2026年人工智能训练师（二级）理论考试题库及答案

2026年人工智能训练师（二级）理论考试题库及答案一、单项选择题（每题1分，共40分）1.人工智能训练师的核心工作目标不包括以下哪一项？A.提升模型在目标任务上的性能B.构建高质量的训练数据集C.负责服务器硬件的维修保养D.制定并实施模型优化策略2.在机器学习中，将数据集划分为训练集、验证集和测试集的根本目的是？A.减少数据存储空间B.评估模型在未见数据上的泛化能力C.加快模型训练速度D.降低数据标注成本3.下列哪种数据标注方式最适合目标检测任务？A.图像分类标签标注B.矩形框标注C.文本情感标注D.语音转写标注4.过拟合（Overfitting）是指？A.模型在训练集上表现差B.模型在训练集上表现好但在测试集上表现差C.模型在训练集和测试集上表现都好D.模型训练时间过长5.以下哪个指标用于衡量二分类模型对正类的查全率（Recall）？A.TPB.TPC.TND.Accuracy6.L2正则化项在损失函数中的作用是？A.使模型参数趋于稀疏B.约束模型参数的大小，防止过拟合C.加快梯度下降收敛D.消除数据中的噪声7.在神经网络中，ReLU激活函数的输出范围是？A.(B.[C.(D.[8.深层神经网络训练时出现梯度消失，以下哪种结构是最有效的缓解手段？A.增加Dropout比例B.引入残差连接（ResidualConnection）C.加大学习率D.减少训练数据9.在模型训练中，学习率过大的典型表现是？A.损失值震荡不收敛B.训练速度变慢C.过拟合加剧D.梯度消失10.数据增强（DataAugmentation）的主要目的是？A.减少数据标注成本B.扩充训练数据多样性，提升模型泛化能力C.压缩模型存储空间D.提高模型推理速度11.对于严重类别不平衡的二分类问题，以下哪个评估指标最不恰当？A.F1-scoreB.AUCC.AccuracyD.Precision-Recall曲线12.K折交叉验证（K-FoldCrossValidation）的主要优点是？A.减少过拟合B.更充分地利用数据评估模型的泛化能力C.加速模型训练D.自动选择最优特征13.下列哪项数据增强操作对于"6"与"9"这类易混淆数字的分类任务最可能引入错误标签？A.旋转180°B.平移2像素C.轻微缩放D.添加高斯噪声14.关于模型蒸馏（KnowledgeDistillation），以下描述正确的是？A.用大模型指导小模型训练B.用小模型指导大模型训练C.将多个模型做集成推理D.对模型权重进行剪枝15.在NLP任务中，BERT模型的主要预训练任务之一是？A.只预测下一个词B.掩码语言建模（MaskedLanguageModeling）C.序列到序列翻译D.文本自动摘要16.以下哪项不属于常见的模型压缩技术？A.权重量化B.权值剪枝C.模型蒸馏D.数据归一化17.在图像分类任务中，迁移学习通常的做法是？A.用随机初始化的网络从头训练B.加载在大规模数据集上预训练的模型权重，冻结或微调部分层C.只使用线性分类器，不做特征提取D.将所有层的学习率设为相同且固定不变18.下列哪种数据预处理方式可能引入数据泄露风险？A.仅使用训练集统计量（均值、方差）标准化验证集和测试集B.先合并全部数据计算标准化参数，再划分训练集和测试集C.对训练集和验证集分别独立计算标准化参数D.对每个特征单独进行最大最小值归一化19.关于批归一化（BatchNormalization），以下说法正确的是？A.只能在卷积层之后使用B.训练时使用当前batch的统计量，推理时使用滑动平均统计量C.会显著增加模型参数量D.主要目的是减少训练数据量20.模型的推理（Inference）延迟与以下哪项关系最小？A.