2026年人工智能训练师(三级)技能等级认定真题题库

2026年人工智能训练师(三级)技能等级认定真题题库一、单项选择题（本大题共10小题，每小题2分，共20分）1.在人工智能训练师三级技能中，关于数据预处理的基本原则，以下哪项描述最为准确？A.数据清洗应尽可能保留原始数据的所有特征，避免信息损失B.对于缺失值处理，最佳策略是直接删除含有缺失值的样本C.数据标准化与归一化在作用机制上没有本质区别，可互换使用D.特征工程应在模型训练完成后进行，以避免过拟合风险参考答案：D解析：选项A错误，数据清洗需平衡信息保留与噪声去除；选项B错误，缺失值处理需根据情况选择填充或删除；选项C错误，标准化通过Z-score转换，归一化通过min-max缩放，机制不同；选项D正确，特征工程应在训练前完成，为模型提供高质量输入特征。此题考查三级技能中数据预处理的核心原则，区分特征工程时机与其他选项的易错点。2.在构建神经网络时，关于激活函数的选择，以下哪种情况最适合使用ReLU函数？A.需要模型输出严格限制在[0,1]区间时B.模型训练初期出现严重梯度消失问题时C.处理多分类问题时作为输出层函数D.需要非线性特征映射但计算成本受限时参考答案：D解析：ReLU函数（f(x)=max(0,x)）具有计算简单（仅需判断和分支）、避免梯度消失等优点，特别适合深层网络。选项A应使用Sigmoid或Softmax；选项B严重梯度消失时需用LeakyReLU或ELU；选项C多分类输出层需用Softmax；选项D准确描述了ReLU的核心优势。此题考查三级技能中激活函数的适用场景。3.在自然语言处理任务中，关于词嵌入技术的应用，以下哪项表述最为全面？A.Word2Vec仅能生成静态词向量，无法捕捉语义动态变化B.GloVe模型通过矩阵分解实现词向量学习，但需要大量人工标注C.FastText通过子词信息增强词向量，特别适合处理低频词D.BERT预训练模型采用Transformer架构，但词向量维度固定不变参考答案：C解析：选项A错误，Word2Vec可扩展为动态版本；选项B错误，GloVe无需人工标注；选项C正确，FastText通过子词分解解决低频词问题；选项D错误，BERT词向量维度可调。此题考查三级技能中主流词嵌入方法的特性差异，区分子词模型与静态模型的本质区别。4.在模型评估方法中，关于交叉验证技术的应用场景，以下哪种情况最不适合使用K折交叉验证？A.小样本数据集（如<100个样本）的训练评估B.需要全面评估模型泛化能力的场景C.训练集与测试集分布存在显著差异时D.需要比较不同参数设置的效果时参考答案：C解析：K折交叉验证假设训练集与测试集分布一致，当分布差异显著时会导致评估偏差。选项A小样本适合交叉验证避免过拟合；选项B正确描述其应用目的；选项C错误，此时应使用独立测试集；选项D正确，交叉验证可并行比较参数。此题考查三级技能中交叉验证的适用条件，区分其前提假设与其他选项的适用场景。5.在强化学习任务中，关于Q-Learning算法的局限性，以下哪项描述最为准确？A.算法无法处理连续状态空间问题B.需要大量探索才能收敛到最优策略C.无法解决非平稳环境下的决策问题D.状态-动作对数量爆炸会导致内存消耗过大参考答案：D解析：Q-Learning的局限性在于状态-动作对（Q-table）规模随问题复杂度指数增长。选项A错误，可通过离散化处理连续空间；选项B是算法特性而非局限；选项C错误，可使用折扣因子适应非平稳环境；选项D准确描述了其内存瓶颈问题。此题考查三级技能中Q-Learning的工程挑战，区分内存问题与其他算法特性。6.在计算机视觉任务中，关于目标检测算法的选择，以下哪种情况最适合使用YOLOv5模型？A.需要极高精度但计算资源受限的实时检测B.处理小目标检测问题（如<10像素）时C.需要检测场景中密集出现的小型物体时D.对检测框边界精度要求极高的应用场景参考答案：C解析：YOLOv5采用单阶段检测，速度快，对小物体检测性能优于双阶段模型，特别适合密集目标场景。选项A应选SSD；选项B检测<10像素小目标时需用FasterR-CNN；选项C准确描述其优势；选项D边界框精度不如FasterR-CNN。