2026年人工智能训练师（三级）技能等级认定题库

2026年人工智能训练师（三级）技能等级认定题库一、单项选择题（每题1分，共30分）1.在PyTorch中，若需将模型参数全部冻结，下列代码片段正确的是A.forpinmodel.parameters():p.requires_grad=FalseB.model.eval()C.torch.no_grad()D.model.zero_grad()答案：A解析：requires_grad=False直接关闭梯度计算，实现参数冻结。2.使用Adam优化器时，若β₁=0.9，β₂=0.999，则二阶矩估计的偏差修正项在t=2步时为A.1/(1−0.999²)B.1/(1−0.9²)C.1−0.999²D.0.999²答案：A解析：二阶矩偏差修正为1/(1−β₂^t)。3.在目标检测任务中，IoU阈值从0.5提升到0.75，最可能导致A.召回率上升B.精确率下降C.召回率下降D.类别不平衡缓解答案：C解析：更高IoU阈值减少正样本，召回率下降。4.对文本进行子词切分时，BPE算法在每一步合并的依据是A.互信息最大的相邻子词对B.频率最高的相邻子词对C.长度最短的相邻子词对D.困惑度下降最大的相邻子词对答案：B解析：BPE优先合并频率最高的相邻对。5.在Transformer中，scaleddot-productattention的缩放因子为A.√d_kB.d_kC.1/√d_kD.d_v答案：C解析：防止点积过大，缩放因子1/√d_k。6.使用混合精度训练时，lossscaling的主要作用是A.加速梯度下降B.防止梯度下溢C.减少显存占用D.提高数值精度答案：B解析：fp16下梯度易下溢，放大loss可保持有效梯度。7.在联邦学习场景下，FedAvg算法的服务器端更新规则为A.加权平均客户端参数B.加权平均客户端梯度C.随机选取一个客户端参数D.对梯度进行Adam更新答案：A解析：FedAvg聚合的是本地参数而非梯度。8.对类别极度不平衡的数据集，以下采样策略最可能引发过拟合的是A.随机欠采样多数类B.SMOTE过采样少数类C.集成欠采样D.TomekLink清理答案：B解析：SMOTE合成样本可能引入噪声导致过拟合。9.在强化学习中，DDPG算法使用以下哪种技巧稳定训练A.经验回放与目标网络B.优势函数C.重要性采样D.树备份答案：A解析：DDPG沿用DQN的经验回放与目标网络。10.对卷积神经网络进行知识蒸馏时，蒸馏温度T→∞时，softmax输出趋向A.one-hotB.均匀分布C.阶跃函数D.高斯分布答案：B解析：高温使softmax分布更均匀。11.在AutoML框架中，Early-Stopping的patience参数设为10，意味着A.连续10轮验证指标无改善即停止B.训练10轮后强制停止C.每10轮保存一次模型D.10轮后降低学习率答案：A解析：patience控制容忍轮数。12.使用BERT进行中文命名实体识别时，最合理的顶层结构是A.单层SoftmaxB.CRFC.平均池化+SoftmaxD.MaxPool+Softmax答案：B解析：CRF可学习标签间转移约束。13.在模型压缩技术中，WeightSharing属于A.量化B.剪枝C.参数共享D.低秩分解答案：C解析：WeightSharing即参数共享。14.当batchsize从128降到16时，若保持epoch总数不变，训练集收敛所需的参数更新步数A.增加8倍B.减少8倍C.不变D.增加64倍答案：A解析：每步样本减少，需更多步数遍历数据。15.在图像分割任务中，DiceLoss的取值范围是A.[0,1]B.[-1,1]C.[0,+∞)D.(-∞,0]答案：A解析：Dice系数∈[0,1]，损失=1−Dice。16.对生成对抗网络，若判别器过强，生成器梯度可能A.爆炸B.消失C.不变D.呈正弦波动答案：B解析：判别器饱和导致梯度消失。17.在ONNX模型转换中，若原框架使用动态shape，导出时需指定A.dynamic_axesB.opset_versionC.input_namesD.output_names答案：A解析：dynamic_axes显式声明动态维度。18.使用Horovod做多机训练时，以下环境变量必须一致的是A.CUDA_VISIBLE_DEVICESB.OMP_NUM_THREADSC.NCCL_DEBUGD.SSH_PORT答案：A解析：GPU设备编号需全局一致。19.在推荐系统冷启动阶段，最适合的算法是A.DeepFMB.ItemCFC.Content-BasedD.DIN答案：C解析：Content-Based不依赖交互历史。