模型参数量B.输入数据规模C.训练数据集大小D.硬件算力21.关于数据标注质量控制，以下说法错误的是？A.应建立标注规范与操作手册B.通过多人标注一致性（如Cohen'sκ）评估标注质量C.只需在标注完成后进行一次性抽检D.对存疑样本需要专家仲裁22.在目标检测中，IoU（IntersectionoverUnion）指标的作用是？A.衡量预测框与真实框的重叠程度B.计算模型的参数量C.对图像进行缩放D.生成锚框23.在处理自然语言数据时，将文本中的词映射为稠密数值向量的过程称为？A.分词B.词嵌入（Embedding）C.正则化D.归一化24.关于学习率调度（LearningRateScheduler），余弦退火（CosineAnnealing）的特点是？A.学习率在整个训练过程中保持不变B.学习率随训练轮数按余弦曲线从初始值平滑衰减至最小值C.学习率在某一轮直接变为0D.学习率随训练逐步增大25.以下哪种文件格式常用于存储和交换带标注的机器学习数据集？A.PDFB.JSON/JSONLC.EXED.PSD26.在模型部署中，ONNX（OpenNeuralNetworkExchange）格式的主要优势是？A.能加速模型训练过程B.实现模型在不同深度学习框架之间的互操作C.自动生成训练数据D.提升模型精度27.关于差分隐私（DifferentialPrivacy），以下描述正确的是？A.通过向查询结果或训练过程添加噪声来保护个体隐私B.对数据加密存储即可实现C.删除数据中的个人身份信息即等价于差分隐私D.只适用于文本数据28.根据《中华人民共和国个人信息保护法》，处理人脸、指纹等敏感个人信息时？A.只需获得信息主体的默示同意B.应当取得个人的单独同意C.通知监管部门即可D.无需告知处理目的和方式29.面对AI模型输出中的偏见（Bias）问题，下列哪项措施针对性最强？A.增加网络层数B.检查并平衡训练数据在人口统计学维度上的分布C.提高学习率D.使用更大的batchsize30.在MLOps实践中，CI/CD在模型项目中的含义是？A.持续集成与持续部署B.云计算与数据存储C.数据清洗与标注D.模型压缩与量化31.贝叶斯超参数优化相比网格搜索的主要优势是？A.一定能找到全局最优解B.在较少的试验次数内找到较优的超参数组合C.不需要定义搜索空间D.不需要使用验证集32.在Transformer结构中，自注意力机制（Self-Attention）的时间复杂度与输入序列长度n的关系是？A.OB.OC.OD.O33.对一个已经过拟合的深度模型，以下哪种调整通常最有效？A.增加网络层数B.增大训练数据量或加强数据增强C.提高训练轮数D.增大学习率34.数据标注团队中，多名标注员对同一批样本的标注一致性系数κ低于0.6，合适的处理方式是？A.直接采用标注结果并继续扩大标注量B.重新培训标注员、修订标注规范并组织复标C.删除该批样本，放弃对应业务D.降低质检抽检比例35.在深度学习中引入FP16混合精度训练的主要目的是？A.提高模型精度B.减少显存占用并加速训练C.防止过拟合D.保证数值稳定性36.当部署在线上的人工智能模型出现性能退化时，首先应检查？A.立即修改模型架构B.对比线上输入数据分布与训练数据分布的差异C.增大正则化系数D.重启推理服务37.关于主动学习（ActiveLearning），以下描述正确的是？A.让模型自动生成伪标签，无需人工介入B.优先选择模型最"不确定"的样本进行人工标注C.通过强化学习训练模型D.大幅减少模型参数量38.语义分割任务中，每个像素的类别标注结果通常以什么形式表示？A.与原始图像同尺寸的逐像素类别标签图B.一组矩形框坐标C.一段自然语言描述D.单个类别编号39.