此题考查三级技能中主流检测算法的适用场景，区分不同算法的工程权衡。7.在机器学习模型优化中，关于正则化技术的应用，以下哪项表述最为准确？A.L1正则化通过惩罚项使模型参数绝对值之和最小B.Dropout正则化通过随机丢弃神经元来增强模型鲁棒性C.EarlyStopping本质上是一种正则化技术，可避免过拟合D.Ridge回归通过惩罚项使模型参数平方和最小参考答案：B解析：选项A错误，L1使参数绝对值和最小；选项B正确描述了Dropout机制；选项C错误，EarlyStopping是训练策略而非正则化；选项D错误，Ridge是L2正则化。此题考查三级技能中正则化方法的分类，区分不同技术的数学本质。8.在深度学习框架应用中，关于PyTorch与TensorFlow的对比，以下哪项描述最为准确？A.PyTorch更适合生产环境部署，TensorFlow更适用于科研探索B.TensorFlow采用动态计算图，PyTorch使用静态计算图C.PyTorch的自动微分机制比TensorFlow更高效D.TensorFlow的KerasAPI提供更丰富的预训练模型支持参考答案：D解析：选项A错误，两者部署能力相当；选项B错误，PyTorch动态图，TensorFlow静态图；选项C性能相近，取决于具体场景；选项D正确，TensorFlowKeras生态在预训练模型集成方面更完善。此题考查三级技能中主流框架的生态差异，区分API特性与其他选项的易错点。9.在数据标注质量控制中，关于主动学习策略的应用，以下哪种情况最不适合使用？A.标注成本极高但数据量充足时B.模型对未标注数据置信度较低时C.需要快速提升模型在特定领域性能时D.数据分布不均衡，少数类样本稀缺时参考答案：A解析：主动学习通过选择模型最不确定的样本进行标注，适用于标注成本高但数据量充足（可优先标注高质量样本）的场景。选项B、C、D均适合主动学习应用场景，而选项A标注成本高时主动学习的边际效益会降低。此题考查三级技能中主动学习的适用条件，区分成本效益与其他选项的适用场景。10.在模型部署策略中，关于边缘计算部署的考虑因素，以下哪项最为关键？A.模型推理延迟要求（如<1ms）B.部署设备计算资源限制（如GPU不可用）C.网络带宽限制（如5G环境）D.模型隐私保护需求（如联邦学习）参考答案：B解析：边缘计算部署的核心约束是设备资源限制，需在资源约束下优化模型性能。选项A延迟要求可调整模型复杂度；选项C带宽影响数据传输，非核心约束；选项D隐私保护可使用联邦学习，但非边缘计算首要考虑；选项B准确描述了资源限制的核心问题。此题考查三级技能中边缘计算部署的关键挑战，区分资源约束与其他选项的次要影响。二、填空题（本大题共10小题，每小题2分，共20分）1.在数据预处理阶段，对于缺失值处理，插值法通常适用于______且数据具有明显趋势性的场景。参考答案：时间序列数据解析：插值法（如线性插值、样条插值）特别适用于时间序列数据，能保持数据趋势性。均值/中位数填充适用于一般数值型数据，众数填充适用于分类数据。此题考查三级技能中缺失值处理方法的适用场景。2.在神经网络训练中，学习率衰减策略的目的是为了在训练后期______，避免陷入局部最优。参考答案：降低学习率解析：学习率衰减通过逐步减小学习率，使模型在训练后期更精细地逼近最优解。常见策略包括阶梯式、指数式、余弦退火等。固定学习率可能导致后期震荡或无法收敛。此题考查三级技能中学习率调优的核心策略。3.在自然语言处理任务中，BERT模型通过______机制实现了预训练与下游任务迁移。参考答案：参数共享与微调解析：BERT采用Transformer架构，通过冻结预训练参数，在下游任务中仅微调顶层参数，实现知识迁移。这种机制显著提升了模型泛化能力。此题考查三级技能中BERT的核心技术特点。4.在模型评估指标中，对于不平衡数据集，______指标比准确率更能反映模型的判别能力。参考答案：F1分数解析：F1分数是精确率与召回率的调和平均，对少数类样本更敏感。准确率易受多数类影响，在数据不平衡时产生误导性高精度。此题考查三级技能中评估指标的选择，区分不同指标对不平衡数据的适用性。