20.对时序预测模型Informer，其核心改进是A.ProbSparseAttentionB.LSTM+AttentionC.1D-CNND.WaveNet答案：A解析：ProbSparse降低长序列复杂度。21.在模型可解释性方法中，SHAP值满足A.局部准确性、缺失性、一致性B.仅局部准确性C.仅一致性D.无性质保证答案：A解析：SHAP基于博弈论满足三条公理。22.使用混合专家模型MoE时，门控网络输出通常经过A.SoftmaxB.ReLUC.SigmoidD.Tanh答案：A解析：门控需概率化，用Softmax。23.在数据增强中，RandAugment的搜索空间包含A.增强类型与强度两级B.仅类型C.仅强度D.三层树结构答案：A解析：RandAugment离散化类型与幅度。24.对语音合成模型FastSpeech2，其时长预测器输入为A.音素序列B.梅尔谱C.线性谱D.基频答案：A解析：时长预测在音素级别。25.在模型部署阶段，TensorRT的INT8校准需使用A.验证集子集B.训练集全量C.测试集全量D.随机噪声答案：A解析：校准需无标签代表数据。26.使用梯度累积时，若accumulate=4，有效batchsize为64，则单次输入应为A.16B.64C.256D.4答案：A解析：64/4=16。27.在图神经网络中，GCN的层间传播公式为A.H^(l+1)=σ(D̃^(-1/2)ÃD̃^(-1/2)H^(l)W^(l))B.H^(l+1)=AH^(l)+IC.H^(l+1)=Softmax(AH^(l))D.H^(l+1)=ReLU(A²H^(l))答案：A解析：归一化邻接矩阵对称缩放。28.对多任务学习，UncertaintyWeighting方法中，损失函数形式为A.L=∑(1/(2σ²)L_i+logσ)B.L=∑σL_iC.L=∑L_i²D.L=max(L_i)答案：A解析：Kendall不确定性加权。29.在模型安全领域，PGD攻击的迭代步长通常设置为A.α=ϵ/4B.α=ϵC.α=2ϵD.α=0.1ϵ答案：A解析：经验步长ϵ/4。30.使用DeepSpeed的ZeRO-3优化时，优化器状态被A.分片到所有GPUB.复制到所有GPUC.保存在CPUD.卸载到NVMe答案：A解析：ZeRO-3全分片。二、多项选择题（每题2分，共20分）31.以下哪些操作可降低Transformer显存占用A.GradientCheckpointingB.使用FlashAttentionC.增大batchsizeD.混合精度训练答案：ABD解析：增大batchsize反而增加显存。32.在Few-ShotLearning中，PrototypicalNetwork的假设包括A.特征空间同类样本聚集B.使用欧氏距离C.支持集与查询集同分布D.标签空间固定答案：ABC解析：标签空间可扩展。33.关于AUC指标，下列说法正确的是A.对正负样本比例不敏感B.等于ROC曲线下面积C.取值范围[0,1]D.越高模型越差答案：ABC解析：AUC越高越好。34.在模型蒸馏中，logits蒸馏损失与硬标签损失加权组合的优点A.保留教师知识B.防止学生偏离真标签C.加速收敛D.降低内存答案：ABC解析：与内存无关。35.以下属于自监督预训练任务的有A.BERT的MLMB.SimCLR的对比学习C.GPT的自回归D.图像旋转预测答案：ABD解析：GPT属生成式预训练。36.在推荐系统实时特征中，以下适合放在Redis的特征有A.用户最近10次点击IDB.用户性别C.物品标签D.用户实时向量表示答案：AD解析：性别与标签为静态。37.使用K-Fold交叉验证时，可能引入数据泄漏的场景A.先整体做归一化再划分B.每折内独立归一化C.特征选择基于全量数据D.每折内独立特征选择答案：AC解析：全局预处理导致信息泄漏。38.在语音增强任务中，损失函数可选用A.SI-SDRB.STFT-MagnitudeLossC.CrossEntropyD.ComplexSpectralLoss答案：ABD解析：CrossEntropy用于分类。39.以下哪些方法可缓解强化学习稀疏奖励问题A.CuriosityDrivenRewardB.HindsightExperienceReplayC.PPOD.RewardShaping答案：ABD解析：PPO为策略优化算法。40.在模型更新灰度发布中，Canary策略需监控的指标A.线上QPSB.预测延迟P99C.