2026年腾讯云人工智能工程师认证考试真题题库

2026年腾讯云人工智能工程师认证考试真题题库一、单项选择题（本大题共40小题，每小题1分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在腾讯云TI平台TI-ONE训练任务中，用户希望使用TensorFlow框架进行分布式训练，且需要利用PS-Worker（ParameterServer）架构。在配置资源时，以下哪种角色负责模型的参数存储和分发？A.WorkerB.PSC.ChiefD.Evaluator【答案】B【解析】在TensorFlow的PS-Worker架构中，PS（ParameterServer）角色专门负责存储模型参数，并接收来自Worker的梯度更新，同时将最新的参数分发给Worker。Worker负责计算梯度。Chief通常用于主节点控制，Evaluator用于评估。2.腾讯云TI-Matrix是面向AI应用开发者的模型服务平台。关于TI-Matrix的核心能力，以下描述错误的是？A.支持模型一键部署，提供HTTPsAPI接口B.支持模型版本的灰度发布和A/B测试C.仅支持腾讯自研的模型格式，不支持ONNX和PMML格式D.提供自动化的弹性伸缩能力，应对业务流量波动【答案】C【解析】TI-Matrix作为开放的模型服务平台，支持多种业界通用的模型格式，包括ONNX（OpenNeuralNetworkExchange）、PMML（PredictiveModelMarkupLanguage）以及腾讯自研的格式等，旨在降低模型迁移和部署的门槛。3.在使用腾讯云智能钛机器学习平台进行数据预处理时，TI-ONE提供了内置的算子。若用户需要对图像数据进行随机旋转、裁剪和颜色抖动以增强数据集的泛化能力，应使用哪类算子？A.特征工程算子B.数据清洗算子C.图像增强算子D.数据转换算子【答案】C【解析】图像增强（ImageAugmentation）是深度学习中常用的技术，包括旋转、裁剪、翻转、颜色调整等。在TI-ONE中，这些操作归类为图像增强算子，专门用于扩充图像数据集。4.关于深度学习中的优化器算法，腾讯云TI平台内置了多种优化器供选择。以下关于Adam优化器的描述，正确的是？A.Adam优化器仅使用一阶矩估计，无法适应稀疏梯度B.Adam优化器结合了动量法和RMSProp算法的优点C.Adam优化器的学习率在整个训练过程中保持恒定不变D.Adam优化器在所有情况下都优于SGD，没有缺点【答案】B【解析】Adam（AdaptiveMomentEstimation）算法结合了动量法（利用一阶矩估计）和RMSProp（利用二阶矩估计）的优点，对不同的参数计算自适应的学习率。虽然Adam收敛快，但在某些情况下可能不如SGD收敛到更优的解，且学习率是动态调整的。5.腾讯云文字识别（OCR）服务中，通用印刷体识别功能支持多种图片格式。若用户需要识别包含大量生僻字或复杂版式的古籍图片，为了获得更高的准确率，应该采取以下哪种策略？A.直接使用基础版API，不设置任何参数B.使用高精度版API，并开启“自动旋转”校正图片方向C.将图片压缩至极低分辨率以提高传输速度D.将图片转换为黑白二值图后再上传【答案】B【解析】针对生僻字或复杂版式，高精度版API采用了更复杂的模型和后处理逻辑，准确率更高。开启“自动旋转”可以保证文字方向正确，提升识别率。压缩分辨率会丢失细节，导致识别率下降；二值化处理在OCR前通常由服务内部优化，用户手动转换不当反而可能丢失信息。6.在自然语言处理（NLP）任务中，使用预训练模型是当前的主流范式。腾讯云TI平台支持接入HuggingFace等模型库。在使用BERT模型进行文本分类任务时，输入序列的长度通常有限制（如512个Token）。若输入文本远超该长度，以下哪种处理方式最为合理？A.直接截断前512个TokenB.直接截断后512个TokenC.将文本分割成多个片段，分别提取特征后进行池化或拼接D.丢弃该样本【答案】C【解析】直接截断（无论前还是后）都会导致信息丢失。合理的做法是将长文本切片，分别输入BERT获取[CLS]向量或所有Token的表示，然后通过MeanPooling、MaxPooling或Attention机制融合这些片段的特征，从而保留全文信息。7.腾讯云TI-ONE支持基于Kubernetes的底层调度。在提交训练任务时，用户设置了“资源配额”。关于资源配额的作用，以下说法正确的是？A.限制任务最多能使用的GPU卡数和内存大小，防止资源耗尽B.强制任务必须使用指定数量的CPU，否则无法启动C.决定任务在物理机上的具体存放位置D.仅用于计费，不影响实际资源分配【答案】A【解析】资源配额主要用于限制任务能够申请的最大计算资源（如CPU核数、内存大小、GPU卡数），这有助于多租户环境下的资源隔离和管理，防止单个任务占用过多资源影响其他任务。8.在计算机视觉领域，卷积神经网络（CNN）是核心模型。假设输入图像大小为224×224，使用卷积核大小为A.222B.224C.112D.226【答案】B【解析】卷积层输出尺寸计算公式为：O=+1。其中W9.腾讯云TI平台支持模型压缩功能，以降低模型部署成本。关于模型量化技术，以下描述错误的是？