2026年人工智能训练师分割模型训练实操试题

2026年人工智能训练师分割模型训练实操试题一、单选题（每题2分，共20分）1.在U-Net分割网络中，跳跃连接（skipconnection）最主要的作用是：A.降低参数量B.加速反向传播C.融合低层空间细节与高层语义信息D.抑制梯度爆炸答案：C解析：跳跃连接将编码器各层特征图与解码器对应层直接拼接，使上采样路径既能恢复空间分辨率，又能保留边缘、纹理等细节。2.使用DiceLoss训练二值分割模型时，若预测掩膜全为0，真实掩膜全为1，则Dice系数为：A.0B.0.5C.1D.无法计算答案：A解析：Dice系数公式为，此时交集为0，分子为0，故Dice=0。3.在Cityscapes街景数据集中，标签id=7的类别是：A.roadB.sidewalkC.carD.truck答案：C解析：Cityscapes官方标签表规定id=7对应“car”。4.当采用DeepLabV3+训练时，output_stride=16，则ASPP模块中3×3空洞卷积的rate值组合通常为：A.[6,12,18]B.[1,2,3]C.[2,4,8]D.[12,24,36]答案：A解析：output_stride=16时，rate=[6,12,18]可在特征图分辨率下捕获多尺度上下文。5.在医疗影像分割任务中，常将CT窗宽窗位预处理为[-200,200]HU，其主要目的是：A.降低存储占用B.增强血管对比度C.抑制金属伪影D.归一化到0~1答案：B解析：该窗位覆盖软组织和血管，可突出病灶区域，提升网络收敛速度。6.使用PyTorch训练时，若batch_size=8，num_workers=4，则DataLoader的shuffle参数在训练与验证阶段应分别设置为：A.True,TrueB.True,FalseC.False,TrueD.False,False答案：B解析：训练需随机打乱以提升泛化，验证需保持顺序便于指标计算。7.当采用FocalLoss解决前景背景极度不均衡时，若γ=2，则易分类样本的权重衰减因子为：A.(1-p)^2B.p^2C.-log(p)D.e^(1-p)答案：A解析：FocalLoss权重为(1-p_t)^γ，易分类样本p_t→1，权重趋0，抑制其梯度贡献。8.在nnUNet自动框架中，若patch_size=[512,512,32]，则3DU-Net的spacings为[1.0,1.0,2.0]时，网络实际感受野最接近：A.128×128×64mm^3B.256×256×128mm^3C.512×512×64mm^3D.512×512×256mm^3答案：B解析：nnUNet采用多层下采样，最终层特征图缩小16倍，对应物理尺寸512/16=32mm，再乘深度4层，约128mm。9.使用混合精度训练时，GradScaler的作用为：A.动态调整学习率B.放大低梯度区域防止下溢C.压缩模型权重D.替换优化器答案：B解析：float16易下溢，GradScaler将loss乘系数后反向传播，再缩放梯度。10.在K-fold交叉验证中，若k=5，数据集含100例，则每折用作训练的样本数为：A.20B.25C.80D.100答案：C解析：每折20例验证，剩余80例训练。二、多选题（每题3分，共15分；多选少选均不得分）11.以下哪些数据增强策略对卫星影像建筑提取有效：A.随机旋转90°B.色彩抖动C.随机裁剪512×512D.添加高斯噪声E.水平翻转答案：A,B,C,E解析：卫星影像方向固定，旋转90°可模拟不同轨道角度；色彩抖动应对季节变化；裁剪与翻转增加样本多样性；高斯噪声对光学影像增益有限。12.关于EarlyStopping，下列说法正确的是：A.监控指标可为验证DiceB.patience=10表示连续10次不提升即停止C.可配合保存最优ckptD.可防止过拟合E.必须搭配ReduceLROnPlateau答案：A,B,C,D解析：EarlyStopping独立即可使用，不强制学习率调度。13.使用Horovod分布式训练时，以下操作必须：A.hvd.broadcast_parametersB.hvd.DistributedSamplerC.设置CUDA_VISIBLE_DEVICESD.缩放学习率至world_size倍E.使用NCCL后端答案：A,B,D解析：CUDA_VISIBLE_DEVICES非必须，NCCL为默认后端，可不改。14.在nnUNet中，若任务为3D全分辨率，则以下哪些预处理被自动执行：A.resampling到medianspacingB.灰度归一化CT窗C.裁剪非零区域D.运行Otsu阈值E.