2026年下半年人工智能训练师考试试题及答案

2026年下半年人工智能训练师考试试题及答案一、单项选择题（共20题，每题2分）1.在机器学习中，用于衡量模型预测值与真实值之间差异的函数被称为？A.激活函数B.损失函数C.优化函数D.归一化函数2.下列哪项不属于深度学习中常用的正则化技术，用于防止过拟合？A.DropoutB.L1正则化C.BatchNormalizationD.数据增强3.在自然语言处理（NLP）任务中，Transformer模型核心引入的机制是？A.卷积机制B.循环机制C.注意力机制D.池化机制4.对于图像分类任务，通常使用卷积神经网络（CNN）。在CNN中，用于降低特征图维度、减少计算量并防止过拟合的操作是？A.卷积层B.池化层C.全连接层D.激活层5.在梯度下降算法中，学习率是一个关键超参数。如果学习率设置过大，可能会导致什么后果？A.模型收敛速度过慢B.模型陷入局部最优C.损失函数震荡甚至发散D.模型容易过拟合6.下列关于精确率和召回率的描述，正确的是？A.精确率关注的是所有正例中被预测正确的比例B.召回率关注的是预测为正例中真正为正例的比例C.精确率=TP/(TP+FP)D.召回率=TP/(TP+FN)7.在人工智能训练师的日常工作中，数据清洗是非常重要的一环。对于文本数据中的“停用词”处理，其主要目的是？A.增加数据量B.提高模型复杂度C.减少噪声，聚焦核心语义D.增加数据维度8.下列哪种评估指标主要用于评估排序模型或推荐系统的质量？A.RMSE(均方根误差)B.MAE(平均绝对误差)C.NDCG(归一化折损累计增益)D.F1-Score9.在目标检测任务中，mAP(meanAveragePrecision)是常用的评价指标。mAP的计算基础是？A.混淆矩阵B.PR曲线(精确率-召回率曲线)C.ROC曲线D.损失函数曲线10.现代大语言模型（LLM）训练中，常用的参数高效微调技术（PEFT）不包括下列哪项？A.LoRA(Low-RankAdaptation)B.AdapterC.PrefixTuningD.FullFine-tuning(全量微调)11.下列激活函数中，能够有效缓解梯度消失问题，常用于隐藏层的是？A.SigmoidB.TanhC.ReLUD.Softmax12.在监督学习中，我们将数据集划分为训练集和验证集。验证集的主要作用是？A.用于训练模型参数B.用于调整超参数和评估模型泛化能力C.用于最终测试模型性能D.用于增加数据多样性13.人工智能训练师在使用K-means聚类算法时，需要预先指定哪个参数？A.迭代次数B.聚类中心数量C.学习率D.距离度量方式14.在处理类别不平衡问题时，下列哪种方法不是有效的解决策略？A.过采样少数类B.欠采样多数类C.使用加权损失函数D.删除所有少数类样本15.生成式对抗网络由两部分组成：生成器和判别器。在训练过程中，生成器的目标是？A.最大化判别器的损失B.最小化判别器的损失C.最大化生成数据的真实性D.最小化生成数据的多样性16.在强化学习中，Agent通过与环境交互来学习策略。下列哪项不是强化学习的核心要素？A.State(状态)B.Action(动作)C.Reward(奖励)D.Label(标签)17.对于时间序列数据的预测，下列哪种模型结构最为经典且常用？A.ResNetB.LSTM(长短期记忆网络)C.VGGD.AlexNet18.在Python深度学习框架PyTorch中，用于构建模型计算图的核心组件是？A.PandasDataFrameB.NumPyArrayC.Tensor(张量)D.List19.下列关于数据标注的描述，错误的是？A.标注质量直接影响模型上限B.众包模式可以加快标注速度C.标注指南的制定与模型训练无关D.一致性检验是保证标注质量的重要手段20.在模型部署阶段，模型量化的主要目的是？A.提高模型精度B.减少模型存储大小和计算量，加速推理C.增加模型鲁棒性D.方便模型调试二、多项选择题（共10题，每题3分。