A.模型量化可以将模型参数从32位浮点数转换为8位整数B.量化后的模型体积通常会变小，推理速度通常会变快C.量化过程一定会导致模型精度的大幅下降，无法通过微调恢复D.量化分为训练后量化和量化感知训练【答案】C【解析】模型量化虽然会损失一定的精度，但通过量化感知训练或训练后微调，可以将精度损失控制在极小范围内，甚至在某些任务中精度几乎无损。因此C选项说法过于绝对且错误。10.在使用腾讯云大数据组件配合AI训练时，常常需要将数据从COS（对象存储）加载到训练框架。为了加速读取速度，通常建议采用哪种方式？A.使用Python单线程循环读取文件B.使用TI-ONE提供的数据加速功能，利用多线程并行读取和缓存C.将所有数据先下载到本地磁盘再训练D.将数据复制到容器系统的/tmp目录【答案】B【解析】TI-ONE提供了数据加速功能，通常基于缓存机制（如类似Alluxio的原理）和多线程预取，能够显著减少I/O等待时间，提高GPU利用率。单线程读取效率低；下载到本地磁盘在大规模分布式训练中不现实且启动慢。11.关于腾讯云大模型知识引擎（原Hunyuan大模型相关服务），在构建RAG（检索增强生成）系统时，向量数据库的作用是？A.存储原始文档，用于全文检索B.存储文档切片的向量化Embedding，用于语义相似度检索C.存储用户的Prompt历史记录D.存储大模型的参数权重【答案】B【解析】在RAG系统中，向量数据库专门用于存储和检索非结构化数据的向量表示。当用户提问时，系统将问题转向量，并在向量数据库中检索最相似的文档片段，作为大模型生成的上下文。12.在深度学习模型训练中，过拟合是一个常见问题。以下哪种技术不属于防止过拟合的正则化手段？A.DropoutB.EarlyStoppingC.DataAugmentationD.BatchNormalization【答案】D【解析】Dropout、EarlyStopping（早停）和DataAugmentation（数据增强）都是防止过拟合的手段。BatchNormalization（批量归一化）主要用于加速训练收敛、稳定梯度分布，虽然有一定的正则化副作用，但其主要目的并非防止过拟合，且在某些情况下甚至可能略微降低正则化效果。在常规分类中，D通常不被选作主要正则化手段。13.腾讯云TI-ONE支持超参自动调优（Tuning）。若用户选择“贝叶斯优化”作为搜索策略，其核心思想是？A.随机在参数空间内采样，不依赖历史结果B.根据历史试验结果，构建代理模型来预测下一个最有潜力的参数组合C.网格状遍历所有可能的参数组合D.模拟生物进化过程，通过交叉变异选择参数【答案】B【解析】贝叶斯优化是一种基于模型的优化方法，它利用之前的评估结果构建概率模型（代理模型），通过采集函数在探索和利用之间平衡，从而高效地寻找全局最优解。随机采样是随机搜索，网格遍历是网格搜索，模拟进化是遗传算法。14.在部署AI模型服务时，TI-EMS（ElasticModelService）提供了多种访问鉴权方式。为了保证API调用的安全性，防止未授权访问，以下哪种方式最为安全且推荐用于生产环境？A.完全开放，不设置任何鉴权B.仅依靠HTTPReferer头判断来源C.使用签名鉴权，基于SecretId和SecretKey计算签名D.仅在URL中携带明文密码【答案】C【解析】签名鉴权是腾讯云API的标准安全认证方式，它根据请求内容、时间戳、密钥等计算哈希签名，能有效防止重放攻击、篡改和伪造。Referer头易伪造，明文密码极不安全，完全开放则无安全性可言。15.在目标检测任务中，评估模型性能常用mAP（meanAveragePrecision）。假设有3个类别，计算mAP时，通常需要先计算每个类别的AP（AveragePrecision）。AP是基于什么指标绘制的曲线下的面积？A.准确率和召回率B.精确率和召回率C.精确率和准确率D.特异性和敏感性【答案】B【解析】AP（AveragePrecision）是精确率-召回率曲线下的面积。在目标检测中，我们需要权衡Precision（查准）和Recall（查全），因此PR曲线是核心评价工具。16.腾讯云语音识别（ASR）服务支持实时识别和录音文件识别。在实时识别场景下，为了保证识别的实时性和低延迟，以下哪种配置是关键？A.设置极大的切片长度B.使用流式识别接口，并设置合理的VAD（语音活动检测）参数C.关闭VAD功能D.将音频采样率强制转换为极低采样率【答案】B【解析】流式识别允许音频数据分块上传，边传边识别，降低延迟。VAD用于检测语音的开始和结束，避免静音数据传输造成的无效计算和延迟。切片过大会延迟首字返回时间；关闭VAD可能导致处理大量静音；过低采样率损伤音质。17.在使用TI-ONE进行模型训练时，如果用户代码中需要访问腾讯云的其他服务（如COS、MySQL），最佳的安全实践是？A.将AccessKey和SecretKey硬编码在训练脚本中B.通过环境变量或TI-ONE的密钥管理功能注入凭证C.将凭证文件上传到代码仓库D.在训练日志中打印凭证以供调试【答案】B【解析】硬编码凭证或上传到代码仓库存在极大的安全泄露风险。通过环境变量或平台提供的密钥管理/角色授权机制注入凭证，既安全又灵活，且便于轮换。