5.在强化学习任务中，Q-Learning算法的更新规则Q(s,a)←Q(s,a)+α[______-Q(s,a)]，其中α称为学习率。参考答案：r+γmax_a'Q(s',a')解析：Q-Learning的贝尔曼方程描述了状态-动作值函数的迭代更新，其中r是即时奖励，γ是折扣因子，max_a'Q(s',a')是下一状态最大预期回报。此题考查三级技能中Q-Learning的核心更新公式。6.在计算机视觉任务中，目标检测算法YOLOv5采用______网络结构作为其骨干网络。参考答案：CSPDarknet53解析：YOLOv5基于CSPDarknet53骨干网络，通过跨阶段局部网络（CSP）增强特征融合能力。其他主流骨干网络包括ResNet、EfficientNet等。此题考查三级技能中主流检测算法的架构基础。7.在特征工程中，对于文本数据，______是一种常用的特征提取方法，能捕捉词频-逆文档频率信息。参考答案：TF-IDF解析：TF-IDF（词频-逆文档频率）通过统计词在文档中的出现频率及在语料库中的普遍程度，衡量词语重要性。其他方法包括Word2Vec、BERT嵌入等。此题考查三级技能中文本特征工程的核心方法。8.在模型部署策略中，对于需要实时响应的应用，______部署架构通常采用边缘计算方案。参考答案：低延迟高吞吐解析：实时应用（如自动驾驶、工业控制）要求毫秒级响应，边缘计算通过将计算任务下沉到靠近数据源的位置，减少网络传输延迟。此题考查三级技能中边缘计算的应用场景。9.在数据标注质量控制中，______是一种通过人工检查模型预测结果，发现标注错误的方法。参考答案：主动反馈验证解析：主动反馈验证通过分析模型对标注样本的预测错误，识别潜在标注问题。其他方法包括交叉验证、众包质检等。此题考查三级技能中标注质量控制的主动学习方法。10.在深度学习框架应用中，PyTorch的动态计算图通过______机制实现了灵活的神经网络定义。参考答案：动态计算图（DynamicComputationGraph）解析：PyTorch采用动态计算图，允许在训练时灵活修改网络结构。TensorFlow则使用静态计算图，需预先定义好计算流程。此题考查三级技能中主流框架的架构差异。三、判断题（本大题共10小题，每小题2分，共20分）1.数据标准化（Z-score）和归一化（min-max）都能将数据转换为[0,1]区间，因此两者在应用中可以完全互换。（）参考答案：×解析：标准化通过减均值除标准差，不受异常值影响；归一化通过缩放至指定范围，对异常值敏感。两者数学变换不同，应用场景有差异。此题考查三级技能中数据预处理方法的本质区别。2.在神经网络训练中，使用较大的学习率会导致模型训练更快收敛。（）参考答案：×解析：过大的学习率可能导致模型震荡甚至发散，无法收敛。合适的初始学习率需通过实验确定。此题考查三级技能中学习率调优的常见误区。3.Word2Vec模型通过预测上下文词来学习词向量，因此它本质上是一种监督学习算法。（）参考答案：×解析：Word2Vec属于自监督学习，利用数据本身结构（上下文）进行无标签学习。监督学习需要人工标注的标签。此题考查三级技能中学习方法的分类。4.在模型评估中，AUC（AreaUnderROCCurve）指标越高，说明模型的假正率越低。（）参考答案：×解析：AUC衡量模型区分正负样本的能力，与假正率无直接线性关系。高AUC表示模型整体性能好，但可能存在局部假正率高的情况。此题考查三级技能中评估指标的解读。5.Q-Learning算法需要预先定义好状态空间和动作空间，因此它不适用于连续状态空间问题。（）参考答案：×解析：Q-Learning可通过离散化处理连续空间，但会引入量化误差。深度Q网络（DQN）通过神经网络逼近Q值函数，可处理连续空间。此题考查三级技能中Q-Learning的扩展能力。6.YOLOv5模型由于采用单阶段检测，因此对小目标的检测性能优于FasterR-CNN等双阶段检测算法。（）参考答案：×解析：YOLOv5对小目标检测性能仍不如FasterR-CNN等具有锚框回归的双阶段检测算法。