计算数据集指纹答案：A,C,E解析：nnUNet不强制窗位，Otsu仅用于二值化任务。15.当使用Test-TimeAugmentation(TTA)时，以下哪些TTA模式对3D医疗影像有效：A.沿x轴翻转B.沿y轴翻转C.沿z轴翻转D.旋转90°E.缩放0.9~1.1答案：A,B,C解析：3D影像沿z轴翻转可模拟仰卧/俯卧；旋转90°破坏解剖结构；缩放需重采样，耗时高。三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.DiceLoss对前景像素数量敏感，故需配合CrossEntropy使用。答案：×解析：DiceLoss对像素数量不敏感，正是其优势。17.在DeepLabV3+中，采用可分离卷积可显著降低计算量。答案：√18.使用SyncBatchNorm时，单卡batch_size=1亦可稳定训练。答案：√解析：SyncBN跨卡同步均值方差，单卡1例仍可训练。19.在3DSlicer中导出nii.gz标签时，必须设置label_value连续，否则nnUNet报错。答案：√20.当使用OhemCELoss时，batch中前20%hardest像素被用于反向传播。答案：√21.在PyTorch中，model.eval()会关闭Dropout但保留BatchNorm统计更新。答案：×解析：eval()固定BN统计，不更新。22.使用Albumentations库时，对mask采用DualTransform可保证图像与标签同步增强。答案：√23.在TensorBoard中，添加PR曲线可直观反映分割阈值敏感性。答案：√24.当使用TverskyLoss时，α>0.5可提升召回率。答案：√解析：α权重惩罚FN，提升召回。25.在ONNX导出时，动态轴设置错误会导致后处理插件无法加载。答案：√四、填空题（每空2分，共20分）26.使用nnUNet训练3D低分辨率方案时，官方推荐初始学习率为________，且采用________调度器。答案：0.01，poly27.在Cityscapes上评估语义分割时，mIoU计算忽略标签id=________的像素。答案：25528.当使用FocalLoss时，若α=0.25，γ=2，则对于p=0.9的样本，其权重因子为________。答案：(1-0.9)^2=0.0129.在PyTorch中，若需将预测mask阈值0.5转为二值，可使用语句：`pred_bin=(pred>________).float()`。答案：0.530.使用MixedPrecision时，自动插入类型转换的上下文管理器为________。答案：torch.cuda.amp.autocast31.在3DU-Net中，若输入patch_size=[128,128,64]，voxel_spacing=[1,1,2]mm，则网络最深层的特征图对应物理尺寸为________mm^3。答案：128/16=8mm，64/16=4mm，实际8×8×8mm^332.当使用Horovod多机训练时，跨节点通信依赖的底层库为________。答案：NCCL33.在医疗影像中，若标签为左心房，其典型HU范围约为________至________。答案：100,20034.使用DiceLoss时，为防止分母为0，通常平滑项ε取________。答案：1e-535.在TensorBoard中，记录图像需使用writer.add_images，其中dataformats默认值为________。答案：'NCHW'五、简答题（每题8分，共24分）36.描述在3D医疗影像分割任务中，如何确定最优patch_size与batch_size，并说明内存不足时的三点工程优化。答案：(1)最优patch_size：通过统计数据集spacing分布，选取覆盖99%病灶的物理尺寸，如median病灶直径+2×边界余量；使用nnUNet的“plan_and_preprocess”自动估算。(2)最优batch_size：在单卡显存允许下，从2开始倍增，监控验证Dice，选取边际增益<0.001时的最大batch；若使用梯度累积，等效batch=物理batch×accumulate。(3)内存不足优化：a)梯度累积，将等效batch放大4~8倍；b)使用checkpointing，以时间换空间，减少激活显存50%；c)采用mixedprecision，显存占用降低约30%，同时提速1.3×。37.解释为什么在卫星影像建筑提取中，使用多尺度训练（0.5×~1.5×）能提升边界精度，并给出PyTorch实现伪代码。答案：多尺度训练使网络适应不同分辨率的建筑，增强对细小结构与大型厂区的同时感知；边界细节在高分辨率分支保留，语义上下文在低分辨率分支增强，通过共享权重实现正则化。