2026年人工智能训练师（四级）专业技能易错试题

2026年人工智能训练师（四级）专业技能易错试题1.单选题（每题1分，共30分）1.1在PyTorch中，若模型在训练阶段出现loss为NaN，下列排查顺序最合理的是A.检查学习率→检查数据归一化→检查激活函数→检查梯度裁剪B.检查数据归一化→检查学习率→检查激活函数→检查梯度裁剪C.检查激活函数→检查学习率→检查数据归一化→检查梯度裁剪D.检查梯度裁剪→检查激活函数→检查学习率→检查数据归一化1.2使用Adam优化器时，若β₁=0.9，β₂=0.999，则第t步的修正后学习率与未修正学习率α的关系为A.=B.=C.=D.=1.3在目标检测任务中，若采用YOLOv5的anchor-free分支，其中心点回归损失通常采用A.SmoothL1B.GIoUC.DIoUD.CIoU1.4当使用混合精度训练时，LossScaling系数初始值通常设为A.128B.256C.512D.动态自适应1.5在Transformer中，若d_model=512，n_head=8，则每个head的维度为A.64B.512C.4096D.81.6若训练集样本量N=1×10⁵，采用5-fold交叉验证，每次验证集期望样本量为A.2×10⁴B.1×10⁴C.5×10⁴D.8×10⁴1.7在联邦学习场景下，FedAvg算法中本地epoch数E与通信轮数T的关系，下列说法正确的是A.E越大，T一定越小B.E越大，T一定越大C.E与T无确定单调关系，需考虑数据Non-IID程度D.E与T的关系仅由客户端数量决定1.8使用Kaiming初始化时，若卷积层激活函数为ReLU，则权重方差应为A.B.C.D.1.9在BERT微调中，若下游任务为单句分类，则[CLS]向量经过的下游网络结构通常为A.Linear→Tanh→LinearB.LinearC.Linear→Dropout→LinearD.Dropout→Linear→Softmax1.10当采用EarlyStopping时，若patience=5，monitor='val_loss'，mode='min'，则训练将在连续多少轮验证损失不下降后终止A.5B.6C.4D.101.11在图像分割任务中，若使用DiceLoss，其公式为A.1B.1C.D.11.12若采用余弦退火学习率调度，初始学习率，最小学习率，总周期T，则第t步学习率为A.=B.=C.=D.=1.13在强化学习PPO中，clip参数ϵ通常取值范围A.0.01~0.05B.0.1~0.3C.0.5~0.9D.1.0~2.01.14当使用Horovod进行分布式训练时，若采用梯度压缩，则压缩算法通常基于A.Top-k稀疏化B.16位浮点量化C.8位整数量化D.随机旋转量化1.15在文本生成任务中，若采用Top-p采样，p=0.9，则含义为A.保留概率累计0.9的最小词集合B.保留概率最大的前90%词C.保留概率最大的前9个词D.保留概率累计0.9的最大词集合1.16若模型参数量为1.2×10⁹，采用FP16存储，则显存占用约为A.2.4GBB.4.8GBC.1.2GBD.9.6GB1.17在语音合成Tacotron2中，停止token的预测损失通常采用A.BCEWithLogitsLossB.MSELossC.CrossEntropyLossD.HingeLoss1.18当使用知识蒸馏时，若教师模型输出为softmax(logits/T)，则学生模型训练时温度T应A.与教师一致B.固定为1C.动态下降D.随机采样1.19在CTR预估中，若采用DeepFM，则FM部分与Deep部分共享A.特征embeddingB.激活函数C.损失函数D.优化器1.20若采用GroupNormalization，则统计量计算维度为A.(N,C,H,W)B.(N,C)C.(C,H,W)D.(N,H,W)1.21在图像增强中，若采用RandAugment，则搜索空间由哪两个参数决定A.n,mB.magnitude,probabilityC.num_layers,magnitudeD.temperature,alpha1.22当使用混合专家模型MoE时，若top-k=2，则每次激活的专家数量为A.2B.1C.全部D.随机1.23在图神经网络中，若采用GCN，则邻接矩阵需添加自环，其原因为A.避免过平滑B.保持节点自身特征C.降低计算量D.增加非线性1.24若采用FocalLoss，则当γ=0时，退化为A.CrossEntropyB.BCEC.DiceD.Hinge1.25在模型剪枝中，若采用magnitudepruning，则剪枝阈值通常按A.绝对值从小到大排序取百分位B.绝对值从大到小排序取百分位C.梯度绝对值排序D.随机1.26当使用AUC作为评价指标时，若正负样本比例=1:99，则AUC可能A.接近0.5B.接近1C.接近0D.无法确定1.27在视频理解中，若采用SlowFast网络，则Slow路径的时序采样率为A.