小目标检测是双阶段检测的核心优势之一。此题考查三级技能中主流检测算法的优劣势。7.Dropout正则化通过随机丢弃神经元，因此它本质上是一种数据增强技术。（）参考答案：×解析：Dropout通过模拟数据多样性实现正则化，与物理意义上的数据增强不同。数据增强包括旋转、裁剪等图像变换。此题考查三级技能中正则化方法的本质区别。8.PyTorch和TensorFlow都支持分布式训练，因此两者在分布式部署能力上没有本质区别。（）参考答案：×解析：PyTorch的分布式训练基于ProcessGroup（PG），TensorFlow使用CollectiveOps。两者实现机制不同，在特定场景下性能表现有差异。此题考查三级技能中主流框架的工程特性。9.在主动学习策略中，模型对未标注样本的置信度越高，说明这些样本越有可能被选中进行标注。（）参考答案：×解析：主动学习选择模型最不确定的样本（置信度低），以最大化标注效率。置信度高的样本通常已可靠分类。此题考查三级技能中主动学习的核心思想。10.边缘计算部署的主要优势在于降低网络带宽需求，因此适用于所有需要实时处理的应用场景。（）参考答案：×解析：边缘计算主要优势是降低延迟，而非带宽。对于不需要实时响应的应用，中心化部署可能更经济。此题考查三级技能中边缘计算的应用场景限制。四、简答题（本大题共8小题，每小题2分，共16分）1.简述Word2Vec模型中Skip-gram和CBOW两种架构的原理差异。答案要点：Skip-gram：以一个词为输入，预测其上下文词。适合小数据集，能捕捉长距离依赖。CBOW：以上下文词为输入，预测中心词。适合大数据集，训练速度更快。差异：输入输出角色相反，Skip-gram对罕见词效果好，CBOW训练效率高。解析：此题考查三级技能中Word2Vec的架构差异，要求区分输入输出角色和适用场景。2.解释过拟合和欠拟合的概念，并说明如何通过模型选择解决这两种问题。答案要点：过拟合：模型对训练数据拟合过度，泛化能力差。欠拟合：模型未充分学习数据特征，拟合不足。解决方法：过拟合：正则化、早停、增加数据量、简化模型。欠拟合：增加模型复杂度、特征工程、减少正则化。解析：此题考查三级技能中模型泛化问题的分类和解决策略。3.描述深度学习模型训练中，学习率衰减的作用和常见策略。答案要点：作用：避免后期震荡，帮助模型更精确收敛。常见策略：阶梯式：固定周期衰减。指数式：学习率乘以衰减因子。余弦退火：周期性变化。解析：此题考查三级技能中学习率调优的核心策略，要求区分不同衰减方式。4.说明在自然语言处理任务中，BERT模型预训练的三个主要任务及其目的。答案要点：5.文本分类：学习文本整体语义。6.问答任务：学习定位关键信息。7.下一句预测：学习句子间逻辑关系。解析：此题考查三级技能中BERT预训练的核心任务，要求区分不同任务的训练目标。8.描述目标检测算法中，锚框（AnchorBoxes）的概念及其作用。答案要点：概念：预定义的边界框尺寸和比例，用于预测目标位置。作用：减少预测变量数量，统一不同大小目标的检测。解析：此题考查三级技能中目标检测的核心概念，要求解释其工程意义。9.解释交叉验证技术中，K折交叉验证的基本流程。答案要点：10.将数据随机分成K份。11.依次用K-1份训练，1份测试，重复K次。12.汇总K次评估结果。解析：此题考查三级技能中交叉验证的基本方法，要求描述其操作流程。13.说明在模型部署策略中，云部署与边缘部署的主要区别。答案要点：云部署：集中式计算，适合大规模、高通用性任务。边缘部署：分布式计算，适合低延迟、高实时性任务。解析：此题考查三级技能中部署架构的对比，要求区分不同场景的适用性。14.描述数据标注质量控制中，众包质检的基本流程。答案要点：15.多人独立标注同一样本。16.对比标注结果，统计一致性。17.识别错误标注，进行修正。解析：此题考查三级技能中标注质量控制的方法，要求描述其操作流程。五、应用题（本大题共8小题，每小题4分，共32分）1.某自然语言处理任务需要处理包含噪声的文本数据，请设计一个数据预处理流程，并说明每一步的原理。案例背景：某电商评论数据集包含HTML标签、特殊符号、错别字等问题，需要清洗后用于情感分析。