当多分类模型输出的各类别概率之和明显不等于1时，最可能的原因是？A.最后一层使用了SoftmaxB.最后一层输出的是未经Softmax的原始logitsC.输入数据未做归一化D.学习率设置过小40.关于人工智能训练师在项目中的角色，以下说法最准确的是？A.只需完成数据标注任务B.负责数据、模型、部署全链路的协调与优化C.只负责编写模型代码D.只负责商务洽谈与客户对接二、多项选择题（每题2分，共20分）1.在深度学习中，下列哪些方法可以有效缓解过拟合？A.DropoutB.L2正则化C.数据增强D.增大模型参数量2.关于训练集、验证集和测试集的划分，以下说法正确的有？A.测试集应只使用一次，用于最终评估B.验证集用于模型选择和超参数调优C.三个集合可以来自同一分布，但样本必须互不重叠D.划分后可以对全部数据统一计算均值方差进行标准化3.下列哪些属于模型部署阶段需要考虑的工程问题？A.推理延迟与服务吞吐量B.模型版本管理与回滚机制C.算力资源与成本控制D.标注工具的功能选型4.在命名实体识别（NER）任务中，常用的序列标注方法包括？A.BIO标注体系B.BIOES标注体系C.矩形框标注D.指针网络（PointerNetwork）5.评估回归模型性能时，常用的指标包括？A.MAE（平均绝对误差）B.RMSE（均方根误差）C.R2D.IoU6.关于Transformer架构，以下描述正确的有？A.多头注意力机制能捕捉序列中不同子空间的关系B.位置编码用于为序列注入位置信息C.与RNN相比，Transformer无法并行计算D.残差连接与LayerNormalization有助于稳定训练7.在数据隐私保护实践中，常用的技术手段包括？A.数据脱敏（Masking/泛化）B.差分隐私C.联邦学习D.在公网明文传输数据8.下列哪些情况可能造成模型训练中的"数据泄漏"？A.在划分数据集之前对全量数据做特征缩放B.将包含标签信息的字段作为训练特征C.时间序列预测中，使用未来时间步的信息预测当前时刻D.去除重复样本9.关于提示工程（PromptEngineering），下列说法正确的有？A.设计合适的指令可以引导大模型输出更符合预期的结果B.Few-shot学习通过在提示中提供少量示例来引导模型C.提示词越长，模型效果一定越好D.思维链（Chain-of-Thought）可以提升复杂推理任务的表现10.在人工智能伦理与治理实践中，应当遵循的原则包括？A.公平性与非歧视B.透明性与可解释性C.隐私保护与数据安全D.人类监督与责任归属三、判断题（每题1分，共20分）1.在二分类中，当正负样本比例严重失衡时，准确率（Accuracy）仍然是最可靠的评估指标。2.数据增强可以在训练阶段动态地对输入数据进行变换，以扩充有效样本多样性。3.当模型的训练损失持续下降而验证损失开始上升时，说明模型出现了过拟合。4.L1正则化倾向于使模型权重变得稀疏。5.Dropout在训练阶段和推理阶段的行为完全一致。6.卷积神经网络（CNN）可以用于处理一维序列信号，如语音和文本。7.联邦学习允许多方在不共享原始数据的情况下协同训练模型。8.在数据量较小的场景下，使用预训练模型进行微调通常优于从零开始训练。9.在标注目标检测数据时，对于遮挡严重的实例应一律跳过、不予标注。10.模型量化只会减小模型体积，对推理速度和精度没有任何影响。11.数据的质量直接决定了模型性能的上限，即"Garbagein,garbageout"。12.Softmax函数可以将一组实数转换为各分量非负且和为1的概率分布。13.超参数网格搜索一定比随机搜索找到更优的解。14.jieba等分词工具对所有文本的分词结果都是准确的。15.