2026年人工智能训练师（五级）综合理论模拟试题

2026年人工智能训练师（五级）综合理论模拟试题1.单项选择题（每题1分，共30分）1.1在PyTorch中，若需将张量x从CPU迁移到CUDA设备，下列语句正确的是A.x.to("gpu")B.x.cuda()C.x.device("cuda")D.x.move("cuda")答案：B1.2在数据增强阶段，对图像进行随机旋转后再进行中心裁剪，主要目的是A.降低模型参数量B.增加样本多样性并抑制过拟合C.提高推理速度D.减少显存占用答案：B1.3使用交叉熵损失训练多分类模型时，若某样本真实标签为第3类，模型输出softmax后概率向量为[0.1,0.2,0.6,0.1]，则该样本损失值为A.−ln0.6B.−ln0.2C.0.6D.ln0.6答案：A1.4在K折交叉验证中，增大K值通常会导致A.训练时间缩短B.方差降低，偏差升高C.方差升高，偏差降低D.对偏差与方差无影响答案：B1.5下列关于梯度爆炸的叙述，错误的是A.可采用梯度裁剪缓解B.会导致模型无法收敛C.一定出现在深层网络D.可通过权重初始化改善答案：C1.6在NLP任务中，将“running”还原为“run”的过程称为A.词干提取（Stemming）B.词形还原（Lemmatization）C.分词（Tokenization）D.去停用词答案：B1.7当学习率过大时，Adam优化器最可能出现的现象是A.损失震荡甚至发散B.损失单调下降但速度过慢C.梯度消失D.权重稀疏化答案：A1.8在目标检测评价指标中，mAP@0.5表示A.交并比阈值取0.5时的平均精度均值B.检测框中心点误差小于0.5像素C.召回率大于0.5D.类别数等于0.5答案：A1.9若某卷积层输入特征图尺寸为112×112，卷积核大小3×3，步长2，填充1，则输出特征图尺寸为A.55×55B.56×56C.57×57D.54×54答案：B1.10在联邦学习场景下，客户端上传的参数通常为A.原始训练数据B.模型梯度或权重C.测试集标签D.损失函数图像答案：B1.11使用BERT进行文本分类时，在[CLS]向量后接入的常用层为A.卷积层B.全连接层C.循环层D.池化层答案：B1.12下列激活函数中，输出范围在(−1,1)的是A.ReLUB.SigmoidC.TanhD.LeakyReLU答案：C1.13在超参数搜索中，贝叶斯优化相较于网格搜索的最大优势是A.一定找到全局最优B.利用先验信息减少搜索次数C.无需验证集D.只适用于离散超参数答案：B1.14当训练集准确率达99%，验证集仅71%，首要考虑的策略是A.增加网络深度B.数据增强与正则化C.提高学习率D.减小批大小答案：B1.15在TensorFlow2.x中，关闭eager模式需使用的语句是A.tf.disable_eager()B.tfpat.v1.disable_eager_execution()C.tf.eager=FalseD.tf.function=False答案：B1.16对类别极度不平衡的二分类数据，下列评价指标最不敏感的是A.准确率（Accuracy）B.F1-scoreC.AUC-ROCD.平均精度（AP）答案：A1.17在Transformer中，位置编码使用正弦函数的主要优点是A.可外推到更长序列B.可学习参数更少C.计算速度更快D.可直接替代注意力答案：A1.18若需将浮点模型部署到边缘MCU，通常首选的量化位宽是A.32位B.16位C.8位D.64位答案：C1.19在强化学习中，Q-learning属于A.策略梯度方法B.值函数方法C.Actor-Critic方法D.模型预测控制答案：B1.20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.批归一化失效答案：A1.21在图像分割任务中，DiceLoss的取值范围是A.[0,1]B.[−1,1]C.[0,+∞)D.(−∞,+∞)答案：A1.22下列关于Dropout的叙述，正确的是A.推理阶段仍需随机失活B.可视为集成学习的近似C.会显著增加推理时间D.只能放在卷积层后答案：B1.23在Python中，使用multiprocessing训练时，若数据加载子进程数过多，可能导致A.GPU利用率升高B.共享内存不足C.批大小自动增大D.学习率自动下降答案：B1.24当使用EarlyStopping时，监控指标连续10轮未改善而停止训练，该策略属于A.L2正则化B.结构风险最小化C.经验风险最小化D.奥卡姆剃刀答案：B1.25在模型蒸馏中，学生模型通常通过模仿教师模型的A.参数量B.输出分布C.训练数据D.随机种子答案：B1.26在推荐系统冷启动场景下，最可行的策略是A.仅使用协同过滤B.引入用户画像与内容特征C.增加隐藏层维度D.降低学习率答案：B1.27下列关于GAN的说法，错误的是A.判别器与生成器交替训练B.损失函数一定为交叉熵C.存在模式崩塌风险D.可采用Wasserstein距离改进答案：B1.28在ONNX格式中，模型拓扑结构与权重A.混合存储于同一protobuf文件B.必须分开存储C.仅支持静态图D.不支持量化答案：A1.29当使用Horovod进行分布式训练时，梯度聚合采用A.ParameterServer架构B.AllReduce算法C.Gossip协议D.MapReduce答案：B1.30在AutoML框架中，神经架构搜索（NAS）的强化学习控制器通常优化的是A.验证集准确率B.训练损失C.网络参数量D.梯度的L2范数答案：A2.多项选择题（每题2分，共20分；每题至少有两个正确答案，多选少选均不得分）2.1下列哪些技术可有效缓解梯度消失A.残差连接B.LayerNormalizationC.使用Tanh替代ReLUD.合适的权重初始化答案：A、B、D2.2关于批归一化（BatchNorm），正确的有A.