2026年人工智能训练师（二级）基础理论模拟试题

2026年人工智能训练师（二级）基础理论模拟试题一、单项选择题（每题1分，共40分）1.在监督学习中，训练集、验证集和测试集的划分比例通常较为合理的是（）。A.6:2:2B.7:1:2C.8:1:1D.5:3:2答案A解析6:2:2是常见的初始划分比例，验证集用于调参和模型选择，测试集仅用于最终评估，三部分均需足够的样本量。实际比例可根据数据规模调整，但需保证各集合分布一致。2.下列哪种数据增强方法最适合图像分类任务？（）A.随机遮挡B.同义词替换C.随机旋转、翻转D.时间扭曲答案C解析随机旋转、翻转是图像领域最常用的数据增强手段，能有效提升模型泛化能力。同义词替换属文本增强，时间扭曲常用于语音或时序数据。3.在机器学习中，过拟合的典型表现是（）。A.训练误差和测试误差都很高B.训练误差低但测试误差高C.训练误差和测试误差都很低D.训练误差高但测试误差低答案B解析过拟合指模型过度学习了训练数据中的噪声和细节，导致训练集上表现优异、在未见过的测试集上表现差，即泛化能力不足。4.在梯度下降算法中，学习率设置过大的后果通常是（）。A.收敛速度变慢B.损失函数振荡甚至发散C.一定能加速收敛D.陷入局部最优答案B解析学习率过大会导致参数更新步长过大，损失函数在最优解附近来回振荡，严重时梯度爆炸、无法收敛。学习率过小才会导致收敛缓慢。5.关于BatchNormalization，下列说法正确的是（）。A.只能应用于卷积层之后B.在训练和推理时使用完全相同的计算方式C.在训练时使用当前batch的均值和方差进行归一化D.主要作用是增加模型参数量答案C解析BatchNormalization在训练时按当前mini-batch计算均值和方差进行归一化，推理时则使用训练期间累积的全局统计量。它可加速训练、缓解梯度消失，但推理与训练的计算方式不同。6.在文本分类任务中，将文本转换为向量表示时，TF-IDF相比词袋模型的主要优势是（）。A.能保留词序信息B.降低高频无意义词的权重，突出区分性强的词C.不需要分词D.能表示词与词之间的语义关系答案B解析TF-IDF通过IDF项降低了"的""了"等高频词的权重，突出在少数类别中出现、区分度高的词。但二者都基于词袋假设，不保留词序，也无法捕捉语义关系。7.下列哪个指标最适合用于评估类别极不平衡的分类模型？（）A.准确率B.F1-scoreC.均方误差D.R²答案B解析类别不平衡时，准确率会被多数类主导而失去参考价值。F1-score是精确率和召回率的调和平均，能更均衡地反映少数类的分类性能。8.关于数据标注质量控制，下列说法错误的是（）。A.应制定明确的标注规范B.多人标注同一批数据后计算一致性指标是常用方法C.标注完成的数据无需抽检即可用于训练D.应对标注人员进行培训与考核答案C解析标注完成后必须进行质量抽检或全检，并计算标注一致性指标（如Cohen'sKappa），不合格数据需返工，不能直接进入训练流程。9.在神经网络中，ReLU激活函数的输出范围是（）。A.(B.[C.[D.[答案D解析ReLU的函数形式为f(x)10.卷积神经网络中，卷积层的主要作用是（）。A.对特征图进行下采样B.提取局部特征C.将特征图展平为一维向量D.防止过拟合答案B解析卷积层通过卷积核在输入上滑动，提取局部特征。池化层负责下采样，全连接层负责展平和分类，Dropout是常用的防过拟合手段。11.在目标检测任务中，IoU（交并比）的计算方式是（）。A.预测框与真实框面积的并集除以交集B.预测框与真实框面积的交集除以并集C.预测框面积除以真实框面积D.真实框面积除以预测框面积答案B解析IoU是预测框与真实框的交集面积与并集面积之比，取值范围为[012.关于L1和L2正则化，下列说法正确的是（）。A.L1正则化倾向于产生稀疏权重B.L2正则化倾向于将权重变为零C.L1正则化对权重的惩罚与权重大小成正比D.两种正则化效果完全相同答案A解析L1正则化（Lasso）通过施加绝对值惩罚，使部分权重精确变为0，产生稀疏解；L2正则化（Ridge）施加平方惩罚，使权重趋近于0但不等于0。13.