早停法（EarlyStopping）在验证集性能不再提升时提前终止训练，是防止过拟合的有效手段。16.将测试集加入训练可以提升模型在测试集上的表现，因此应把测试集也用于训练。17.手写数字识别模型对倾斜数字（如旋转60°）鲁棒性差，最有效的改进手段是增加模型参数量。18.对抗训练（AdversarialTraining）可以提升模型对恶意扰动样本的鲁棒性。19.在数据标注流程中，建立"标注—质检—返修—复检"的闭环管理机制是保证标注质量的有效手段。20.大语言模型参数量巨大，因此其推理阶段无需任何优化即可满足业务并发要求。四、案例分析题（每题20分，共20分）1.某零售企业计划上线一套基于计算机视觉的商品识别结算系统，在收银台部署摄像头，自动识别顾客选购的商品并完成计价。作为人工智能训练师，你负责该项目的模型方案设计与落地。项目初期获得的数据情况如下：-商品类别共300类，涵盖食品、日用品、饮料等；-每类商品仅有50~200张不同角度的实拍图片，光照差异大，部分商品外观相似；-商品包装会不定期改版，新品每月新增约10类；-收银台现场存在反光、遮挡、商品快速移动等复杂情况。请结合上述背景，回答以下问题（条理清晰、分点作答）：(1)针对每类商品样本量较少的问题，提出至少3种可行的数据扩充与模型训练策略。(6分)(2)该任务应选用图像分类方案还是目标检测方案？请说明理由，并对比两种方案在部署成本与业务适配性上的差异。(6分)(3)模型上线后，如何持续监控与评估模型性能，并及时发现数据漂移？请结合监控指标与维护流程说明。(8分)参考答案与解析一、单项选择题1.答案：C2.答案：B3.答案：B4.答案：B5.答案：B解析：Recall=TP6.答案：B解析：L2正则化（权重衰减）对参数平方和施加惩罚，使权重趋向较小值；产生稀疏解的是L1正则化，切勿混淆。7.答案：B8.答案：B解析：残差连接通过恒等映射为梯度提供"捷径"，是解决深层网络梯度消失与退化问题的关键设计。Dropout主要用于缓解过拟合。9.答案：A10.答案：B11.答案：C解析：类别严重不平衡时，Accuracy会被多数类主导。例如正类仅占1%，模型全部预测为负类也能获得99%的准确率，无法反映真实性能。12.答案：B13.答案：A解析：数字6旋转180°后视觉上接近9，可能使标注语义发生变化。平移、轻微缩放和高斯噪声通常不改变数字类别。14.答案：A15.答案：B16.答案：D17.答案：B18.答案：B解析：B中测试集的统计信息在训练阶段已被使用，造成信息泄漏。A是规范做法；C虽不泄漏但会使训练与验证分布不一致，影响评估可信度。19.答案：B20.答案：C21.答案：C解析：质量控制应贯穿标注全过程，包括阶段性抽检、过程反馈与持续修订，而非仅在标注完成后一次性抽检。22.答案：A23.答案：B24.答案：B25.答案：B26.答案：B解析：ONNX是一种开放的模型表示格式，训练好的模型可导出为ONNX并在其他框架或推理引擎中运行，便于跨框架部署。27.答案：A解析：差分隐私的核心思想是通过随机化机制（添加噪声）使输出结果对单个样本的存在与否不敏感。简单地去标识化并不能提供可证明的隐私保证。28.答案：B解析：根据《个人信息保护法》第29条，处理敏感个人信息应当取得个人的单独同意，并告知处理必要性及对个人的影响。29.答案：B30.答案：A解析：CI/CD即ContinuousIntegration/ContinuousDeployment，在模型项目中体现为训练流水线的自动化集成以及模型的自动化构建、测试与部署。31.答案：B32.答案：C33.答案：B34.答案：B解析：κ低于0.6表示标注一致性不达标，说明标注规范或培训存在问题。正确做法是分析分歧原因、修订规范并复标。