18.关于Transformer模型中的自注意力机制，假设输入序列长度为L，模型维度为d。标准的自注意力机制的时间复杂度是？A.OB.OC.OD.O【答案】C【解析】在自注意力中，需要计算Q·，生成长度为L×L的注意力分数矩阵，然后与V相乘。因此计算量主要来源于L19.腾讯云TI平台支持模型导出。若用户希望将训练好的PyTorch模型部署到移动端（如手机App），通常需要导出为什么格式？A..pth或.pt(PyTorch原生格式)B..h5(Keras格式)C..onnx或.tfliteD..pb(TensorFlowfrozengraph)【答案】C【解析】PyTorch原生格式通常需要在PyTorch环境中运行，不适合移动端。ONNX（OpenNeuralNetworkExchange）是通用的中间表示，可被许多移动端推理引擎（如ONNXRuntime,NCNN）支持。TFLite是TensorFlowLite的格式，也广泛用于移动端。导出为ONNX是跨平台部署的首选。20.在图像分割任务中，常用的评价指标是IoU（IntersectionoverUnion，交并比）。对于单个类别，IoU的计算公式是？A.B.C.D.【答案】C【解析】IoU=。在像素级分类中，这等价于。A是像素准确率，B是精确率，D是召回率。21.腾讯云TI-ONE的Notebook功能支持在线编程。若Notebook实例长时间未操作被自动释放，用户的数据会丢失吗？A.会丢失，所有数据都必须重新上传B.不会丢失，Notebook挂载了COS或持久化存储，代码和数据在存储中保留C.只有代码会保留，数据会丢失D.只有输出结果会保留，代码会丢失【答案】B【解析】TI-ONE的Notebook通常配置了持久化存储卷或挂载了COS桶。实例释放只是计算资源回收，存储在挂载目录下的代码、数据文件都会被保留，下次启动新实例时依然可见。22.在推荐系统场景中，常用的算法包括矩阵分解和深度学习。腾讯云相关的推荐引擎解决方案中，通常关注哪个指标来衡量排序模型的质量？A.点击率(CTR)B.均方误差(MSE)C.赫芬达尔—赫希曼指数(HHI)D.代码行数【答案】A【解析】在推荐系统的排序阶段，核心目标是预测用户对物品的点击概率或转化概率，因此CTR（Click-ThroughRate）是最关键的评估指标。MSE多用于回归任务。23.关于梯度下降算法，以下公式中，哪个表示参数θ在时刻t的更新公式（假设学习率为η，梯度为∇JA.=B.=C.=D.=【答案】A【解析】梯度下降的核心思想是沿着梯度的反方向移动参数以减小损失函数值。因此更新公式为：新参数=旧参数-学习率*梯度。24.腾讯云TI-ONE支持使用Spot实例进行训练以降低成本。关于Spot实例的特性，以下描述正确的是？A.Spot实例价格固定，但随时可能被系统回收B.Spot实例价格低廉，且保证永不中断C.Spot实例只能用于CPU训练，不能用于GPU训练D.使用Spot实例必须配置Checkpoint机制，以便在中断后恢复训练【答案】D【解析】Spot实例是闲置的竞价实例，价格远低于按量付费，但系统有权在资源不足时随时回收。因此，为了防止训练进度丢失，必须配置Checkpoint（检查点）定期保存模型状态。25.在深度学习中，残差连接是ResNet的核心组件。假设输入为x，卷积层映射为F(x)A.yB.yC.yD.y【答案】C【解析】标准的残差块结构为y=F(x)26.腾讯云人脸识别API提供了多种功能。若开发者需要判断两张照片中的人脸是否为同一人，应该调用哪个接口？A.人脸检测与分析B.人脸比对C.人脸搜索D.人脸融合【答案】B【解析】人脸比对专门用于比对两张图片中人脸的相似度，判断是否为同一人。人脸检测用于定位人脸；人脸搜索用于在人脸库中搜索；人脸融合用于将两张人脸特征融合。27.在使用TI-ONE进行多机多卡训练时，通信开销是影响性能的关键因素。以下哪种技术不能有效减少通信开销？A.梯度压缩B.环形通信C.增大BatchSizeD.增加通信频率【答案】D【解析】梯度压缩（如只传输稀疏梯度或量化梯度）、环形通信（Ring-AllReduce）以及增大BatchSize（从而减少通信次数）都能有效缓解通信瓶颈。增加通信频率显然会增加通信开销，降低效率。28.腾讯云智能钛TI平台支持接入自定义镜像。用户构建自定义Docker镜像时，必须包含哪个组件才能被TI-ONE调度运行？A.腾讯云专有CLI工具B.CUDA驱动（不是Toolkit）C.适配TI-ONE的训练启动脚本或框架服务D.图形化界面GUI【答案】C【解析】自定义镜像需要包含训练代码、依赖库以及一个能被TI-ONE调度器触发的启动脚本。CUDA驱动通常由宿主机提供，镜像内包含Toolkit即可。不需要CLI工具或GUI。29.在异常检测任务中，如果只有正常样本作为训练数据，无法获取异常样本，应采用哪种算法思路？A.监督学习分类算法B.半监督学习C.无监督学习或重构类算法（如Autoencoder）D.强化学习【答案】C【解析】当只有正常样本时，属于单分类或异常检测问题。常用的方法是训练一个Autoencoder（自编码器）来重构输入，训练时只用正常样本。测试时，如果重构误差大，说明样本异常，模型无法重构。