多选、少选、错选均不得分）1.下列属于人工智能训练师主要职责的有？A.数据清洗与预处理B.模型架构设计C.模型参数调优D.业务需求分析与转化E.算法底层代码编写2.在数据预处理阶段，常见的数值型特征处理方法包括？A.标准化B.归一化C.独热编码D.分箱E.缺失值填充3.下列哪些是卷积神经网络（CNN）的经典架构？A.LeNetB.AlexNetC.VGGD.ResNetE.Transformer4.导致模型过拟合的常见原因有？A.训练数据量过少B.模型复杂度过高C.训练时间过长D.数据噪声过大E.特征维度过高5.在自然语言处理中，常见的词嵌入表示方法有？A.One-hotB.Word2VecC.GloVeD.BERTEmbeddingsE.TF-IDF6.评估分类模型性能时，下列哪些指标需要依赖混淆矩阵计算得出？A.Accuracy(准确率)B.Precision(精确率)C.Recall(召回率)D.Specificity(特异度)E.MSE(均方误差)7.优化算法Adam结合了哪些优化算法的优点？A.SGDB.MomentumC.AdaGradD.RMSPropE.Newton'sMethod8.在计算机视觉领域，数据增强的常见操作有？A.随机旋转B.随机裁剪C.颜色抖动D.翻转E.添加高斯噪声9.下列关于大语言模型（LLM）的PromptEngineering（提示工程）技巧，正确的有？A.提供清晰的指令B.提供参考示例C.设定输出格式D.使用思维链E.输入越长越好10.人工智能伦理与安全中，需要重点关注的问题包括？A.算法偏见与歧视B.数据隐私泄露C.模型可解释性D.对抗样本攻击E.版权与知识产权三、判断题（共15题，每题1分。对的选“A”，错的选“B”）1.深度学习模型的效果一定随着数据量的增加而线性增加。()2.Sigmoid激活函数的输出范围在0到1之间。()3.在模型训练中，BatchSize越大，模型的泛化能力一定越强。()4.梯度消失问题通常发生在深层网络的反向传播过程中。()5.K-近邻算法（KNN）是一种参数化学习算法。()6.所有的机器学习算法都需要对数据进行归一化处理。()7.交叉熵损失函数通常用于多分类问题。()8.在卷积神经网络中，池化层也包含需要学习的参数。()9.L1正则化倾向于产生稀疏的权重矩阵。()10.混淆矩阵只能用于二分类问题的评估。()11.Transformer模型完全摒弃了循环结构，仅基于注意力机制。()12.数据增强只能用于图像数据，不能用于文本数据。()13.模型融合通常能比单一模型获得更好的性能。()14.监督学习需要标注数据，而无监督学习不需要。()15.在强化学习中，探索与利用是矛盾的，需要平衡。()四、填空题（共10题，每题2分）1.在线性回归模型中，假设函数通常表示为(x)=+x2.在神经网络中，常用的均方误差损失函数公式为J=(，其中表示真实值，表示________。3.在深度学习优化中，________是一种将学习率随着迭代次数增加而逐渐减小的策略。4.卷积神经网络中，卷积核在输入图像上滑动的步长被称为________。5.在评估二分类模型时，当精确率和召回率出现矛盾时，________指标可以综合考虑两者。6.Transformer模型中，为了保留序列的位置信息，引入了________编码。7.决策树算法中，用于衡量数据集纯度的指标主要有信息增益和________。8.在自然语言处理中，________技术旨在让计算机理解文本中词语的情感倾向（如积极、消极）。9.大语言模型训练中的________技术，是指利用人类反馈来强化模型的对齐能力。10.在模型部署时，将模型从浮点数转换为整数以减少体积的过程称为________。五、简答题（共4题，每题10分）1.请简述什么是梯度消失和梯度爆炸问题，并说明ReLU激活函数是如何缓解梯度消失的。2.作为一名人工智能训练师，你在拿到一个原始数据集后，通常会进行哪些主要的数据预处理步骤？