏，应A.用全局统计量B.用未来窗口统计量C.用历史滚动窗口统计量D.不做归一化答案：C解析：必须用历史滚动统计，防止引入未来数据。10.若归一化后模型训练出现梯度爆炸，最可能因A.学习率过小B.权重初始化过大C.归一化后方差远大于1D.未使用激活函数答案：C解析：归一化后若方差失控，会导致梯度尺度放大。二、多项选择题（每题3分，共15分，多选少选均不得分）11.以下哪些方法可保持稀疏矩阵稀疏性A.MaxAbsScalerB.StandardScalerC.Normalizer（行范数）D.稀疏感知MinMaxScaler答案：A、C、D解析：StandardScaler需减均值，会破坏稀疏性；其余方法可保持零元素。12.关于LayerNorm与BatchNorm差异，正确的是A.LayerNorm沿特征维度统计B.BatchNorm沿批次维度统计C.LayerNorm对批次大小不敏感D.BatchNorm需要移动平均更新测试阶段统计量答案：A、B、C、D解析：四项均正确，LayerNorm在RNN中更稳定。13.对含异常值的高偏态数据，可优先考虑A.RobustScalerB.QuantileTransformer（uniformmap）C.Log1p变换后再StandardScalerD.直接MinMax答案：A、B、C解析：MinMax会被异常值拉伸，效果差。14.在联邦学习场景下，各客户端数据分布差异大，归一化策略应A.各客户端独立计算统计量B.服务器下发全局统计量C.使用差分隐私保护统计量D.客户端本地归一化后上传梯度答案：B、C、D解析：独立统计导致模型漂移，需全局统计并保护隐私。15.对图像数据做在线（逐样本）归一化的缺点包括A.批次间统计不稳定B.无法利用批次维度信息C.推理阶段需保存全局统计D.加速训练收敛答案：A、B解析：在线归一化统计波动大，收敛慢；推理无需保存，逐样本即可。三、判断题（每题1分，共10分，正确打“√”，错误打“×”）16.Z-score标准化后，异常值会被自动剔除。答案：×解析：标准化仅线性变换，不剔除样本。17.对one-hot编码特征无需再做归一化。答案：√解析：one-hot已处于0/1，无需额外缩放。18.在回归任务中，目标变量也必须归一化。答案：×解析：是否归一化目标取决于损失函数与优化器，非必须。19.使用GroupNorm时，组数必须整除通道数。答案：√解析：GroupNorm将通道分组，需整除。20.对文本TF-IDF特征执行L2归一化可提升余弦相似度计算稳定性。答案：√解析：L2归一化使向量模长为1，余弦计算等价于点积。21.在GPU训练时，归一化操作会显著增加显存占用。答案：×解析：归一化反向传播只需保存少量统计量，显存增加极小。22.对音频梅尔频谱做全局MinMax归一化会削弱说话人差异。答案：√解析：全局映射会压缩动态范围，可能抹平个性特征。23.使用Scikit-learn的StandardScaler时，调用partial_fit可流式更新统计量。答案：√解析：partial_fit支持在线学习场景。24.在强化学习中，对状态空间归一化可减小策略梯度方差。答案：√解析：状态尺度一致可降低梯度噪声。25.对类别型变量做目标编码后无需归一化。答案：×解析：目标编码值尺度可能很大，仍需归一化。四、填空题（每空2分，共20分）26.给定序列x=[4,8,12,16]，使用Min-Max归一化映射到[−1,1]，则x′=________。答案：[−1,−0.5,0,0.5]解析：min=4，max=16，公式x′=2×(x−4)/(16−4)−1。27.若某特征中位数=100，IQR=20，RobustScaler缩放后值为1.5，则原始值=________。答案：130解析：RobustScaler公式x′=(x−median)/IQR，x=1.5×20+100。28.对稀疏矩阵执行MaxAbs归一化，列j的最大绝对值为0，则该列归一化后________。答案：保持全零解析：分母为0时，Scikit-learn约定保持原值0。29.BatchNorm在训练阶段统计量通过________平均更新推理阶段使用。答案：指数移动平均（EMA）30.对数变换log1p(x)可缓解________分布的右偏性。答案：对数正态或高偏态31.在图像风格迁移任务中，常对VGG特征做________归一化以匹配Gram矩阵尺度。答案：InstanceNorm32.对时间序列做滚动Z-score，窗口长度应至少大于________倍周期长度以捕捉季节性。答案：233.使用QuantileTransformer(output_distribution='normal')后，特征近似服从________分布。答案：标准正态34.对文本词向量做层归一化可加速________网络训练。答案：Transformer35.在联邦学习下，为防止统计量泄露，可采用________机制加入噪声。答案：差分隐私（DP）五、计算与实操题（共35分）36.（8分）给定矩阵X（3×2）X=[（1）写出Min-Max归一化（按列）后矩阵X′（保留3位小数）。（2）若新样本x_new=[25,5000]，将其映射到同一尺度，给出结果。