答案要点：2.HTML标签去除：使用正则表达式删除<...>标签，保留文本内容。3.特殊符号处理：替换或删除非字母数字字符。4.错别字纠正：使用词典或模型进行自动纠错。5.分词：中文场景需进行分词，如使用jieba。6.词性标注：可选，用于后续特征工程。解析：此题考查三级技能中文本数据预处理的全流程设计，要求结合案例场景。7.某计算机视觉任务需要检测场景中的车辆，已知车辆尺寸变化较大（长宽比从1:1到5:1），请选择合适的检测算法，并说明理由。案例背景：某停车场监控系统需要实时检测进出车辆，车辆尺寸差异显著。答案要点：选择：YOLOv5或FasterR-CNN。理由：YOLOv5：单阶段检测，速度快，对小目标检测性能较好。FasterR-CNN：双阶段检测，具有锚框回归，对长宽比变化敏感。推荐FasterR-CNN，其锚框机制更适合处理尺寸变化大的目标。解析：此题考查三级技能中目标检测算法的选择，要求结合案例场景分析。8.某强化学习任务需要训练机器人完成桌面上的积木堆叠，已知环境存在随机扰动，请设计一个Q-Learning的改进方案。案例背景：机器人需要将积木按高度堆叠，但桌面可能存在微小震动。答案要点：改进方案：9.增加状态表示：包含积木位置、高度、桌面震动信息。10.使用SARSA算法替代Q-Learning，适应时序差分。11.增加探索率衰减，平衡探索与利用。12.使用折扣因子γ<1，适应长期目标。解析：此题考查三级技能中强化学习的改进方案设计，要求结合案例场景。13.某机器学习任务需要预测房价，已知数据集包含缺失值和异常值，请设计一个特征工程方案。案例背景：某城市房价数据集包含缺失的房屋面积和异常的高价记录。答案要点：特征工程方案：14.缺失值处理：-面积：使用中位数填充，因价格影响大。-其他缺失：根据特征类型选择均值/众数/插值。15.异常值处理：-房价：使用分位数裁剪（如限制在90-110分位）。-面积：箱线图检测，替换为分位数值。16.特征构造：-计算每平米价格。-创建房屋年龄特征。解析：此题考查三级技能中特征工程的全流程设计，要求结合案例场景。17.某深度学习任务需要部署到移动端，请设计一个模型压缩方案。案例背景：某图像分类模型在移动端推理速度过慢，需要压缩。答案要点：模型压缩方案：18.知识蒸馏：用大模型指导小模型训练。19.模型剪枝：去除不重要的神经元连接。20.量化：将浮点数转为定点数（如INT8）。21.优化算子：使用更高效的矩阵运算。解析：此题考查三级技能中模型压缩的多种技术组合，要求结合案例场景。22.某自然语言处理任务需要处理多语言文本，请设计一个跨语言特征提取方案。案例背景：某跨语言信息检索系统需要同时处理英语和中文文本。答案要点：跨语言特征提取方案：23.多语言词嵌入：使用mBERT或XLM-R等预训练模型。24.跨语言对齐：对齐不同语言词汇表。25.特征融合：拼接不同语言的特征向量。26.多任务学习：共享参数，同时训练多个语言任务。解析：此题考查三级技能中跨语言特征提取的多种技术组合，要求结合案例场景。27.某强化学习任务需要训练智能体完成迷宫任务，已知环境状态空间连续，请设计一个深度强化学习方案。案例背景：智能体需要从起点到达终点，状态包括位置和方向。答案要点：深度强化学习方案：28.模型选择：使用深度DQN或DDPG。29.状态表示：位置（连续）+方向（离散）。30.动作空间：离散（上/下/左/右）。31.网络结构：CNN处理位置信息，MLP处理方向。32.训练策略：使用经验回放和目标网络。解析：此题考查三级技能中深度强化学习的方案设计，要求结合案例场景。33.某机器学习任务需要处理不平衡数据集，请设计一个数据增强方案。案例背景：某欺诈检测任务中，正常交易占99%，欺诈交易占1%。答案要点：数据增强方案：34.过采样：SMOTE算法对少数类进行采样。35.欠采样：随机删除多数类样本。36.数据变换：生成合成样本（如旋转图像）。37.类权重调整：为少数类样本分配更高权重。解析：此题考查三级技能中处理不平衡数据的多种技术组合，要求结合案例场景。