伪代码：```pythonscales=[0.5,0.75,1.0,1.25,1.5]forimg,maskinloader:s=random.choice(scales)h,w=int(img.size(-2)s),int(img.size(-1)s)h,w=int(img.size(-2)s),int(img.size(-1)s)img=F.interpolate(img,size=(h,w),mode='bilinear',align_corners=False)mask=F.interpolate(mask.float(),size=(h,w),mode='nearest')pred=model(img)loss=criterion(pred,mask.long())loss.backward()```38.说明在Cityscapes上，采用粗标注（coarse）与精细标注（fine）混合训练时，如何设计损失权重与采样策略，以提升模型对粗标签的鲁棒性。答案：(1)损失权重：对fine样本采用权重1.0，coarse样本权重0.3，抑制噪声；使用uncertainty加权，对coarse标签熵高的像素权重再降50%。(2)采样策略：每epoch按3:1比例混合fine:coarse，动态调整；采用curriculumlearning，前50epoch仅用fine，后续逐步加入coarse，防止早期过拟合噪声。(3)标签细化：对coarse标签运行teacher模型伪标注，与coarse标签做majorityvoting，生成refinedmask，再用于训练。六、计算题（共31分）39.（11分）给定3D医疗影像分割任务，体素spacing=[1,1,2]mm，病灶体积真值为V_gt=2400mm³，预测掩膜体积V_pred=2880mm³，二者交集V_inter=1920mm³。(1)计算Dice系数；(2)计算IoU；(3)若网络输出sigmoid概率图，阈值t=0.5，求使Dice最大的最优阈值t∈[0.3,0.7]的搜索步长0.05，给出Python代码片段。(3)若网络输出sigmoid概率图，阈值t=0.5，求使Dice最大的最优阈值t∈[0.3,0.7]的搜索步长0.05，给出Python代码片段。答案：(1)Dice=(2)IoU=(3)代码：```pythonthresholds=np.arange(0.3,0.75,0.05)best_dice,best_t=0,0.5fortinthresholds:pred_bin=(pred>t).astype(np.uint8)inter=(pred_bin>).sum()dice=2inter/(pred_bin.sum()+gt.sum()+1e-5)dice=2inter/(pred_bin.sum()+gt.sum()+1e-5)ifdice>best_dice:best_dice,best_t=dice,t```40.（10分）使用DeepLabV3+训练时，output_stride=16，输入512×512，ASPP含3×3卷积rate=[6,12,18]，计算：(1)最大理论感受野；(2)若改为output_stride=8，rate如何调整以保持相同感受野；(3)计算参数量增加比例（仅考虑ASPP分支）。答案：(1)感受野递推：stride=16，堆叠4层，每层3×3，空洞率r，则感受野R最大rate=18，等效kernel=1+2×18=37，单层37×37，累积后约415×415。(2)output_stride=8，下采样倍数减半，rate减半，取[3,6,9]。(3)ASPP含5个分支：1×1，rate=3,6,9的3×3，image-level。仅3×3卷积参数量：原：3×(3×3×256×256)=589824新：同上，rate变小但参数量不变，故增加比例0%。41.（10分）给定4卡V100（32G）集群，训练3DU-Net，单卡batch=2时显存占用29G，目标等效batch=16，采用梯度累积与mixedprecision，求：(1)最少需要多少步累积；(2)若开启checkpointing，显存降至21G，此时单卡物理batch最大可设为多少；(3)在(2)条件下，达到等效batch=16的最少累积步数。答案：(1)等效batch=物理batch×累积步×卡数，16=2×acc×4⇒acc=2(2)显存21G，余量11G，每增加1例约4.5G，则最大物理batch=2+⌊11/4.5⌋=4(3)16=4×acc×4⇒acc=1，即无需累积。七、实操综合题（共70分）42.（7