请列举至少五个步骤并简要说明。3.请解释偏差和方差的概念，并说明它们与模型欠拟合和过拟合的关系。4.请简述Transformer模型中“自注意力机制”的原理及其主要优势。六、计算与分析题（共3题，每题15分）1.已知某二分类问题的混淆矩阵如下：真正例(TP)=50假正例(FP)=10假反例(FN)=5真反例(TN)=35请计算：(1)准确率(2)精确率(3)召回率(4)F1-Score(5)请写出计算公式和最终结果（保留两位小数）。2.假设我们有一个简单的线性回归模型，损失函数为均方误差(MSE)。模型只有一个权重参数w(偏置b=0)。训练数据只有一个样本：输入x=当前权重w=1，学习率损失函数J(请计算：(1)当前的损失值。(2)损失函数关于权重w的梯度。(3)根据梯度下降法更新后的权重。3.在使用K-means算法进行聚类时，给定以下二维数据点：A(1,1),B(2,1),C(4,3),D(5,4)假设我们要将数据聚为2类(K=2)。初始聚类中心随机选择为：C1(1,1)[即点A]和C2(5,4)[即点D]。请描述第一次迭代后的聚类结果：(1)计算每个点到两个聚类中心的欧氏距离，并判定每个点属于哪个簇。(2)计算新的聚类中心坐标。(注：欧氏距离公式d=七、综合案例分析题（共2题，每题20分）1.案例背景：某电商公司计划开发一个“智能商品评论情感分析系统”，旨在自动识别用户对商品的评价是“好评”、“中评”还是“差评”，以便及时发现潜在的负面舆情。你作为公司的人工智能训练师，负责该项目的模型训练与优化工作。问题：(1)在数据收集阶段，你发现爬取的评论数据中存在大量的网络用语、表情符号以及错别字。针对这些非标准文本，你会采取哪些清洗和预处理策略？（至少列出3点）(2)在模型选择上，你决定使用预训练语言模型（如BERT）进行微调。请简述Fine-tuning的基本流程。(3)模型上线后，业务部门反馈模型对“反讽”类评论（例如：“这手机真是太棒了，刚买第一天就坏了，太惊喜了！”）识别准确率很低。请分析可能的原因，并提出至少两种改进方案。2.案例背景：某医疗辅助诊断机构希望训练一个模型，从X光胸片影像中识别“肺炎”病灶。数据集包含1000张已标注的X光片，其中900张为正常样本，100张为患病样本。问题：(1)这是一个典型的类别极度不平衡问题。如果直接使用原始数据训练，可能会产生什么后果？(2)请列出至少三种解决数据类别不平衡的技术手段，并分别简要说明其原理。(3)在模型评估阶段，你认为使用“准确率”作为主要考核指标是否合适？如果不合适，应该推荐使用哪些指标？为什么？参考答案与解析一、单项选择题1.B解析：损失函数用于衡量模型预测值与真实值之间的差异，是模型优化的目标。2.C解析：BatchNormalization主要用于加速训练收敛、允许使用更大的学习率，并具有一定的正则化效果，但其主要目的并非防止过拟合，而Dropout、L1正则化、数据增强都是专门用于防止过拟合的技术。3.C解析：Transformer模型的核心创新是引入了自注意力机制，取代了传统的循环结构。4.B解析：池化层用于下采样，降低特征图维度，减少参数量和计算量，同时在一定程度上防止过拟合。5.C解析：学习率过大，可能会导致在最优解附近震荡，甚至导致梯度爆炸，无法收敛。6.C解析：精确率定义为TP/(7.C解析：停用词如“的”、“了”、“是”等高频词，对文本语义贡献较小，去除它们可以减少噪声，聚焦核心关键词。8.C解析：NDCG常用于排序和推荐系统，衡量排序结果的质量；RMSE和MAE用于回归任务；F1用于分类任务。9.B解析：mAP是基于PR曲线下的面积计算的，用于衡量目标检测模型在不同置信度阈值下的综合性能。10.D解析：LoRA、Adapter、PrefixTuning都属于参数高效微调（PEFT）技术，而FullFine-tuning是全量微调所有参数，不属于PEFT。