在模型训练中，EarlyStopping的作用是（）。A.减少训练数据量B.在验证集性能不再提升时提前终止训练以防止过拟合C.增加模型的层数D.加速数据加载答案B解析EarlyStopping监控验证集指标，当性能连续多个epoch不再提升时提前终止训练，从而避免模型在训练集上过拟合。14.下列哪个库主要用于深度学习模型的构建与训练？（）A.PandasB.MatplotlibC.PyTorchD.NumPy答案C解析PyTorch和TensorFlow是主流的深度学习框架。Pandas用于数据处理，Matplotlib用于可视化，NumPy用于数值计算。15.关于K折交叉验证，下列说法正确的是（）。A.将数据集划分为K份，每次用K份训练、1份验证B.将数据集划分为K份，每次用1份训练、K-1份验证C.只能用于小数据集，大数据集完全不能用D.不需要对数据进行打乱答案B解析K折交叉验证将数据划分为K份，每次取其中1份作验证集、其余K-1份作训练集，共训练K次后取平均。大数据集也可以使用，但计算开销较大。16.对于回归任务，下列哪个指标受异常值影响最大？（）A.MAEB.MSEC.中位数误差D.平均绝对百分比误差答案B解析MSE对误差进行平方，异常值的平方误差会被放大，因此对异常值最敏感。MAE使用绝对值，受影响相对较小。17.在数据预处理中，对特征进行标准化（Standardization）的公式是（）。A.xB.xC.xD.x答案A解析标准化将数据减去均值后除以标准差，使数据服从均值为0、标准差为1的分布。B是Min-Max归一化，C是最大绝对值缩放，D是对数变换。18.在语义分割任务中，常用的评估指标是（）。A.BLEUB.mIoUC.PerplexityD.AUC答案B解析mIoU（平均交并比）是语义分割最常用的评估指标，计算各类别预测区域与真实区域的IoU后取平均。BLEU用于机器翻译，Perplexity用于语言模型，AUC用于二分类。19.关于Transformer中的Self-Attention机制，下列说法正确的是（）。A.只能捕捉局部依赖关系B.可以并行计算，直接建模序列中任意两个位置的关系C.不需要位置编码D.只能用于自然语言处理任务答案B解析Self-Attention通过注意力权重直接建模序列中任意两个位置之间的依赖关系，且可并行计算。由于不含顺序信息，需要额外添加位置编码。Transformer也已广泛应用于图像、语音等领域。20.在自然语言处理中，Word2Vec训练得到的词向量最突出的特点是（）。A.能够表示词的上下文语义B.只包含词的拼写信息C.无法进行相似度计算D.词向量维度必须等于词表大小答案A解析Word2Vec通过上下文预测目标词，训练得到的词向量蕴含了词的语义信息，语义相近的词向量距离也较近，可进行相似度计算。向量维度是超参数，与词表大小无关。21.在图像分类任务中，迁移学习通常的做法是（）。A.从头随机初始化训练全部参数B.使用在ImageNet上预训练的模型作为特征提取器或进行微调C.只使用单张图片训练D.不使用任何预训练模型答案B解析迁移学习利用在大规模数据集上预训练好的模型（如ResNet、VGG），将学到的通用特征迁移到目标任务上，可显著减少训练数据需求并加快收敛，常用做法包括冻结部分层进行微调。22.关于梯度消失问题，下列哪种结构最有助于缓解？（）A.单纯增加网络层数B.残差连接C.使用Sigmoid激活函数D.去除BatchNormalization答案B解析残差连接通过跳跃连接将浅层输出直接传递到深层，为梯度传播提供了"捷径"，是ResNet等深层网络解决梯度消失的关键设计。23.在处理缺失值时，下列哪种方法通常最不可取？（）A.删除缺失率过高的特征B.使用均值或中位数填充C.直接忽略缺失值不进行任何处理D.使用模型预测缺失值答案C解析直接忽略缺失值可能导致模型无法处理该特征或在计算时报错，属于严重的数据处理失误。其他选项都是常用的缺失值处理策略。24.在训练神经网络时，学习率衰减（LearningRateDecay）的主要目的是（）。A.前期快速收敛，后期精细逼近最优解B.