30.腾讯云TI-ONE的TensorBoard支持可视化。若用户在训练代码中正确记录了Scalar、Histogram等数据，但在TensorBoard页面看不到数据更新，可能的原因是？A.代码逻辑错误，程序未运行B.TensorBoard读取的日志路径配置错误C.网络连接超时D.以上都有可能【答案】D【解析】TensorBoard无法显示数据的原因很多，可能是程序根本没写日志（代码错），可能是TensorBoard指向了错误的目录（路径错），也可能是浏览器或网络无法连接到后端服务。因此D最全面。31.在NLP中，BERT模型引入了MaskedLanguageModel(MLM)预训练任务。在MLM中，大约多少比例的Token会被随机Mask掉？A.5%B.15%C.50%D.100%【答案】B【解析】在BERT的原始论文中，MLM任务随机选择15%的Token进行Mask操作。其中80%替换为[MASK]，10%替换为随机词，10%保持不变。32.腾讯云TI平台支持模型版本管理。在TI-Matrix中，若模型V1已上线运行，现在发布了模型V2，并希望先让10%的流量访问V2进行验证，这称为？A.蓝绿部署B.滚动更新C.金丝雀发布D.回滚【答案】C【解析】金丝雀发布（灰度发布）是指在新版本正式全面推出前，先让一小部分用户（如10%）使用新版本，观察运行情况无误后再全量推广。蓝绿部署是两套环境同时存在，瞬间切换；滚动更新是逐个替换实例。33.在逻辑回归中，Sigmoid函数将线性回归的输出映射到(0,1)区间，表示概率。Sigmoid函数的数学表达式是？A.σB.σC.σD.σ【答案】B【解析】Sigmoid函数的标准定义是σ(34.腾讯云AI服务依托于腾讯云底层基础设施。为了实现跨地域的低延迟访问，通常建议？A.将服务部署在离用户地域最远的区域B.将服务部署在离用户地域最近的区域，并使用CDN加速静态资源C.将所有服务都部署在香港地域D.不考虑地域，统一部署在广州【答案】B【解析】为了降低延迟，应遵循就近原则，将AI服务部署在距离目标用户群体最近的可用区。同时，对于静态资源（如前端页面、模型权重文件等）利用CDN进行加速。35.在聚类算法中，K-Means算法需要预先指定聚类数量K。其核心迭代步骤包括？A.随机移动质心->计算距离B.分配样本到最近的质心->重新计算质心位置C.计算样本密度->剪枝D.构建Dendrogram->切割【答案】B【解析】K-Means的算法流程是：1.初始化K个质心；2.将每个样本分配到距离最近的质心所属的簇；3.根据簇内所有样本重新计算质心位置；4.重复2-3直至收敛。36.腾讯云TI-ONE支持使用NAS（网络架构搜索）。NAS的主要目的是？A.自动化地设计出性能优化的神经网络结构B.自动化地清洗数据C.自动化地部署模型D.自动化地编写文档【答案】A【解析】NAS（NeuralArchitectureSearch）是自动化机器学习（AutoML）的一部分，旨在自动化地搜索和设计最优的神经网络架构（如层数、卷积核大小等），以减少人工设计的工作量并提升模型性能。37.在生成式对抗网络中，包含两个互相对抗的网络。它们是？A.生成器和判别器B.编码器和解码器C.主网络和从网络D.教师网络和学生网络【答案】A【解析】GAN由生成器（Generator，试图生成逼真假样本）和判别器（Discriminator，试图区分真假样本）组成。B是自编码器，D是知识蒸馏。38.腾讯云TI平台在处理敏感数据（如医疗影像、金融数据）时，支持私有化部署或数据加密。在传输过程中，为了保证数据安全，必须？A.使用明文传输以提高速度B.使用SSL/TLS协议进行加密传输C.仅对数据进行Base64编码D.将数据分割后通过不同通道传输【答案】B【解析】Base64编码只是编码，不是加密，极易破解。安全合规的做法是使用SSL/TLS协议建立加密通道，确保数据在传输过程中不被窃听或篡改。39.在目标检测的YOLO算法中，将目标检测问题转化为回归问题。YOLOv3中使用了多尺度检测，这是通过什么实现的？A.改变输入图像大小B.使用不同步长的特征图C.使用多个独立的模型D.改变损失函数权重【答案】B【解析】YOLOv3在不同深度的特征层上进行检测，这些特征层的下采样倍率（步长）不同（如32,16,8），从而分别检测大、中、小目标。40.腾讯云TI-ONE训练任务结束后，产出模型文件。若用户需要将模型注册到TI-Matrix进行管理，首先需要？A.将模型上传到COS，并记录URIB.将模型转换为XML格式C.删除所有中间检查点D.重新训练一次【答案】A【解析】TI-Matrix管理模型时，通常需要用户提供存储在COS上的模型文件路径（URI）。平台会从COS拉取模型进行解析和部署。二、多项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，有两项或两项以上是符合题目要求的。全部选对得满分，少选得部分分，多选、错选不得分）41.腾讯云TI-ONE作为一站式机器学习平台，支持以下哪些开源深度学习框架？