2025技能考試人工智能訓(xùn)練師三級(jí)題庫練習(xí)附答案一、單項(xiàng)選擇題（每題1分，共30分）1.在PyTorch中，若希望凍結(jié)某一層參數(shù)使其不參與反向傳播，應(yīng)使用下列哪一行代碼？A.layer.requires_grad=FalseB.layer.trainable=FalseC.layer.eval()D.torch.no_grad()答案：A2.當(dāng)使用Keras的ImageDataGenerator進(jìn)行在線增強(qiáng)時(shí)，若設(shè)置brightness_range=[0.5,1.5]，則下列哪項(xiàng)描述正確？A.亮度變化范圍是±50%B.亮度變化范圍是±150%C.亮度變化范圍是0.5到1.5倍D.亮度變化范圍是0.5到+1.5倍答案：C3.在Transformer中，位置編碼使用正弦與余弦函數(shù)的主要目的是：A.降低計(jì)算量B.使位置編碼可外推到更長(zhǎng)序列C.增加非線性D.替代注意力機(jī)制答案：B4.使用混合精度訓(xùn)練時(shí)，下列哪項(xiàng)操作可有效防止梯度下溢？A.動(dòng)態(tài)損失縮放B.權(quán)重衰減C.梯度裁剪D.學(xué)習(xí)率預(yù)熱答案：A5.在聯(lián)邦學(xué)習(xí)場(chǎng)景下，客戶端上傳的參數(shù)通常為：A.原始訓(xùn)練數(shù)據(jù)B.模型權(quán)重梯度或權(quán)重差分C.完整模型文件D.損失函數(shù)值答案：B6.當(dāng)目標(biāo)檢測(cè)模型出現(xiàn)大量漏檢且置信度普遍偏低時(shí)，優(yōu)先調(diào)整：A.NMS閾值B.置信度閾值C.正樣本IoU閾值D.錨框數(shù)量答案：C7.在BERT微調(diào)中，若下游任務(wù)為中文短文本相似度計(jì)算，最合理的前處理是：A.按字切分并保留[CLS]與[SEP]B.按詞切分并去除停用詞C.按字切分并去除標(biāo)點(diǎn)D.按詞切分并保留[UNK]答案：A8.使用ONNX導(dǎo)出模型時(shí)，若出現(xiàn)“Dynamicaxesmismatch”錯(cuò)誤，最可能的原因是：A.輸入張量未指定動(dòng)態(tài)維度B.權(quán)重?cái)?shù)據(jù)類型為float16C.模型包含控制流算子D.圖優(yōu)化等級(jí)過高答案：A9.在深度強(qiáng)化學(xué)習(xí)中，優(yōu)先經(jīng)驗(yàn)回放（PER）的關(guān)鍵改進(jìn)是：A.使用雙網(wǎng)絡(luò)結(jié)構(gòu)B.按TD誤差加權(quán)采樣C.增加噪聲網(wǎng)絡(luò)D.采用n步回報(bào)答案：B10.當(dāng)使用TensorRT加速時(shí)，若某算子不支持，最優(yōu)雅的降級(jí)方案是：A.直接回退到CPUB.使用Plugin層自定義實(shí)現(xiàn)C.降低batchsizeD.關(guān)閉FP16模式答案：B11.在圖像分割任務(wù)中，DiceLoss相較于交叉熵的優(yōu)勢(shì)在于：A.對(duì)類別不平衡更魯棒B.計(jì)算速度更快C.可直接優(yōu)化像素精度D.無需softmax答案：A12.若學(xué)習(xí)率調(diào)度器采用cosineannealingwithwarmrestarts，則重啟后學(xué)習(xí)率：A.立即回到最大值B.線性增長(zhǎng)到最大值C.保持谷底不變D.隨機(jī)重置答案：A13.在模型蒸餾中，溫度系數(shù)T增大時(shí)，softmax輸出分布：A.更尖銳B.更平滑C.不變D.先尖銳后平滑答案：B14.使用Horovod進(jìn)行多機(jī)訓(xùn)練時(shí)，若出現(xiàn)hang，應(yīng)首先檢查：A.網(wǎng)卡拓?fù)渑cNCCL_SOCKET_IFNAMEB.數(shù)據(jù)管道是否復(fù)用C.學(xué)習(xí)率是否過大D.是否啟用混合精度答案：A15.在語音合成Tacotron2中，停止token的作用是：A.控制音高B.決定何時(shí)結(jié)束生成C.調(diào)節(jié)語速D.對(duì)齊文本與音素答案：B16.當(dāng)使用EarlyStopping(monitor='val_loss',patience=5,restore_best_weights=True)時(shí)，若第10輪val_loss最小，則最終權(quán)重來自：A.第5輪B.第10輪C.最后一輪D.第15輪答案：B17.在目標(biāo)檢測(cè)YOLOv5中，若設(shè)置img640且矩形輸入，letterbox的默認(rèn)填充顏色是：A.