增大模型的表达能力C.减少参数量D.增加训练数据量答案A解析训练初期使用较大学习率可加速收敛，随着训练进行逐步减小学习率，有助于在损失曲面中更精细地逼近最优解，避免在最优解附近反复振荡。25.关于混淆矩阵，下列说法错误的是（）。A.可以计算精确率和召回率B.适用于多分类任务C.行和列都表示预测类别D.对角线上的值表示预测正确的样本数答案C解析混淆矩阵的行通常表示真实类别，列表示预测类别（也有相反约定），对角线上的值代表预测正确的样本数。A、B、D描述均正确。26.在语音识别任务中，输入特征通常采用（）。A.TF-IDF特征B.MFCC特征C.SIFT特征D.HOG特征答案B解析MFCC（Mel频率倒谱系数）是语音识别中最经典的特征，模拟人耳对频率的非线性感知。TF-IDF是文本特征，SIFT和HOG是图像特征。27.在强化学习中，Agent通过什么机制更新策略？（）A.反向传播直接更新数据集B.与环境交互获得奖励信号，据此调整策略C.随机搜索所有可能策略D.仅依赖静态训练集答案B解析强化学习的核心是Agent与环境交互，通过试错获得奖励信号，逐步优化策略以最大化累积回报。它不依赖静态标注数据，而是从交互反馈中学习。28.关于模型的偏差与方差，下列说法正确的是（）。A.高偏差意味着模型过于复杂B.高方差意味着模型过于简单C.模型复杂度的增加通常会降低偏差但提高方差D.偏差与方差之和恒定不变答案C解析模型复杂度增加时，拟合能力增强，偏差下降但方差上升，二者之间存在权衡关系，但偏差和方差之和并不是恒定的。29.下列哪种情况适合使用生成对抗网络（GAN）？（）A.对图像进行分类B.生成逼真的合成图像C.预测连续型数值D.对文本进行情感分析答案B解析GAN由生成器和判别器组成，通过对抗训练学习数据分布，能够生成逼真的图像、音频等数据。分类、回归、情感分析属于判别式任务。30.在数据标注中，标注框（BoundingBox）通常用于标注（）。A.文本情感B.音频的音高C.图像中目标物体的位置D.数据的缺失值答案C解析标注框用矩形框标出图像中目标物体的位置，是目标检测任务中最基础的标注形式。31.关于过拟合的预防措施，下列哪项是不合理的？（）A.增加训练数据B.使用DropoutC.不断增加模型参数量D.数据增强答案C解析增加模型参数量会增强模型容量，加剧过拟合风险。增加数据、Dropout、数据增强和正则化等都是有效的防过拟合手段。32.在文本分类任务中，使用Word2Vec预训练词向量相比随机初始化的优势是（）。A.词向量维度更小B.利用了大规模语料中的语义信息，加快收敛C.不需要对文本进行分词D.可以完全避免过拟合答案B解析预训练词向量已经在大规模语料上学习到了丰富的语义信息，作为初始值可让模型更快收敛并提升效果，但不能完全避免过拟合。33.下列哪种激活函数在二分类输出层中最常用？（）A.ReLUB.TanhC.SigmoidD.LeakyReLU答案C解析Sigmoid将输出映射到(034.在训练神经网络时，发现训练集损失下降缓慢且准确率低，最可能的原因是（）。A.学习率过大导致振荡B.模型容量不足或学习率过小C.数据增强过强导致标签失真D.测试集分布不一致答案B解析训练集本身表现不佳，说明模型拟合能力不足（容量不够）或学习率过小导致收敛过慢，此时应增大模型容量或调整学习率。35.关于PyTorch中的tensor，下列说法正确的是（）。A.只能存储在CPU上B.不支持自动求导C.可以在GPU上进行加速计算D.与NumPy数组完全无关答案C解析PyTorch的tensor支持GPU加速、自动求导（autograd），并可方便地与NumPy数组互相转换，是深度学习开发中常用的数据结构。36.在机器学习项目中，下列哪个步骤通常在数据清洗之后进行？（）A.数据收集B.特征工程与建模C.需求分析D.业务调研答案B解析标准流程为：需求分析→数据收集→数据清洗→特征工程→模型训练与调优→评估部署。特征工程与建模在数据清洗之后。37.关于模型评估中的ROC曲线，下列说法正确的是（）。A.横轴是精确率，纵轴是召回率B.横轴是假正率，纵轴是真正率C.