答案：（1）列1：min=10，max=30列2：min=2000，max=8000=[0.000（2）列1：(25−10)/(30−10)=0.750列2：(5000−2000)/(8000−2000)=0.500x′_new=[0.750,0.500]37.（9分）使用Python代码实现“稀疏感知”MaxAbs归一化：输入为scipy.sparse.csr_matrix，要求不将稀疏矩阵转为稠密，返回同类型归一化矩阵。请补全空白处（每空1.5分，共6空）。```pythonfromscipy.sparseimportcsr_matrixdefsparse_maxabs_transform(X:csr_matrix)->csr_matrix:计算每列绝对值最大值max_abs=___(1)___避免除零max_abs[max_abs==0]=___(2)___构造对角缩放矩阵inv_scale=___(3)___右乘对角矩阵实现列缩放X_norm=X@___(4)___returnX_norm```答案：(1)np.array(np.abs(X).max(axis=0)).ravel()(2)1.0(3)csr_matrix(np.diag(1/max_abs))(4)inv_scale解析：利用稀疏矩阵的max方法按列统计，右乘对角矩阵完成缩放，保持稀疏结构。38.（10分）某训练集特征服从未知分布，直方图显示严重右偏，峰度>10。现有两种方案：A.直接StandardScalerB.QuantileTransformer→StandardScaler（1）写出方案B的sklearn代码（管道形式）。（2）若测试集出现比训练集更大的极端值，哪种方案更稳健？说明理由。答案：（1）```pythonfromsklearn.pipelineimportPipelinefromsklearn.preprocessingimportQuantileTransformer,StandardScalerpipe=Pipeline([('qt',QuantileTransformer(output_distribution='normal',n_quantiles=1000)),('scaler',StandardScaler())])```（2）方案B更稳健。QuantileTransformer将训练集分布映射到正态，极端值在测试集会被压缩到训练集最大分位附近，不会无限放大；而直接StandardScaler会因测试集更大异常值导致均值和方差漂移，归一化后尺度失控。39.（8分）对形状为(N,T,F)的三维时序批量数据（N样本，T时间步，F特征），需做逐样本逐特征的LayerNorm。写出PyTorch自定义层代码，要求支持任意T，不使用内置LayerNorm。答案：```pythonimporttorchimporttorch.nnasnnclassLayerNorm3D(nn.Module):def__init__(self,feat_size:int,eps=1e-6):super().__init__()self.gamma=nn.Parameter(torch.ones(feat_size))self.beta=nn.Parameter(torch.zeros(feat_size))self.eps=epsdefforward(self,x):x:(N,T,F)mean=x.mean(dim=(1,2),keepdim=True)#(N,1,1)var=x.var(dim=(1,2),keepdim=True,unbiased=False)x_norm=(xmean)/torch.sqrt(var+self.eps)returnself.gammax_norm+self.betareturnself.gammax_norm+self.beta```解析：沿T与F维度联合计算均值方差，再广播缩放偏移，实现逐样本LayerNorm。六、综合设计题（共30分）40.某医疗多中心联合建模项目，数据分布在A、B、C三家医院，特征维度d=50，包含实验室指标（连续值）与影像放射组学（连续值）。A院设备先进，指标范围宽；B院设备老旧，存在截断值；C院人群年龄偏大，分布右偏。要求：（1）设计联邦级归一化方案，确保模型聚合后推理阶段无需各院原始统计量；（2）给出隐私保护机制，防止通过统计量反推患者极值；（3）写出伪代码，涵盖训练与推理阶段统计量同步流程；（4）说明若某院新采集数据分布漂移，如何在线更新归一化参数而不泄露隐私。答案与解析：（1）采用“全局RobustScaler”：各院在本地计算50维特征的中位数与IQR，通过安全聚合（SecureAggregation）求加权平均，得到全局median与IQR，下发供各院本地归一化。RobustScaler对截断与异常不敏感，适合多中心异构。（2）隐私保护：对median、IQR加入差分隐私噪声（Laplace机制，ε=1）。使用安全聚合协议，服务器仅看到噪声聚合结果，无法获得单院统计。（3）伪代码：```python训练阶段forroundinfederat