黑色(114,114,114)B.灰色(128,128,128)C.白色(255,255,255)D.隨機(jī)顏色答案：A18.使用Adam優(yōu)化器時(shí)，若梯度稀疏，推薦調(diào)整哪一超參數(shù)？A.epsB.betasC.weight_decayD.amsgrad答案：A19.在CTR預(yù)估DeepFM中，F(xiàn)M部分與Deep部分共享的是：A.嵌入向量B.激活函數(shù)C.損失函數(shù)D.批歸一化答案：A20.當(dāng)使用DALI加速數(shù)據(jù)加載時(shí)，若CPU解碼成為瓶頸，應(yīng)：A.將decode_device設(shè)為'mixed'B.增大num_threadsC.關(guān)閉nvJPEGD.降低圖像分辨率答案：A21.在知識(shí)圖譜嵌入TransH中，關(guān)系向量被約束在：A.超平面B.單位球C.正象限D(zhuǎn).復(fù)數(shù)空間答案：A22.若模型權(quán)重文件為fp16，但推理設(shè)備不支持fp16，最佳轉(zhuǎn)換策略是：A.動(dòng)態(tài)量化至int8B.強(qiáng)制轉(zhuǎn)fp32C.使用半精度浮點(diǎn)模擬D.重新訓(xùn)練fp32模型答案：B23.在文本生成任務(wù)中，重復(fù)懲罰（repetitionpenalty）大于1時(shí)，對(duì)已生成token的概率：A.提升B.降低C.不變D.先提升后降低答案：B24.使用PyTorchLightning時(shí)，若要在多卡訓(xùn)練時(shí)手動(dòng)同步指標(biāo)，應(yīng)調(diào)用：A.self.log(sync_dist=True)B.torch.distributed.barrier()C.all_gather()D.torch.cuda.synchronize()答案：A25.在模型壓縮通道剪枝中，若采用L1范數(shù)衡量通道重要性，則剪掉：A.絕對(duì)值和最小的通道B.絕對(duì)值和最大的通道C.方差最小的通道D.均值最大的通道答案：A26.當(dāng)使用WandB做實(shí)驗(yàn)管理時(shí)，若代碼意外中斷，已上傳的指標(biāo)：A.自動(dòng)丟失B.保存在離線緩存C.實(shí)時(shí)同步不丟失D.需手動(dòng)恢復(fù)答案：C27.在圖像分類數(shù)據(jù)增強(qiáng)中，RandAugment的搜索空間包含：A.14種變換與10種強(qiáng)度B.10種變換與14種強(qiáng)度C.30種策略D.100個(gè)子策略答案：A28.使用DeepSpeedZero3時(shí)，優(yōu)化器狀態(tài)被分割到：A.所有GPUB.單個(gè)GPUC.CPUD.NVMe答案：A29.在語音識(shí)別Wav2Vec2.0中，對(duì)比損失使用的負(fù)樣本來自：A.同一句子的其他時(shí)間步B.不同句子的所有時(shí)間步C.同一句子的未來步D.同一句子的過去步答案：B30.若使用ONNXRuntime在ARM端推理，最佳執(zhí)行提供器是：A.CPUExecutionProviderB.CUDAExecutionProviderC.NNAPIExecutionProviderD.TensorrtExecutionProvider答案：C二、多項(xiàng)選擇題（每題2分，共20分）31.下列哪些操作可有效緩解模型過擬合？A.MixupB.StochasticDepthC.LabelSmoothingD.增大batchsize答案：A、B、C32.在PyTorch中，以下哪些函數(shù)可實(shí)現(xiàn)梯度裁剪？A.torch.nn.utils.clip_grad_norm_B.torch.nn.utils.clip_grad_value_C.torch.autograd.gradD.torch.optim.lr_scheduler答案：A、B33.使用TensorBoard時(shí)，可可視化的內(nèi)容包括：A.模型計(jì)算圖B.PR曲線C.權(quán)重直方圖D.源代碼diff答案：A、B、C34.在目標(biāo)檢測(cè)評(píng)估中，COCOAPI提供的指標(biāo)有：A.AP@0.5B.AP@0.5:0.95C.AR@1D.mIoU答案：A、B、C35.以下哪些屬于自監(jiān)督預(yù)訓(xùn)練任務(wù)？A.BERT的MaskedLMB.SimCLR的對(duì)比學(xué)習(xí)C.GPT的自回歸語言模型D.圖像旋轉(zhuǎn)預(yù)測(cè)答案：A、B、D36.當(dāng)使用混合精度訓(xùn)練時(shí)，需同時(shí)調(diào)用：A.autocastB.GradScalerC.torch.cuda.ampD.torch.jit答案：A、B、C37.