A.TensorFlowB.PyTorchC.MXNetD.PaddlePaddle【答案】ABCD【解析】TI-ONE具有强大的兼容性，支持TensorFlow、PyTorch、MXNet、PaddlePaddle等主流开源框架，同时也支持Spark、XGBoost等传统机器学习库。42.在使用腾讯云TI平台进行模型开发的生命周期中，通常包含以下哪些阶段？A.数据预处理与标注B.模型构建与训练C.模型评估与优化D.模型部署与监控【答案】ABCD【解析】标准的AI工程化流程包括：数据处理（清洗、标注）、模型开发（构建、训练、调优）、模型评估、以及服务化部署和上线后的监控运维。TI平台覆盖了全流程。43.关于卷积神经网络中的池化层，以下说法正确的有？A.池化层可以降低特征图的维度，减少计算量B.池化层引入了一定的平移不变性C.最大池化能保留纹理特征，平均池化能保留背景特征D.池化层包含可学习的参数【答案】ABC【解析】池化层的主要作用是降维（下采样）和引入不变性。最大池化取区域最大值，突出显著特征；平均池化取平均值，平滑特征。池化层通常是固定操作（如取最大值或平均值），不包含反向传播更新的权重参数（虽然有步长、核大小等超参数，但不是“学习”出来的权重）。44.腾讯云TI-Matrix在模型部署时，支持多种高级流量管理策略，包括？A.蓝绿发布B.灰度发布C.流量熔断D.自动扩缩容【答案】ABCD【解析】TI-EMS/TI-Matrix提供了完善的运维能力。蓝绿和灰度用于版本更新；熔断用于保护系统在异常情况下的稳定性；自动扩缩容用于应对流量波动，降低成本。45.在自然语言处理中，Transformer模型相比传统的RNN/LSTM模型，具有以下优势？A.能够并行计算，训练效率高B.通过Self-Attention机制捕捉长距离依赖C.模型参数量通常更小D.对位置信息的处理更灵活【答案】ABD【解析】Transformer摒弃了循环结构，支持完全并行，训练速度快（A）；Self-Attention机制直接计算任意两词距离，解决了长距离依赖问题（B）；由于引入了PositionalEncoding，对位置信息的处理是显式且灵活的（D）。通常Transformer参数量远大于LSTM，以换取性能，故C错误。46.腾讯云OCR服务提供的通用印刷体识别，在返回结果中包含哪些关键信息？A.文本内容B.文本行的坐标位置C.文本的置信度D.图片的EXIF信息【答案】ABC【解析】OCR接口返回的核心信息包括识别出的文字、文字在图片中的位置坐标以及识别的可信度。EXIF信息属于图片元数据，不是OCR分析的核心产出，通常不包含在主要识别结果中。47.针对非平衡数据集（正负样本比例悬殊），以下哪些处理策略是有效的？A.过采样少数类B.欠采样多数类C.使用调整后的类别权重D.使用F1-Score作为评估指标而非Accuracy【答案】ABCD【解析】处理数据不平衡可以从数据层面（过采样、欠采样）、算法层面（调整Loss权重、使用FocalLoss）以及评估层面（使用Precision,Recall,F1,AUC而非Accuracy）入手。四个选项均正确。48.腾讯云TI-ONE支持通过对象存储COS进行数据读写。为了优化COS的读写性能以适配高频训练任务，可以？A.开启COS的数据加速功能B.使用多线程/多进程并发读取C.将小文件合并为大文件D.将数据集格式转换为TFRecord或LMDB等流式格式【答案】ABCD【解析】所有选项都是优化I/O性能的有效手段。数据加速（如TI-ONE加速器）利用缓存；并发读取利用带宽；合并小文件减少请求开销；使用专用格式（TFRecord/LMDB）优化序列化读取速度。49.在深度学习模型训练中，学习率的调度策略对收敛至关重要。TI-ONE支持以下哪些学习率衰减策略？A.StepDecay（阶梯式衰减）B.ExponentialDecay（指数衰减）C.CosineAnnealing（余弦退火）D.Warmup（预热）【答案】ABCD【解析】主流的学习率调度策略TI-ONE均支持。Step和Exponential是经典策略；CosineAnnealing在重启SGD和Transformer训练中很常见；Warmup对于训练深网/大模型（如BERT）至关重要。50.腾讯云大模型知识引擎在构建企业级知识库时，支持以下哪些文档格式？A.TXTB.PDFD.Excel【答案】ABCD51.关于Python中常用的科学计算库，以下哪些是构建AI模型的基础库？A.NumPyB.PandasC.MatplotlibD.Scikit-learn【答案】ABCD【解析】NumPy用于矩阵运算；Pandas用于数据处理；Matplotlib用于可视化；Scikit-learn提供传统机器学习算法和工具集。这些都是AI工程师必备的基础库。52.在腾讯云TI平台上进行GPU训练时，显存不足（OOM）是常见问题。以下哪些方法可以缓解显存不足？A.减小BatchSizeB.使用梯度累积C.使用混合精度训练D.增加模型层数【答案】ABC【解析】减小BatchSize直接降低显存占用；梯度累积通过多次小Batch计算再更新，模拟大Batch效果但节省显存；混合精度训练使用FP16代替FP32，显存减半。增加模型层数会显著增加显存占用，故D错误。53.