AIGC 绘画模型微调技师考试试卷及答案

AIGC绘画模型微调技师考试试卷及答案AIGC绘画模型微调技师考试试卷及答案填空题（共10题，每题1分）1.AIGC绘画模型微调中常用的轻量化微调方法LoRA的全称是______。2.CLIP模型在绘画生成中主要用于实现______与图像的语义对齐。3.扩散模型生成图像的核心过程是逐步______噪声。4.微调AIGC绘画模型时，学习率通常设置在______数量级（填10的幂次，如1e-5）。5.模型训练过程中，定期保存的模型状态文件称为______。6.数据增强中，常用的几何变换方法包括______（写出一种即可）。7.Embedding微调主要针对模型中的______输入进行优化。8.VAE（变分自动编码器）在绘画模型中负责图像的______与解码。9.开源AIGC绘画模型微调常用的框架有______（写出一种即可）。10.微调时，为避免过拟合，常用的正则化方法是______（写出一种即可）。答案：1.Low-RankAdaptation2.文本3.去除4.1e-4（或1e-5）5.Checkpoint6.翻转（或裁剪、旋转）7.文本8.编码9.PyTorch（或TensorFlow、Diffusers）10.Dropout（或权重衰减）单项选择题（共10题，每题2分）1.LoRA微调的主要优势是（）A.大幅增加模型参数数量B.轻量化且不改变原模型权重C.仅适用于全参数微调D.无法与其他微调方法结合2.数据清洗的核心目标是（）A.增加数据总量B.提高数据质量C.降低数据多样性D.减少标注成本3.微调扩散模型时，batchsize的选择通常与（）相关A.模型大小B.显存容量C.数据类型D.学习率4.扩散模型的采样步数越多，生成图像的（）A.速度越快B.分辨率越高C.细节越丰富D.噪声越大5.评估生成图像质量的客观指标不包括（）A.FIDB.ISC.CLIP分数D.用户满意度6.模型量化的主要目的是（）A.提高模型精度B.减少模型存储空间和推理时间C.增加模型参数D.优化训练过程7.与LoRA相比，Embedding微调更适合（）A.复杂风格迁移B.特定概念的强化C.全模型能力提升D.大尺度数据集训练8.微调时常用的优化器不包括（）A.AdamWB.SGDC.RMSpropD.CLIP9.推理时调整温度参数的作用是（）A.控制生成图像的亮度B.调节生成结果的多样性C.提高生成速度D.降低模型内存使用10.以下属于开源AIGC绘画模型的是（）A.MidJourneyB.DALL-E3C.StableDiffusionD.Photoshop答案：1.B2.B3.B4.C5.D6.B7.B8.D9.B10.C多项选择题（共10题，每题2分）1.数据增强的常用方法包括（）A.翻转B.裁剪C.颜色调整D.数据重采样2.微调AIGC绘画模型时需要调整的关键参数有（）A.学习率B.batchsizeC.epoch数D.模型架构3.扩散模型的核心组成部分包括（）A.文本编码器B.U-NetC.VAED.CLIP4.评估生成图像质量的指标包括（）A.FIDB.ISC.主观评分D.生成速度5.LoRA微调的适用场景包括（）A.特定风格迁移B.小数据集训练C.全模型升级D.轻量化部署6.模型部署时需要考虑的因素有（）A.推理速度B.显存占用C.模型大小D.数据隐私7.数据标注的要求包括（）A.准确性B.一致性C.完整性D.随机性8.微调失败的常见原因有（）A.数据质量差B.学习率过高C.训练轮次不足D.模型选择错误9.常用的优化器类型有（）A.自适应学习率优化器B.随机梯度下降C.动量优化器D.文本编码器10.开源的AIGC绘画模型微调工具包括（）A.Diffusers库B.LoRATrainingScriptsC.StableDiffusionWebUID.MidJourney答案：1.ABC2.ABC3.ABC4.ABC5.ABD6.ABCD7.ABC8.ABCD9.ABC10.ABC判断题（共10题，每题2分）1.LoRA微调会直接修改原模型的权重参数。（）2.数据量越大，微调效果一定越好。（）3.CLIP模型可以实现文本和图像的语义对齐。（）4.扩散模型生成图像是一步完成的。（）5.微调时学习率越高，模型收敛越快且效果越好。（）6.Embedding微调适合强化特定概念或风格。（）7.VAE在绘画模型中负责图像的编码和解码。（）8.模型训练时保存的checkpoint越多越好。（）9.评估生成图像质量仅需主观评分即可。（）10.LoRA微调可以与Embedding微调同时使用。（）答案：1.错2.错3.对4.错5.错6.对7.对8.错9.错10.对简答题（共4题，每题5分）1.简述AIGC绘画模型微调中数据准备的关键步骤。答案：数据准备需经过收集、清洗、标注、格式转换和增强五个步骤。首先收集目标风格/主题的合法高质量图像；其次清洗模糊、重复或无关图像；然后添加文本描述或风格标签；接着转换为模型可读取的格式（如PNG、JSON）；最后通过翻转、裁剪等增强数据，提升泛化能力。这些步骤是确保微调效果的基础。2.说明LoRA微调的原理及优势。答案：LoRA原理是在模型关键层插入低秩矩阵，训练这些矩阵调整输出而非修改原权重。优势包括：轻量化（仅训练少量参数）、训练速度快、可移植性强（LoRA权重可快速加载）、兼容其他微调方法。适合小数据集和轻量化部署场景。3.简述扩散模型微调的基本流程。答案：流程包括数据预处理（清洗、标注、增强）、加载预训练模型、设置微调参数（学习率、batchsize）、训练优化、定期评估、保存checkpoint。需平衡效率与效果，避免过拟合，确保模型在目标任务上表现良好。4.如何评估AIGC绘画模型微调后的效果？答案：结合客观与主观指标。客观指标有FID（分布差异）、IS（多样性与质量）、CLIP分数（文本图像对齐）；主观指标包括用户评分（美观度、相关性）和专家评估（风格一致性）。还需测试稳定性和泛化能力，综合判断效果。讨论题（共2题，每题5分）1.讨论AIGC绘画模型微调中平衡模型泛化性和针对性的策略。答案：平衡策略包括：数据上混合目标与通用数据，避免过度拟合；参数上调整LoRA秩（秩小针对性强，秩大泛化好）；训练上阶段性微调（先通用后目标）；定期评估泛化能力（测试未见过的风格）。这些策略可让模型既满足特定需求，又保持一定泛化性。2.分析LoRA微调与全参数微