在推薦系統(tǒng)冷啟動(dòng)場(chǎng)景，可采用的策略有：A.利用用戶注冊(cè)信息做特征B.使用探索利用bandit算法C.引入知識(shí)圖譜側(cè)信息D.直接刪除冷啟動(dòng)用戶答案：A、B、C38.以下哪些算子在ONNX中屬于序列相關(guān)？A.LSTMB.GRUC.AttentionD.Conv答案：A、B、C39.在模型服務(wù)TritonInferenceServer中，可配置的調(diào)度策略有：A.DynamicBatcherB.SequenceBatcherC.EnsembleSchedulerD.RoundRobin答案：A、B、C40.使用Kfold交叉驗(yàn)證時(shí)，為防信息泄漏，應(yīng)：A.每折內(nèi)部做標(biāo)準(zhǔn)化B.每折內(nèi)部做特征選擇C.全局做標(biāo)準(zhǔn)化后劃分D.全局做特征選擇后劃分答案：A、B三、判斷題（每題1分，共10分）41.在Transformer中，點(diǎn)積注意力除以√d_k是為了防止梯度消失。答案：正確42.使用ReLU激活函數(shù)時(shí)，必然出現(xiàn)神經(jīng)元死亡現(xiàn)象。答案：錯(cuò)誤43.在聯(lián)邦學(xué)習(xí)中，F(xiàn)edAvg的本地更新步數(shù)越多，通信輪次一定越少。答案：錯(cuò)誤44.知識(shí)蒸餾中，學(xué)生模型參數(shù)量必須小于教師模型。答案：錯(cuò)誤45.在圖像分割評(píng)價(jià)中，Dice系數(shù)與IoU可相互轉(zhuǎn)換。答案：正確46.使用梯度累積時(shí)，等效batchsize等于物理batchsize乘以累積步數(shù)。答案：正確47.在BERT中，[MASK]標(biāo)記在微調(diào)階段仍須保留。答案：錯(cuò)誤48.使用混合精度訓(xùn)練時(shí)，損失縮放系數(shù)過大可能導(dǎo)致梯度溢出。答案：錯(cuò)誤49.在YOLOv5中，Mosaic增強(qiáng)默認(rèn)概率為1.0。答案：正確50.當(dāng)使用DeepSpeed時(shí)，ZeROOffload可將優(yōu)化器狀態(tài)卸載至CPU。答案：正確四、填空題（每題2分，共20分）51.在PyTorch中，若需將模型保存為TorchScript，應(yīng)調(diào)用________方法。答案：torch.jit.trace或torch.jit.script52.Transformer論文中，基礎(chǔ)模型維度d_model=________。答案：51253.在COCO數(shù)據(jù)集上，目標(biāo)檢測(cè)大、中、小目標(biāo)的面積閾值分別為________、________、________像素。答案：9602、322~962、02~32254.使用Adam優(yōu)化器時(shí)，默認(rèn)學(xué)習(xí)率通常設(shè)為________。答案：1e355.在SimCLR中，默認(rèn)溫度系數(shù)τ=________。答案：0.156.當(dāng)使用ONNXRuntimeC++API時(shí)，創(chuàng)建會(huì)話的對(duì)象類名為________。答案：Ort::Session57.在知識(shí)蒸餾中，若溫度T→∞，softmax輸出趨近于________分布。答案：均勻58.在GPT3175B模型中，參數(shù)量的數(shù)量級(jí)為________億。答案：175059.使用Horovod時(shí)，跨節(jié)點(diǎn)通信默認(rèn)后端為________。答案：NCCL60.在圖像增強(qiáng)Albumentations庫中，隨機(jī)擦除變換名為________。答案：CoarseDropout五、簡(jiǎn)答題（每題10分，共30分）61.描述混合精度訓(xùn)練中動(dòng)態(tài)損失縮放（DynamicLossScaling）的完整流程，并給出PyTorch代碼片段。答案：步驟：1)初始縮放因子scale=2^16；2)前向計(jì)算前將損失乘以scale；3)反向傳播得到縮放后的梯度；4)檢查梯度是否溢出（含inf或nan）；5)若無溢出，梯度除以scale并更新權(quán)重，且scale乘2^0.001；6)若溢出，跳過權(quán)重更新，scale除以2；7)重復(fù)直至訓(xùn)練結(jié)束。代碼：```pythonfromtorch.cuda.ampimportautocast,GradScalerscaler=GradScaler()forx,yinloader:optimizer.zero_grad()