业务转化率D.模型版本号答案：ABC解析：版本号非监控指标。三、判断题（每题1分，共10分）41.使用LayerNorm的模型在batchsize=1时仍可训练。答案：对解析：LayerNorm沿特征维度计算，与batch无关。42.在知识图谱嵌入中，TransE假设关系为平移即h+r≈t。答案：对43.使用EarlyStopping时，monitor='loss'模式应配合mode='max'。答案：错解析：loss越小越好，mode='min'。44.在图像分类中，MixUp增强会增加样本噪声。答案：对解析：线性插值可能产生不真实样本。45.联邦学习必然保证数据不出域。答案：错解析：中间梯度仍可能泄漏信息。46.使用ReLU的神经网络一定存在DeadNeuron问题。答案：错解析：合理初始化与优化可缓解。47.在模型服务中，批量推理的延迟一定低于单条推理。答案：错解析：batch过大反而增加延迟。48.对类别不平衡数据，准确率无法反映模型性能。答案：对49.使用AdamW时，权重衰减与L2正则完全等价。答案：错解析：AdamW解耦衰减步长。50.在VisionTransformer中，位置编码可完全去除。答案：错解析：去除后模型无法感知顺序。四、填空题（每题2分，共20分）51.若学习率调度为cosineannealing，初始lr=0.1，周期T=10，则第5轮的学习率为________。答案：0.05解析：cos(π×5/10)=0，lr=0.1×(1+cosπ/2)/2=0.05。52.在PyTorch中，模型参数总量可通过表达式__________快速获得。答案：sum(p.numel()forpinmodel.parameters())53.若BERT-base的隐藏维度为768，注意力头数为12，则每个头的维度为________。答案：64解析：768/12=64。54.使用FocalLoss时，当γ=0，损失退化为________损失。答案：CrossEntropy55.在CTR预估中，Field-wiseEmbedding的参数量与________的平方成正比。答案：embedding维度56.若卷积核尺寸为3×3，输入通道64，输出通道128，则参数量为________。答案：64×128×3×3=7372857.在DDP训练中，若world_size=4，则梯度通信量为原始梯度的________倍。答案：1解析：AllReduce后总量不变。58.使用混合专家模型时，若top-k=2，则每次激活的专家数为________。答案：259.在语音特征提取中，80维梅尔滤波器组通常对应采样率16kHz、FFT窗长________ms。答案：25解析：标准设置。60.若AUC=0.81，则Gini系数为________。答案：0.62解析：Gini=2×AUC−1。五、简答题（每题10分，共30分）61.描述如何使用梯度累积在单卡上模拟batchsize=256的训练，并给出PyTorch伪代码。答案：设置accumulate=8，单次输入batch=32。```pythonmodel.zero_grad()fori,(x,y)inenumerate(loader):loss=model(x,y)/8loss.backward()if(i+1)%8==0:optimizer.step()model.zero_grad()```解析：每8次更新一次参数，等效batch=32×8=256。62.说明在目标检测模型YOLOv5中，使用Focus结构的计算收益与潜在缺点。答案：收益：将空间信息切片到通道维度，下采样2倍同时保留特征，减少后续层计算量约25%，且无参数量增加。缺点：对边缘设备不友好，需连续内存访问，可能引入缓存未命中；对量化敏感，切片后数值分布变化大，INT8精度下降。63.给出在多任务学习中，使用UncertaintyWeighting平衡回归与分类任务的详细推导。答案：设回归任务损失L₁=‖y−ŷ‖²，分类任务交叉熵L₂。引入同方差不确定性σ₁,σ₂，联合损失L=1/(2σ₁²)L₁+1/(2σ₂²)L₂+logσ₁+logσ₂。对σ₁求导并令导数为零：∂L/∂σ₁=−L₁/σ₁³+1/σ₁=0⇒σ₁²=L₁。同理σ₂²=L₂/2（分类任务推导类似）。实际使用网络预测logσ²，避免数值不稳定。最终损失自动加权，不确定性大的任务权重下降，防止噪声任务主导训练。六、计算题（每题15分，共30分）64.给定一个线性回归模型ŷ=wx+b，训练集{(x_i,y_i)}_{i=1}^