35.答案：B解析：混合精度训练以FP16存储中间激活和梯度，显存占用减半，并在支持FP16的硬件上显著提升训练吞吐，同时通过FP32主权重保证数值稳定。36.答案：B解析：线上性能退化最常见的原因是数据漂移（DataDrift），即线上输入分布与训练分布不一致，应先做分布诊断再决定是增量训练还是调整模型。37.答案：B38.答案：A39.答案：B解析：Softmax将logits转换为和为1的概率分布。若输出层未接Softmax，直接输出原始logits，各类别数值之和通常不等于1。40.答案：B二、多项选择题1.答案：ABC解析：Dropout、L2正则化和数据增强都是抑制过拟合的常用手段。增大模型参数量会提升模型容量，通常反而加剧过拟合。2.答案：ABC解析：D错误。标准化参数（均值、方差）只能由训练集拟合，再应用于验证集和测试集；对全部数据统一标准化会使测试集信息泄漏到训练过程。3.答案：ABC解析：标注工具选型属于数据处理与标注阶段的工作，与模型部署无关；其余三项均为部署运维的核心工程问题。4.答案：ABD解析：BIO、BIOES是NER最常用的序列标注体系；指针网络可用于识别嵌套实体。矩形框标注属于计算机视觉领域的标注方式。5.答案：ABC解析：MAE、RMSE和R26.答案：ABD解析：C错误。Transformer的自注意力计算天然支持并行，这正是其相对RNN的核心优势之一。7.答案：ABC解析：明文传输会使数据在传输过程中面临窃取与泄露风险，违反数据安全要求，不属于隐私保护手段。8.答案：ABC解析：A、B、C均会使模型在训练阶段"看到"本不应看到的信息。去除重复样本是常规数据清洗操作，不构成数据泄漏。9.答案：ABD解析：C错误。提示词并非越长越好，冗余甚至无关的信息可能引入噪声，干扰模型生成。10.答案：ABCD解析：四项均为可信人工智能的核心原则，也是我国新一代人工智能治理规范所强调的基本要求。三、判断题1.答案：错误解析：类别不平衡时Accuracy会被多数类主导，应采用精确率、召回率、F1、AUC等指标综合评估。2.答案：正确3.答案：正确4.答案：正确解析：L1正则化在零点处不可导，优化过程中会将部分权重推向0，从而产生稀疏解。5.答案：错误解析：训练时Dropout随机丢弃神经元；推理时保留全部神经元并使用完整的权重。PyTorch等框架中模型需切换为eval模式。6.答案：正确7.答案：正确8.答案：正确9.答案：错误解析：应依据标注规范处理遮挡实例，通常需要标注可见部分或按规则要求处理；一律跳过会造成样本缺失，影响模型对遮挡场景的鲁棒性。10.答案：错误解析：量化可显著提升推理速度并减小内存占用，但通常会带来少量精度损失，需要在部署前评估。11.答案：正确12.答案：正确13.答案：错误解析：在高维超参数空间中，随机搜索往往比网格搜索更高效，且网格搜索受限于离散取值，"一定更优"的说法不成立。14.答案：错误15.答案：正确16.答案：错误解析：测试集的唯一用途是最终评估，一旦参与训练即丧失评估价值，所得分数不能反映模型的真实泛化能力。17.答案：错误解析：应针对旋转场景进行数据增强（如随机旋转）或在训练集中补充倾斜样本，单纯增加参数量无助于提升旋转鲁棒性。18.答案：正确19.答案：正确20.答案：错误解析：大模型推理需借助量化、蒸馏、剪枝、KVCache优化及专用推理引擎等手段，才能满足实际业务的延迟与吞吐要求。四、案例分析题1.答案：(1)针对样本量不足，可采用以下策略：①数据增强：对已有图像实施随机裁剪、旋转、颜色抖动、亮度与对比度调整、模拟反光等变换，扩充样本多样性；②迁移学习：加载在ImageNet或大规模商品数据集上预训