11.C解析：ReLU函数在正区间的导数恒为1，有效缓解了Sigmoid和Tanh在深层网络中导致的梯度消失问题。12.B解析：验证集用于在训练过程中调整超参数（如学习率、网络层数）并进行早停，以评估模型的泛化能力。13.B解析：K-means算法必须预先指定聚类簇的数量K。14.D解析：删除所有少数类样本会导致信息丢失，且无法学习到少数类的特征，不是有效的解决策略。15.B解析：GAN中，生成器试图生成假样本欺骗判别器，即最小化判别器的损失（或者最大化判别器将假样本判为真的概率）。16.D解析：强化学习的核心要素是状态、动作、奖励和策略；标签是监督学习的概念。17.B解析：LSTM及其变体GRU是处理时间序列数据最经典的深度学习模型，能够捕捉长距离依赖。18.C解析：PyTorch使用Tensor作为基本数据单元进行计算图构建。19.C解析：标注指南明确了标注规则，直接影响标注数据的一致性和质量，进而影响模型训练，因此与模型训练密切相关。20.B解析：模型量化将32位浮点数转换为8位整数等，主要目的是减少模型体积、加快推理速度，便于在边缘设备部署。二、多项选择题1.ACD解析：训练师主要负责数据、调优和业务落地；架构设计通常由算法工程师负责；底层代码编写由研发工程师负责。2.ABDE解析：标准化、归一化、分箱、缺失值填充都是数值型特征处理方法；独热编码通常用于类别型特征。3.ABCD解析：LeNet,AlexNet,VGG,ResNet都是经典CNN架构；Transformer是用于NLP或VisionTransformer的架构，不属于传统CNN范畴。4.ABDE解析：数据量少、模型复杂、数据噪声大、特征维度高都容易导致过拟合；训练时间过长不一定会导致过拟合，配合早停反而可能更好。5.ABCDE解析：One-hot,Word2Vec,GloVe,BERTEmbeddings,TF-IDF都是常见的词表示或文本向量化方法。6.ABCD解析：准确率、精确率、召回率、特异度都基于混淆矩阵的TP,FP,FN,TN计算；MSE用于回归。7.BCD解析：Adam算法结合了Momentum（动量）和RMSProp（自适应学习率）的特性，同时也包含了AdaGrad的思想。8.ABCDE解析：旋转、裁剪、颜色抖动、翻转、添加噪声都是常见的图像数据增强手段。9.ABCD解析：清晰的指令、示例、格式设定、思维链都是有效的Prompt技巧；输入过长可能导致超出上下文窗口或引入噪声，并非越长越好。10.ABCDE解析：偏见、隐私、可解释性、对抗攻击、版权都是当前AI伦理与安全的热点问题。三、判断题1.B解析：模型效果通常随数据量增加而提升，但不是线性的，且存在边际效应递减。2.A解析：Sigmoid函数公式，输出范围确实在(0,1)之间。3.B解析：BatchSize越大，梯度估计越准确，但泛化能力可能会下降（噪声减少），需要权衡。4.A解析：反向传播中链式法则连乘，若激活函数导数小于1，深层网络容易导致梯度趋于0。5.B解析：KNN是惰性学习，也是非参数化学习，不需要在训练阶段学习参数。6.B解析：树模型等不需要归一化，基于距离的模型（如KNN、SVM、神经网络）通常需要。7.A解析：交叉熵是分类任务的标准损失函数。8.B解析：池化层（如最大池化、平均池化）通常是固定操作，不包含可学习的权重参数。9.A解析：L1正则化倾向于让许多不重要的特征权重变为0，产生稀疏解。10.B解析：混淆矩阵可以扩展到多分类问题。11.A解析：Transformer完全基于注意力机制，没有RNN的循环结构。12.B解析：文本数据也可以进行增强，如同义词替换、回译、随机删除等。13.A解析：集成学习通过结合多个模型，通常能降低方差或偏差，提升性能。14.A解析：这是监督学习和无监督学习的核心区别。15.A解析：利用已知信息获得高回报，探索未知信息可能发现更好策略，两者需平衡。四、填空题1.截距；斜率2.预测值3.学习率衰减4.步长5.F1-Score6.位置7.基尼系数8.