α=4B.α=8C.α=16D.α=11.28若采用AutoAugment，则策略搜索算法为A.强化学习B.遗传算法C.贝叶斯优化D.网格搜索1.29在模型部署中，若采用TensorRT，则INT8校准所需样本量通常为A.100B.500C.1000D.100001.30当使用梯度累积时，若accumulate=4，batch_size=8，则等效batch_size为A.32B.8C.4D.22.多选题（每题2分，共20分；多选少选均不得分）2.1下列哪些操作可能导致模型训练阶段显存占用突然增加A.开启torch.cuda.amp.autocastB.忘记withtorch.no_grad()进行验证C.采用gradientcheckpointingD.将loss.backward(retain_graph=True)2.2在NLP任务中，下列哪些trick可有效缓解OOV问题A.BytePairEncodingB.SubwordRegularizationC.字符级卷积D.增大vocab_size至1e72.3关于LabelSmoothing，下列说法正确的是A.可缓解过拟合B.会提高训练集准确率C.交叉熵损失下界不再为0D.对多分类与二分类均适用2.4在目标检测中，若出现大量漏检，可能原因包括A.NMS阈值过大B.置信度阈值过高C.anchor尺寸与目标不匹配D.训练数据标注缺失2.5下列哪些方法可在不增加参数量的前提下提升模型推理速度A.权重量化至INT8B.知识蒸馏C.结构化剪枝D.动态推理图2.6在推荐系统冷启动阶段，可采用的策略有A.利用用户注册信息B.基于内容特征C.元学习快速适应D.随机探索ε-greedy2.7当使用Swish激活函数时，相较于ReLU，其特点包括A.处处可导B.负半轴非零C.需要更多显存D.无额外超参数2.8在语音增强中，若采用频谱掩码方法，则掩码类型包括A.IdealBinaryMaskB.IdealRatioMaskC.ComplexIdealRatioMaskD.WienerFilterMask2.9下列哪些指标可直接用于回归任务A.MAPEB.R²C.AUCD.RMSE2.10在联邦学习中，若客户端数据为Non-IID，可缓解的方法有A.FedProxB.SCAFFOLDC.FedNovaD.增加本地epoch3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1使用LayerNormalization时，训练与推理阶段统计量均来自当前样本。3.2在Mixup训练中，标签同样采用线性插值。3.3采用梯度裁剪后，模型一定不会出现梯度爆炸。4.计算题（共20分）4.1某模型采用Adam优化器，初始学习率α=1×，β₁=0.9，β₂=0.999，ε=1×10⁻⁸。第t步梯度平方的指数移动平均更新公式为=+(1−)4.2某分类任务采用FocalLoss，γ=2，α=0.25。若模型对正样本预测概率p=0.97，求该样本损失值（保留4位小数）。（5分）4.3某卷积层输入尺寸为(N,C_in,H,W)=(8,64,112,112)，输出通道C_out=128，卷积核k=3×3，padding=1，stride=2，groups=1，bias=False。求该层FLOPs。（5分）4.4某推荐系统采用矩阵分解，用户矩阵U∈ℝ^{m×k}，物品矩阵V∈ℝ^{n×k}，正则化系数λ=0.01。若采用交替最小二乘，更新U时需求解U=R，其中R为评分矩阵。已知k=64，n=5×10⁴，求5.简答题（每题10分，共20分）5.1描述在8卡GPU环境下，采用DDP训练时，梯度同步发生在前向还是后向？并解释All-Reduce操作与梯度累积同时存在时的实现细节。5.2当使用知识蒸馏训练小模型时，若教师模型为集成3个Large模型，学生模型为Tiny，请给出一种“逐步蒸馏”策略，使得学生模型在有限计算资源下最大限度吸收教师知识，并说明如何监控过拟合。卷后答案与解析1.单选题1.1B1.2A1.3D1.4B1.5A1.6A1.7C1.8A1.9C1.10B1.11A1.12A1.13B1.14A1.15D1.16B1.17A1.18A1.19A1.20C1.21A1.22A1.23B1.24A1.25B1.26A1.27B1.28A1.29B1.30A2.多选题2.1BD2.2ABC2.3ACD2.4BCD2.5ACD2.6ABCD2.7ABD2.8ABC2.9ABD2.10ABC3.判断题3.1√3.2√3.3×（梯度裁剪只能缓解，无法绝对避免）4.计算题4.1=4.2FL=-α(1-p)^γlog(p)=-0.25×(0.03)^2×log(0.97)=0.00074.3FLOPs=2×C_in×C_out×k²×H_out×W_out×N=2×64×128×9×56×56×8=3.76×10⁹4.4V尺寸k×k=64×64，元素数4096，FP