【标准答案及解析】一、单项选择题1.D解析：特征工程应在训练前完成，模型训练后进行特征工程无法避免过拟合。其他选项描述不准确。2.D解析：ReLU函数计算简单、支持并行化，特别适合深层网络。其他选项描述不准确。3.C解析：FastText通过子词信息解决低频词问题，是主流方法。其他选项描述不准确。4.C解析：K折交叉验证假设训练集与测试集分布一致，分布差异显著时会导致评估偏差。其他选项描述不准确。5.D解析：Q-Learning的内存瓶颈问题源于状态-动作对数量爆炸。其他选项描述不准确。6.C解析：YOLOv5对小物体检测性能仍不如FasterR-CNN等双阶段检测算法。其他选项描述不准确。7.A解析：L1正则化通过惩罚项使参数绝对值之和最小。其他选项描述不准确。8.D解析：TensorFlowKeras生态在预训练模型集成方面更完善。其他选项描述不准确。9.A解析：标注成本高时主动学习的边际效益会降低。其他选项描述不准确。10.B解析：边缘计算部署的核心约束是设备资源限制。其他选项描述不准确。二、填空题1.时间序列数据解析：插值法适用于时间序列数据，能保持数据趋势性。2.降低学习率解析：学习率衰减通过逐步减小学习率，帮助模型更精确收敛。3.参数共享与微调解析：BERT通过参数共享与微调实现知识迁移。4.F1分数解析：F1分数对不平衡数据更敏感，比准确率更能反映模型性能。5.r+γmax_a'Q(s',a')解析：Q-Learning的贝尔曼方程描述了状态-动作值函数的迭代更新。6.CSPDarknet53解析：YOLOv5基于CSPDarknet53骨干网络。7.TF-IDF解析：TF-IDF通过统计词频和逆文档频率衡量词语重要性。8.低延迟高吞吐解析：实时应用要求毫秒级响应，边缘计算通过下沉计算任务实现。9.主动反馈验证解析：主动反馈验证通过分析模型预测错误，识别标注问题。10.动态计算图（DynamicComputationGraph）解析：PyTorch采用动态计算图，允许训练时灵活修改网络结构。三、判断题1.×解析：标准化和归一化数学变换不同，应用场景有差异。2.×解析：过大的学习率可能导致模型震荡甚至发散。3.×解析：Word2Vec属于自监督学习，利用数据本身结构进行无标签学习。4.×解析：AUC衡量模型区分正负样本的能力，与假正率无直接线性关系。5.×解析：Q-Learning可通过离散化处理连续空间，深度Q网络可处理连续空间。6.×解析：YOLOv5对小目标检测性能仍不如FasterR-CNN等双阶段检测算法。7.×解析：Dropout通过模拟数据多样性实现正则化，与物理意义上的数据增强不同。8.×解析：PyTorch和TensorFlow的分布式训练实现机制不同，性能表现有差异。9.×解析：主动学习选择模型最不确定的样本（置信度低），以最大化标注效率。10.×解析：边缘计算主要优势是降低延迟，而非带宽。四、简答题1.Word2Vec模型中Skip-gram和CBOW两种架构的原理差异：Skip-gram：以一个词为输入，预测其上下文词。适合小数据集，能捕捉长距离依赖。CBOW：以上下文词为输入，预测中心词。适合大数据集，训练速度更快。差异：输入输出角色相反，Skip-gram对罕见词效果好，CBOW训练效率高。2.过拟合和欠拟合的概念及解决方法：过拟合：模型对训练数据拟合过度，泛化能力差。欠拟合：模型未充分学习数据特征，拟合不足。解决方法：过拟合：正则化、早停、增加数据量、简化模型。欠拟合：增加模型复杂度、特征工程、减少正则化。3.深度学习模型训练中，学习率衰减的作用和常见策略：作用：避免后期震荡，帮助模型更精确收敛。常见策略：阶梯式：固定周期衰减。指数式：学习率乘以衰减因子。余弦退火：周期性变化。4.BERT模型预训练的三个主要任务及其目的：5.文本分类：学习文本整体语义。6.问答任务：学习定位关键信息。7.下一句预测：学习句子间逻辑关系。8.目标检测算法中，锚框的概念及其作用：概念：预定义的边界框尺寸和比例，用于预测目标位置。作用：减少预测变量数量，统一不同大小目标的检测。9.K折交叉验证的基本流程：10.将数据随机分成K份。11.依次用K-1份训练，1份测试，重