腾讯云语音合成（TTS）服务支持多种合成方式。以下哪些参数可以影响合成音频的效果？A.音量B.语速C.音色/发音人D.文本内容【答案】ABCD【解析】音量、语速、音色是TTS的常用控制参数。文本内容是输入，直接决定了说什么，自然也是影响效果（内容）的因素。54.模型评估中，混淆矩阵是分析分类器性能的有力工具。对于二分类问题，混淆矩阵包含以下哪些指标？A.TruePositive(TP)B.TrueNegative(TN)C.FalsePositive(FP)D.FalseNegative(FN)【答案】ABCD【解析】混淆矩阵由TP（真阳性）、TN（真阴性）、FP（假阳性）、FN（假阴性）四个基础数值组成，所有衍生指标（Accuracy,Precision等）均由此计算得出。55.腾讯云TI-ONE的Notebook实例支持安装第三方Python包。用户可以通过哪些方式安装？A.使用!pipinstall命令在Cell中执行B.使用!condainstall命令C.在创建实例时配置Lifecycle脚本自动安装D.手动SSH进入实例运行apt-get【答案】ABCD【解析】Notebook环境通常是Linux容器。支持pip/conda安装Python包；支持Lifecycle配置初始化；也支持SSH登录后进行系统级操作（如apt-get）。56.在计算机视觉中，数据增强是提升模型鲁棒性的关键。以下哪些属于几何变换类的数据增强？A.随机旋转B.随机裁剪C.颜色抖动D.翻转【答案】ABD【解析】几何变换改变图像的几何结构，包括旋转、裁剪、翻转、平移、仿射变换等。颜色抖动属于颜色/光度变换，不改变几何结构。57.腾讯云TI平台支持与腾讯云其他产品无缝集成。例如，训练好的模型可以方便地部署到？A.CVM（云服务器）B.TI-EMS（弹性模型服务）C.腾讯云边缘计算平台D.小程序【答案】ABC【解析】模型可以部署到CVM（自建服务）、TI-EMS（托管服务）、边缘计算节点。小程序是前端应用，不能直接部署模型文件，只能调用云端API。58.关于梯度消失和梯度爆炸问题，以下描述正确的有？A.梯度消失常发生在深层网络中，导致底层参数不更新B.使用ReLU激活函数可以缓解梯度消失C.梯度裁剪是解决梯度爆炸的常用手段D.批量归一化有助于缓解梯度消失和爆炸【答案】ABCD【解析】梯度消失导致深层网络无法训练；ReLU的导数在正区间为1，缓解了Sigmoid/Tanh的梯度衰减；梯度裁剪强制限制梯度范数，解决爆炸；BN标准化了层输入，使梯度保持在稳定范围。59.在使用腾讯云TI-ONE进行分布式训练时，常用的通信后端包括？A.NCCLB.GlooC.MPID.HTTP【答案】ABC【解析】NCCL（NVIDIACollectiveCommunicationsLibrary）是GPU优化的通信库；Gloo是Facebook开源的CPU/GPU通信库；MPI也是高性能并行计算通信标准。HTTP不适合作为高频梯度同步的后端。60.腾讯云AI服务的计费模式通常包括？A.按调用次数计费B.按时长计费C.按资源包计费D.按数据量计费【答案】ABC【解析】云AI服务通常提供按量后付费（按次或按时长）、资源包预付费等模式。按数据量计费较少见，通常数据存储（COS）单独计费，API调用按次或按处理时长（如语音转文字时长）计费。三、判断题（本大题共20小题，每小题0.5分，共10分。请判断每小题的表述是否正确，正确的选A，错误的选B）61.腾讯云TI-ONE训练任务产生的日志默认会永久保存，且不占用任何存储空间。【答案】B【解析】日志会占用存储空间，且通常有保存时长限制（如7天或30天），并非永久免费保存。62.ResNet引入的残差结构解决了深层网络中的梯度消失问题，使得训练成百上千层的网络成为可能。【答案】A【解析】残差连接提供了恒等映射的通路，使得梯度可以无损地反向传播到浅层，有效缓解了梯度消失。63.在腾讯云TI-Matrix中，模型一旦部署上线，其版本和权重就完全不可更改，必须删除重新部署。【答案】B【解析】TI-Matrix支持模型更新、版本回滚等操作，不需要删除服务即可更新模型权重。64.混合精度训练是指在训练过程中同时使用32位浮点数（FP32）和16位浮点数（FP16）进行计算，以加速训练并节省显存。【答案】A【解析】混合精度训练利用TensorCore加速FP16计算，同时保留FP32的MasterWeights保证精度，是标准加速手段。65.腾讯云OCR服务可以识别身份证上的所有信息，包括姓名、住址、身份证号等，并支持自动裁剪身份证图片。【答案】A【解析】腾讯云提供了专门的身份证识别API，支持字段级识别和自动裁剪功能。66.在机器学习中，L1正则化倾向于产生稀疏解（许多权重为0），而L2正则化倾向于让权重变小但不为0。【答案】A【解析】L1正则化的等值线是方形，易与损失函数等值线在坐标轴上相交，产生稀疏解；L2是圆形，倾向于权重衰减。67.腾讯云TI-ONE支持用户直接在Web界面上编写Python代码进行训练，无需配置本地环境。【答案】A【解析】TI-ONE内置了JupyterNotebook/NotebookLab功能，用户可以直接在浏览器中编写和运行代码。