曲线下面积越大，模型性能越差D.只能用于多分类问题答案B解析ROC曲线的横轴是假正率（FPR），纵轴是真正率（TPR），AUC面积越大表示模型区分正负类的能力越强。ROC主要用于二分类。38.在图像标注中，对于一幅图像中同时存在多类物体的场景，应采取的标注方式是（）。A.只标注最显眼的物体B.为每个物体分别标注类别和位置C.将所有物体合并为一个标注D.跳过该图像不予标注答案B解析多物体场景下，每个目标物体都应有独立的标注框及类别标签，且需注意是否包含遮挡、截断等附加属性，保证标注的完整性和一致性。39.下列哪个工具主要用于机器学习实验的可视化管理？（）A.TensorBoardB.GitC.DockerD.Jenkins答案A解析TensorBoard是常用的实验可视化工具，可展示损失曲线、模型结构、梯度分布等。Git是版本控制工具，Docker是容器化工具，Jenkins是持续集成工具。40.在数据隐私保护方面，对训练数据中的个人信息进行处理时，下列哪种做法符合规范？（）A.直接使用原始个人信息进行训练B.对身份证号、手机号等敏感信息进行脱敏处理C.将敏感数据公开分享D.不限制内部人员访问答案B解析训练数据涉及个人信息时必须进行脱敏、匿名化处理，并严格管控访问权限，遵守《个人信息保护法》等相关法规，防止隐私泄露。二、多项选择题（每题2分，共20分）1.下列哪些措施可以有效防止模型过拟合？（）A.增加训练数据量B.使用DropoutC.使用L1/L2正则化D.减小模型复杂度答案ABCD解析增加数据可提供更多样本信息，Dropout随机丢弃神经元减弱共适应，正则化约束权重大小，减小模型复杂度降低容量，以上均可有效缓解过拟合。2.关于超参数调优，常用的方法包括（）。A.网格搜索B.随机搜索C.贝叶斯优化D.手动调参答案ABCD解析网格搜索遍历参数组合，随机搜索随机采样参数空间，贝叶斯优化基于历史评估结果选择更有希望的参数，手动调参依赖经验。四种方法在实际中均有使用。3.下列属于目标检测中常用的模型有（）。A.FasterR-CNNB.YOLOC.SSDD.BERT答案ABC解析FasterR-CNN、YOLO、SSD都是经典的目标检测模型。BERT是预训练语言模型，用于自然语言处理。4.在数据预处理阶段，处理类别型特征的方法包括（）。A.One-Hot编码B.标签编码C.均值填充D.目标编码答案ABD解析One-Hot编码、标签编码、目标编码（用目标变量均值编码）均适用于类别型特征。均值填充是处理缺失值的方法，不属于类别编码。5.关于Transformer模型，下列说法正确的有（）。A.由编码器和解码器组成B.核心是自注意力机制C.支持并行计算D.只能处理文本数据答案ABC解析Transformer由编码器和解码器组成，核心是自注意力机制，且支持并行计算。它不限于文本，还可应用于图像（ViT）、语音等任务。6.下列哪些指标可用于评估聚类模型的效果？（）A.轮廓系数B.兰德指数C.调整兰德指数D.均方误差答案ABC解析轮廓系数衡量样本与所属簇的紧密程度，兰德指数和调整兰德指数评估聚类结果与真实标签的一致性。均方误差用于回归任务。7.关于数据增强技术，下列说法正确的有（）。A.可以增加训练样本的多样性B.可以有效缓解过拟合C.只适用于图像数据D.某些增强方法可能改变图像的真实标签答案ABD解析数据增强通过变换生成新样本，增加多样性并缓解过拟合，适用于图像、文本、语音等多种数据类型。过强的增强（如大幅旋转）可能改变语义，需谨慎设计。8.在深度学习模型部署时，常用的模型压缩与加速方法包括（）。A.模型剪枝B.权重量化C.知识蒸馏D.增加网络深度答案ABC解析模型剪枝去除冗余连接，权重量化将浮点权重转为低比特表示，知识蒸馏让小模型学习大模型的输出，均为常用的压缩加速手段。增加网络深度反而增加计算量。9.关于强化学习，下列说法正确的有（）。A.学习信号来自环境反馈的奖励B.不需要标注数据即可学习C.策略是Agent的行为准则D.与监督学习完全相同答案ABC解析强化学习通过环境奖励信号进行试错学习，无需标注数据，策略定义了每个状态下采取的动作。