允许使用较大学习率B.可替代DropoutC.在RNN中直接使用效果最佳D.推理阶段使用移动平均统计量答案：A、B、D2.3以下属于无监督学习算法的是A.K-meansB.PCAC.DBSCAND.逻辑回归答案：A、B、C2.4在模型部署阶段，TensorRT可进行的优化包括A.层融合B.精度校准C.动态张量内存管理D.数据增强答案：A、B、C2.5下列关于A/B测试的描述，正确的有A.需保证两组用户同质B.可比较不同算法效果C.需进行显著性检验D.样本量越大越好，无需考虑成本答案：A、B、C2.6在文本生成任务中，解决曝光偏差（exposurebias）的方法有A.ScheduledSamplingB.TeacherForcingC.ReinforcementLearningD.增加层数答案：A、C2.7下列操作可能导致模型泄露隐私信息的有A.公开完整训练数据B.梯度上传未加噪C.输出完整softmax概率D.使用差分隐私答案：A、B、C2.8在目标检测中，YOLOv5相较于YOLOv3的改进包括A.引入Focus切片结构B.使用CIoU损失C.采用Anchor-FreeD.自适应锚框计算答案：A、B、D2.9下列关于模型压缩的说法，正确的有A.剪枝可减少参数量B.量化可降低位宽C.蒸馏可提升小模型精度D.低秩分解仅适用于全连接层答案：A、B、C2.10在深度强化学习中，造成训练不稳定的原因有A.经验回放相关性过高B.目标Q网络更新过快C.奖励函数尺度差异大D.策略熵过低答案：A、B、C、D3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1使用LayerNorm时，特征维度越大，计算越稳定。答案：√3.2在卷积神经网络中，空洞卷积可扩大感受野而不增加参数量。答案：√3.3对于任意凸函数，随机梯度下降总能找到全局最优。答案：√3.4在联邦学习中，FedAvg算法要求所有客户端本地训练轮数相同。答案：×3.5使用混合精度训练时，权重必须保持FP32副本。答案：√3.6L1正则化比L2更易产生稀疏解。答案：√3.7在BERT中，MaskedLM预训练任务能直接用于文本生成。答案：×3.8模型参数量越大，过拟合风险一定越高。答案：×3.9在图像分类中，MixUp数据增强通过线性插值样本与标签提升泛化。答案：√3.10使用ONNXRuntime推理时，图优化级别越高，首次加载时间越长。答案：√4.填空题（每空2分，共20分）4.1若某卷积层输出特征图尺寸为65×65，卷积核7×7，步长2，填充3，则输入尺寸为________。答案：129×1294.2在Transformer的自注意力机制中，查询向量Q与键向量K的点积除以________以缓解梯度问题。答案：√d_k4.3使用FocalLoss时，调节因子γ越大，对________样本的权重抑制越强。答案：易分类4.4在深度Q网络中，目标网络参数每C步更新一次，该策略称为________更新。答案：硬（hard）4.5若学习率调度器采用cosineannealing，则学习率最小值设为初始值的________。答案：04.6在模型剪枝中，将权重绝对值小于阈值θ的连接直接置零，该方法称为________剪枝。答案：幅度（magnitude）4.7在推荐系统Wide&Deep模型中，Wide部分主要提供________能力。答案：记忆（memorization）4.8使用TensorBoard时，记录标量需调用SummaryWriter的________方法。答案：add_scalar4.9在PyTorch中，将模型设为评估模式需调用________方法。答案：eval()4.10若批大小为64，输入图像224×224×3，则一个批次占用的float32像素数据量为________MB（保留两位小数）。答案：36.755.简答题（每题6分，共30分）5.1简述梯度裁剪的原理及两种实现方式。答案：梯度裁剪通过限制梯度范数上限缓解爆炸。方式一：按全局范数裁剪，计算所有梯度平方和再缩放；方式二：按参数逐个裁剪，限制每个梯度张量最大范数。5.2解释“暴露偏差”在序列生成中的含义，并给出两种缓解策略。答案：训练时模型输入来自真实前缀，推理时依赖自身生成，导致误差累积。策略：1.ScheduledSampling逐步增加自生成输入比例；2.采用强化学习将序列级奖励引入训练。5.3说明知识蒸馏中温度参数T的作用，并给出损失公式。答案：T放大softmax分布的平滑度，使学生学到更细软的知识。损失：/5.4列举三种常见的模型量化粒度，并比较其优缺点。答案：1.层量化：实现简单，精度损失大；2.通道量化：粒度适中，精度较高；3.分组量化：粒度最细，精度最高但搜索空间大。5.5简述联邦学习中的“客户端漂移”现象及两种抑制方法。答案：本地数据Non-IID导致模型更新方向偏离全局最优。方法：1.控制本地训练轮数；2.服务器端采用自适应聚合策略如FedProx，引入近端项限制漂移。6.计算题（共30分）6.1（10分）给定输入特征图尺寸为7×7，通道数512，使用3×3分组卷积，分组数32，输出通道同样512。（1）计算参数量；（2）若改为普通卷积，参数量增加多少百分比？答案：（1）每组输入通道512/32=16，卷积核3×3×16，每组输出通道512/32=16，总参数量32×3×3×16×16=73728。（2）普通卷积参数量3×3×512×512=2359296，增加(2359296−73728)/73728≈31倍，即3100%。6.2（10分）某模型训练集大小为1×10^6样本，批大小256，训练100轮，GPU每秒可处理3200样本。（1）计算总迭代次数；（2）估算所需GPU时间（小时）。答案：（1）每轮步数1×10^6/256≈3906，总迭代3906×100