AI 绘画模型微调技师考试试卷及答案

AI绘画模型微调技师考试试卷及答案一、填空题（每题1分，共10分）1.AI绘画模型微调常用的轻量级方法是______2.DreamBooth微调中，需为目标主体定义______3.微调常用损失函数包括MSE和______4.学习率过高易导致______5.微调核心加速硬件是______6.权重初始化常用预训练权重加载和______7.StableDiffusion微调prompt含______和主体描述8.微调数据集需保证主体的______9.LoRA通过低秩分解减少______10.微调后验证效果的直接方法是______二、单项选择题（每题2分，共20分）1.以下不是轻量级微调的是？A.LoRAB.DreamBoothC.全参数微调D.QLoRA2.DreamBooth主体图片建议至少？A.5张B.10-20张C.50张D.100张3.随训练轮次降低学习率的策略是？A.常数学习率B.余弦退火C.随机学习率D.线性增长4.StableDiffusion微调中通常不冻结的是？A.UNetB.文本编码器C.VAED.所有参数5.LoRA秩（rank）越大，可训练参数？A.越多B.越少C.不变D.不确定6.微调图片尺寸常用？A.256×256B.512×512C.1024×1024D.任意尺寸7.生成模型微调更适合的损失是？A.MSEB.交叉熵C.感知损失D.均方误差8.QLoRA减少显存的核心是？A.量化B.冻结更多参数C.减少轮次D.缩小数据集9.batchsize过小会导致？A.训练不稳定B.显存溢出C.速度极慢D.不收敛10.验证效果最直接的是？A.看损失曲线B.生成目标样例C.检查参数D.计算准确率三、多项选择题（每题2分，共20分）1.微调常用数据集包括？A.COCOB.LAIONC.自定义主体集D.ImageNet2.LoRA可应用于哪些组件？A.UNetB.文本编码器C.VAED.判别器3.微调前准备工作包括？A.预训练模型下载B.主体图片采集C.数据集标注D.硬件配置4.过拟合表现有？A.训练损失低但验证损失高B.主体模糊C.仅生成特定角度D.损失平稳5.DreamBooth关键步骤包括？A.主体采集B.唯一标识符C.文本编码器微调D.生成测试6.学习率影响因素包括？A.模型大小B.数据集规模C.硬件D.微调方法7.轻量级微调包括？A.LoRAB.QLoRAC.DreamBoothD.全参数微调8.数据集预处理操作？A.统一尺寸B.去重C.标注标签D.亮度调整9.验证效果指标包括？A.主体一致性B.多样性C.prompt匹配度D.损失值10.适合微调的硬件？A.RTX3090B.Radeon7900XTC.IntelCPUD.M1/M2四、判断题（每题2分，共20分）1.全参数微调效果一定比轻量级好？2.DreamBooth需为主体设唯一标识符？3.LoRA秩越大效果越好？4.数据集图片越多越好？5.QLoRA可在低显存训练大模型？6.文本编码器微调时无需调整？7.学习率0.001适合微调？8.微调权重无需合并即可使用？9.数据集预处理无需考虑光照差异？10.仅看训练损失即可验证效果？五、简答题（每题5分，共20分）1.简述LoRA微调核心原理？2.DreamBooth微调主要步骤？3.微调如何避免过拟合？4.简述QLoRA优化点？六、讨论题（每题5分，共10分）1.轻量级微调与全参数微调的优缺点及实际选择？2.如何从多维度评估微调后模型效果？---答案部分一、填空题答案1.LoRA2.唯一标识符（如sks）3.交叉熵损失（CELoss）4.梯度爆炸/模型不收敛5.GPU（图形处理器）6.随机初始化7.正向提示词（positiveprompt）8.多样性（角度、光照等）9.可训练参数数量10.prompt测试/生成样例二、单项选择题答案1.C2.B3.B4.A5.A6.B7.C8.A9.A10.B三、多项选择题答案1.BC2.ABC3.ABCD4.ABC5.ABCD6.ABCD7.ABC8.ABCD9.ABCD10.ABD四、判断题答案1.×2.√3.×4.×5.√6.×7.√8.×9.×10.×五、简答题答案1.LoRA通过低秩矩阵分解，将预训练模型高维权重拆为两个低秩矩阵（A、B），仅训练这两个矩阵（参数仅为原模型0.1%左右），冻结预训练权重，既适配新任务又保持泛化能力，降低显存和训练成本。2.①采集10-20张主体多样化图片；②定义唯一标识符；③准备含标识符的prompt数据集；④微调文本编码器和UNet部分参数；⑤监控损失；⑥生成测试样例验证。3.①控制数据集规模（10-20张为宜）；②数据增强（旋转、亮度调整）；③权重衰减；④合理学习率；⑤早停；⑥用轻量级方法（LoRA）减少参数。4.QLoRA对预训练模型4-bit量化（降75%显存），仅训练LoRA低秩矩阵，双量化进一步优化显存，支持低显存硬件训练大模型（如SDXL），降低训练门槛。六、讨论题答案1.轻量级（LoRA/QLoRA）：优→参数少、训练快、显存低；缺→复杂任务适配弱。全参数：优→适配强、效果好；缺→参数多、训练慢、易过拟合。选择：个人/小团队用轻量级；复杂任务硬件允许则全参数，否则轻量级+多LoRA；快速迭代用轻量级。