68.Transformer模型完全依赖于Attention机制，不包含任何卷积层或循环层。【答案】A【解析】Transformer架构的核心是Self-Attention，摒弃了CNN和RNN结构，完全基于Attention进行特征提取。69.使用腾讯云TI平台进行模型训练时，如果训练进程意外退出，平台会自动无限次重启该进程，直到训练完成。【答案】B【解析】平台通常会有最大重试次数限制，不会无限重启，且对于代码错误导致的退出，自动重启可能无效，需人工介入。70.在目标检测中，IoU（交并比）阈值设置为0.5意味着预测框与真实框的重叠面积至少要达到并集面积的50%才算检测正确。【答案】A【解析】IoU的定义即是交集除以并集，0.5是标准的mAP@0.5判定阈值。71.腾讯云TI平台的Notebook实例在停止后，相关的计算资源（CPU/GPU）会被释放，不再计费，但存储卷保留。【答案】A【解析】停止实例即释放计算资源停止计费，挂载的硬盘存储保留并继续计费（如果购买了CBS）。72.K-Means聚类算法对初始质心的选择非常敏感，不同的初始质心可能导致完全不同的聚类结果。【答案】A【解析】K-Means容易陷入局部最优解，因此初始质心的位置对最终结果影响很大，通常采用K-Means++算法优化初始化。73.腾讯云人脸识别服务在进行人脸比对时，返回的相似度分数范围是0到100，分数越高表示越不相似。【答案】B【解析】分数越高表示越相似（即越可能是同一个人）。通常80分以上可认为是同一个人。74.在深度学习中，Dropout在训练时随机丢弃神经元，在测试（推理）时通常保留所有神经元，但需要按比例缩放输出。【答案】A【解析】训练时Dropout起作用；测试时为了利用所有特征，关闭Dropout，并通常通过缩放权重或输出来保持期望值一致。75.腾讯云TI-ONE支持将训练好的模型一键导出为Serverless函数，实现按需付费的极致弹性部署。【答案】A【解析】TI平台支持与SCF（云函数）联动，将轻量级模型部署为Serverless服务。76.逻辑回归只能用于解决二分类问题，不能用于多分类。【答案】B【解析】逻辑回归可以通过Softmax扩展（MultinomialLogisticRegression）或One-vs-Rest策略解决多分类问题。77.腾讯云智能钛TI平台的数据标注服务支持图像分类、物体检测、语义分割等多种标注类型。【答案】A【解析】TI-DTS（数据标注服务）提供了丰富的标注工具，支持CV领域的多种任务类型。78.在自然语言处理中，Word2Vec是一种基于统计的词向量学习方法，无法捕捉上下文信息。【答案】A【解析】Word2Vec是静态词向量，每个词对应固定向量，无法解决一词多义问题，不能像BERT那样捕捉动态上下文信息。79.腾讯云TI-ONE在进行超参搜索时，网格搜索一定比随机搜索找到的参数更优。【答案】B【解析】网格搜索如果步长设置不当，可能错过最优解；随机搜索在连续空间或高维空间中往往效率更高，且不一定比网格搜索差。80.使用腾讯云私有化解决方案部署AI平台时，必须连接公网才能运行。【答案】B【解析】私有化部署通常用于内网环境，完全可以在隔离的私有网络中运行，无需连接公网。四、计算与公式题（本大题共10小题，每小题2分，共20分。请写出必要的计算步骤或选择正确的公式形式）81.在二分类问题中，假设预测概率为=0.8，真实标签为y=1。请计算交叉熵损失函数L【答案】−【解析】代入公式：L=−[1·82.已知一个全连接层的输入维度为100，输出维度为50。如果不考虑偏置项，该层的权重参数量是多少？【答案】5000【解析】全连接层参数量=输入维度×输出维度。W=83.在卷积神经网络中，输入图像尺寸W=32，卷积核大小K=3，步长S=1，填充【答案】30【解析】O=84.假设我们在使用SGD优化器，当前参数权重w=2.0，学习率η=0.1，计算出的梯度【答案】1.5【解析】SGD更新公式：=−η·85.在目标检测中，预测框坐标为=[100,【答案】2500【解析】重叠区域左上角：(max(100,150),86.给定一个向量v=[1【答案】【解析】|v87.在Softmax回归中，假设未归一化的Logits为z=[2.0【答案】约0.66【解析】≈7.389,≈2.718,≈1.105。Sum≈88.假设模型预测值=[0.2,0.8,【答案】0.11【解析】Erro=(0.2−89.在BP神经网络中，假设某层神经元j的误差项=0.5，激活函数的导数(ne)=0.2，下一层的权重=0.1【答案】0.006【解析】这里假设是反向传播计算。根据题目给出的公式逻辑：=(90.计算查准率和查全率。假设TP=10,FP=5,FN=2。请计算F1-Score。公式为F1=2【答案】约0.74【解析】P=10/(10五、综合案例分析题（本大题共5小题，每小题6分，共30分。请根据背景知识回答问题）91.某电商公司使用腾讯云TI平台构建商品推荐系统。在数据准备阶段，他们收集了用户的点击、购买、收藏等行为日志，存储在COS中。在模型训练阶段，他们选择了Wide&Deep算法进行CTR预估。问题：(1)在TI-ONE中提交训练任务前，对原始日志数据进行预处理通常包含哪些关键步骤？