情感分析9.RLHF(基于人类反馈的强化学习)10.量化五、简答题1.答：梯度消失：在深层神经网络反向传播过程中，梯度值通过链式法则逐层向前传递。如果激活函数的导数值小于1（如Sigmoid），多个小于1的数相乘会导致梯度指数级衰减，接近于0，导致浅层参数无法有效更新。梯度爆炸：同理，如果梯度值大于1，连乘会导致梯度指数级增长，变为NaN或极大值，导致模型不稳定。ReLU缓解梯度消失：ReLU函数在输入大于0时的导数恒为1。因此，在正区间内，梯度可以无损地穿过深层神经元传回浅层，有效解决了梯度消失问题。2.答：(1)数据清洗：处理缺失值（填充或删除）、去除重复数据、处理异常值（离群点）。(2)数据转换：对非数值型数据进行编码（如独热编码、标签编码）。(3)归一化/标准化：将不同量纲的数据缩放到同一范围（如[0,1]或标准正态分布），加速模型收敛。(4)特征选择/降维：去除无关特征或使用PCA等方法降低维度，减少计算量。(5)数据增强：通过旋转、翻转、同义词替换等方式增加数据多样性，提升模型泛化能力。3.答：偏差：模型预测值的平均值与真实值之间的差异，反映了模型本身的拟合能力。高偏差意味着模型欠拟合，太简单，无法捕捉数据规律。方差：模型对于不同训练集的敏感程度，反映了数据的扰动对模型的影响。高方差意味着模型过拟合，太复杂，记住了训练数据的噪声。关系：欠拟合：高偏差，低方差。过拟合：低偏差，高方差。目标是找到偏差和方差的最佳平衡点（总误差最小）。4.答：原理：自注意力机制通过计算序列中每个元素与其他所有元素之间的相关性（注意力权重），来聚合全局信息。具体公式为At优势：(1)并行计算：摒弃了RNN的时序循环，可以并行处理所有时间步，训练效率高。(2)长距离依赖：能够直接捕捉序列中任意两个位置之间的关系，不受距离限制。(3)全局视野：每个位置的输出都包含了全局的信息。六、计算与分析题1.解：总样本数=TP+FP+FN+TN=50+10+5+35=100(1)准确率=(TP+TN)/总数=(50+35)/100=0.85(2)精确率=TP/(TP+FP)=50/(50+10)=50/60≈0.83(3)召回率=TP/(TP+FN)=50/(50+5)=50/55≈0.91(4)F1-Score=2(精确率召回率)/(精确率+召回率)(4)F1-Score=2(精确率召回率)/(精确率+召回率)≈2(0.830.91)/(0.83+0.91)≈2(0.830.91)/(0.83+0.91)≈20.7553/1.74≈20.7553/1.74≈0.87结果：(1)准确率：0.85(2)精确率：0.83(3)召回率：0.91(4)F1-Score：0.872.解：已知：x损失函数J(1)计算当前损失：=J(2)计算梯度：===代入数值：=(3)更新权重：==结果：(1)当前损失值：2(2)梯度：-4(3)新权重：1.43.解：初始中心：(1,数据点：A(1,1),B(2,1),C(4,3),D(5,4)(1)计算距离并归类：点A(1,1)：ddA属于簇1。点B(2,1)：ddB属于簇1。点C(4,3)：ddC属于簇2。点D(5,4)：ddD属于簇2。聚类结果：簇1：{A,B}簇2：{C,D}(2)计算新聚类中心：新(A,B的均值):xy新=新(C,D的均值):xy新=结果：(1)归类：簇1{A,B}，簇2{C,D}(2)新中心：(1.5,七、综合案例分析题1.答：(1)清洗与预处理策略：去除噪声：使用正则表达式去除HTML标签、特殊符号（除非表情符号对情感有特殊意义，否则可统一替换或去除）。文本纠错：利用错别字字典或基于序列到序列模型的纠错工具对错别字进行修正。网络用语与表情映射：建立网络用语词典（如“绝绝子”->“好”）和表情符号情感词典（如“:)”->正面），将其转换为标准情感词。分词与标准化：进行分词（中文使用Jieba等），并统一转换为小写（英文）。(2)Fine-tuning流程：加载预训练模