它与监督学习有本质区别：监督学习依赖标注数据，强化学习依赖交互反馈。10.下列关于训练集、验证集、测试集的说法，正确的有（）。A.验证集用于模型选择和超参数调优B.测试集只在最终评估时使用一次C.三者的数据分布应尽可能一致D.测试集可以反复用于调参答案ABC解析验证集用于调参和模型选择，测试集只用于最终评估，避免信息泄露。三者应保持相同的分布。D中反复使用测试集会引入过拟合测试集的风险。三、判断题（每题1分，共20分）1.在机器学习中，训练数据越多，模型效果一定越好。答案错误解析数据量增加通常有助于提升效果，但还需考虑数据质量、标注准确性、模型容量和计算资源等因素。低质量或噪声过多的数据反而可能损害模型性能。2.Dropout是一种正则化技术，可以在训练时随机丢弃部分神经元。答案正确3.在卷积神经网络中，池化层通常可以增大特征图的尺寸。答案错误解析池化层通常对特征图进行下采样，减小空间尺寸，同时保留主要特征，增强平移不变性。4.学习率是深度学习中最关键的超参数之一。答案正确5.对于多分类问题，Softmax函数可以将输出转换为各类别的概率分布。答案正确6.在特征选择中，特征与目标变量相关性越高，该特征一定越有用。答案错误解析还需考虑特征之间的冗余性和多重共线性。两个与目标高相关的特征若彼此高度冗余，保留一个即可，同时纳入可能引入噪声。7.迁移学习只适用于图像领域，不适用于自然语言处理。答案错误解析迁移学习广泛应用于NLP，如BERT、GPT等预训练模型通过微调适配下游任务，效果显著。8.混淆矩阵只能用于二分类问题，无法扩展到多分类。答案错误解析混淆矩阵同样适用于多分类，只是矩阵规模为n×n，其中9.在使用交叉验证时，训练集和验证集的划分需要保证分布一致性。答案正确10.数据标注质量直接影响模型的上限性能。答案正确11.在神经网络中，Sigmoid激活函数存在梯度消失的问题。答案正确解析Sigmoid在输入较大或较小时梯度趋近于0，反向传播时梯度连乘会导致梯度消失，因此深层网络更常使用ReLU等激活函数。12.模型在训练集上的准确率达到100%，说明模型已经完美泛化。答案错误解析训练集准确率高可能是过拟合的表现，需要结合验证集或测试集评估泛化能力。13.在图像分类中，使用预训练模型进行微调时，通常需要冻结部分或全部层。答案正确解析冻结浅层参数可保留通用特征，减少计算量并防止小数据集过拟合，是迁移学习的常用策略。14.标注边界框时，若目标物体被遮挡，仍应按完整物体的可见部分进行标注。答案正确解析标注规范通常要求按照物体的可见部分标注，并标注遮挡、截断属性，具体规则需遵循标注任务书。15.强化学习中的"奖励"等同于监督学习中的"标签"。答案错误解析监督学习的标签是给定输入对应的正确输出，而强化学习的奖励是环境对Agent动作的延迟反馈，二者在性质和作用机制上完全不同。16.模型量化是将高精度浮点参数转换为低比特表示，从而减小模型体积、加快推理速度。答案正确17.在数据预处理中，标准化（Standardization）后的特征一定服从正态分布。答案错误解析标准化只改变特征的均值和标准差，使其变为均值为0、标准差为1，但并不改变原始分布形态，因此不一定会服从正态分布。18.自然语言处理中的Token化（Tokenization）是将文本切分为模型可处理的基本单元。答案正确19.深度学习中，BatchSize越大，模型训练效果一定越好。答案错误解析BatchSize过大会导致内存占用增大，且可能收敛到尖锐极小值，泛化性下降。需结合实际任务和数据特点选择合适值。20.对训练数据进行脱敏处理后，仍需遵循相关法律法规对数据使用的规定。答案正确四、简答题（每题5分，共20分）1.简述机器学习项目的一般流程。答案(1)业务需求分析与问题定义：明确任务类型（分类、回归、聚类等）和评价指标；(2)数据采集：收集相关数据，来源包括业务系统、公开数据集、爬虫等；(3)数据清洗与预处理：处理缺失值、异常值、重复值，进行数据转换和标准化；(4)特征工程：特征提取、特征选择、特征构造；(5)模型选择与训练：选择合适算法，划分训练集/验证集/测试集，进行模型训练；(6)模型