(2)Wide&Deep模型由Wide部分（线性模型）和Deep部分（深度神经网络）组成，请简述这两部分各自的作用以及它们结合的优势。(3)训练完成后，如何利用TI-Matrix将模型部署为在线服务，并实现每日定时全量更新模型？【答案】(1)关键步骤包括：数据清洗：去除无效、异常或重复的日志数据。特征提取：从原始日志中提取用户ID、商品ID、品类、时间戳等字段。特征工程：对连续特征进行归一化/分桶，对离散特征进行Embedding或One-Hot编码。样本构建：构建正负样本（如点击为正，未点击为负），并生成训练集、验证集和测试集。数据格式转换：将处理后的数据转换为TI-ONE支持的格式（如TFRecord,CSV,Parquet）并上传至COS。(2)作用与优势：Wide部分：是一个线性模型，主要负责记忆历史数据中频繁出现的特征组合，能够处理稀疏特征，擅长捕捉直接的特征相关性。Deep部分：是一个多层神经网络，通过Embedding层将稀疏特征稠密化，能够挖掘特征之间深层次的、隐含的交互关系，具有泛化能力。优势：结合了Wide的记忆能力和Deep的泛化能力。Wide部分保证了推荐系统对明显特征的响应，Deep部分提升了模型对长尾特征和新场景的泛化能力，从而平衡了记忆与泛化。(3)部署与更新流程：部署：在TI-Matrix中创建模型服务，配置运行环境（如Python、依赖库），指定模型加载路径（COSURI），配置服务实例数和资源规格，启动服务获得API调用地址。定时更新：利用腾讯云的云函数（SCF）或TI-ONE的任务调度功能，设置每日定时触发器。触发器启动一个新的TI-ONE训练任务，使用最新数据训练模型。训练脚本结束后，自动将新模型上传至COS指定路径，并调用TI-Matrix的API或SDK触发模型服务的“热更新”或“滚动更新”操作，实现无缝升级。92.某医疗影像创业公司希望利用腾讯云TI平台开发一个肺炎CT影像辅助诊断系统。他们拥有标注好的肺部CT影像数据集（约5000张），目标是训练一个二分类模型（正常/肺炎）。问题：(1)考虑到医疗数据量相对较小且对精度要求极高，在TI-ONE中应采用什么策略来提升模型性能？(2)在模型选择上，ResNet-50和EfficientNet-B0各有特点，请从参数量和计算效率的角度进行简要对比。(3)为了符合医疗行业合规性，数据安全和隐私保护至关重要，在TI平台上应如何实施？【答案】(1)提升性能策略：迁移学习：加载在ImageNet等大规模数据集上预训练好的权重（如ResNet预训练模型），在肺炎数据集上进行微调。数据增强：使用旋转、翻转、对比度调整、弹性形变等丰富的图像增强手段扩充数据集，防止过拟合。超参调优：使用TI-ONE的超参搜索功能，寻找最优的学习率、BatchSize和权重衰减系数。集成学习：训练多个模型并采用模型融合来提高最终预测的鲁棒性和准确率。交叉验证：使用K折交叉验证来充分利用有限数据进行模型评估。(2)模型对比：ResNet-50：结构相对规整，参数量约为25M，计算量中等，训练和推理速度较快，是经典的基线模型。EfficientNet-B0：通过复合缩放方法（同时缩放深度、宽度、分辨率）优化得到，在参数量（约5.3M）远小于ResNet-50的情况下，通常能达到相当甚至更高的精度。EfficientNet-B0计算效率更高，更适合资源受限环境，但结构较复杂，部分算子对硬件优化要求较高。(3)安全与合规实施：私有化部署/数据加密：建议使用腾讯云的加密存储服务对CT影像进行加密存储，传输层使用SSL/TLS。访问控制：配置严格的CAM（访问管理）策略，限制只有授权的研发人员和管理员才能访问数据集和训练任务。数据脱敏：在必要环节对非关键区域的病人信息进行脱敏处理。审计日志：开启TI-ONE和COS的操作审计日志，记录所有数据访问和模型训练行为，确保可追溯。物理隔离：如果法规要求极高，可考虑使用腾讯云专有云或本地物理服务器部署TI平台，实现数据不出本地。93.某短视频公司利用腾讯云TI平台进行视频内容理解。他们需要从用户上传的视频中提取关键帧，并识别视频中的物体、场景和文字。问题：(1)设计一个基于TI-ONE的离线处理流水线，包含哪些主要组件？(2)在物体检测任务中，如果需要检测的物体类别非常多（如1000类），且小物体占比高，应该选择哪种检测算法（如YOLOv5,FasterR-CNN）？为什么？(3)如何利用TI-EMS将视频理解服务封装为API，供下游业务系统调用？【答案】(1)离线处理流水线组件：视频解码组件：使用FFmpeg等工具从COS读取视频流，按时间间隔或关键帧策略提取图像帧。预处理组件：对提取的图像进行Resize、归一化等操作。推理引擎组件：加载训练好的物体检测、场景分类、OCR模型，对图像进行并行或串行推理。后处理组件：对推理结果进行NMS（非极大值抑制）、结果聚合、格式化（JSON）。存储组件：将结构化的识别结果写入数据库（如MySQL）或消息队列（如CKafka）供下游消费。(2)算法选择：选择：FasterR-CNN（或带有FPN的Two-Stage算法）。原因：多类别（1000类）：Two-Stage算法（如FasterR-CNN）通常在多类别精度上优于One-