2025年全省職業(yè)技能競賽(人工智能訓練師賽項)備賽試題庫及答案一、單項選擇題（每題1分，共30分。每題只有一個正確答案，請將正確選項字母填入括號內(nèi)）1.在PyTorch中，若模型在GPU上訓練，以下哪條語句可將張量x從CPU遷移到GPU？A.x.to("cuda:0")B.x.cuda()C.x.gpu()D.x.device("cuda")答案：A2.使用Adam優(yōu)化器時，若beta1=0.9、beta2=0.999，則二階矩估計的偏差修正項在t=1步時的值為A.0.999B.0.001C.0.002D.0.000答案：B3.在Transformer中，位置編碼采用sin/cos函數(shù)的主要目的是A.增強非線性B.提供序列順序信息C.降低參數(shù)量D.加速收斂答案：B4.在目標檢測任務中，YOLOv5使用的損失函數(shù)中負責抑制負樣本的部件是A.CIOUlossB.BCEobjlossC.BCEclslossD.MSEloss答案：B5.當使用混合精度訓練時，GradScaler的作用為A.自動調(diào)整學習率B.防止梯度下溢C.壓縮模型體積D.替換優(yōu)化器答案：B6.在BERT預訓練中，MaskedLM的掩碼比例通常設置為A.5%B.10%C.15%D.30%答案：C7.在聯(lián)邦學習場景下，F(xiàn)edAvg算法每輪通信中服務器端聚合方式為A.加權平均B.幾何中值C.投票D.隨機選擇答案：A8.若某卷積層輸入通道為64，輸出通道為128，卷積核大小3×3，padding=1，則該層參數(shù)量為A.64×128×3×3B.64×128×3×3+128C.128×3×3D.64×128×9+128答案：B9.在深度強化學習中，DDPG算法屬于A.基于策略B.基于價值C.ActorCriticD.模型預測控制答案：C10.當使用EarlyStopping時，若patience=5，則連續(xù)驗證集指標不提升達到多少次后停止訓練？A.3B.5C.6D.10答案：B11.在圖像分割任務中，DiceLoss的取值范圍是A.[0,1]B.[1,1]C.[0,+∞)D.(∞,+∞)答案：A12.若學習率調(diào)度器采用CosineAnnealingLR，則其周期結束后學習率將A.線性增加B.保持不變C.回到初始值D.降為0答案：C13.在模型蒸餾中，溫度T越大，則softmax輸出分布A.更尖銳B.更平滑C.不變D.變?yōu)榫鶆蚍植即鸢福築14.在NLP數(shù)據(jù)增強中，EasyDataAugmentation(EDA)不包括A.同義詞替換B.隨機插入C.隨機交換D.回譯答案：D15.當使用Kfold交叉驗證時，若k=5，則每折用作訓練的數(shù)據(jù)占比約為A.20%B.60%C.80%D.100%答案：C16.在PyTorchLightning中，用于定義訓練步的函數(shù)名是A.training_stepB.train_stepC.forwardD.optimizer_step答案：A17.若BatchNorm層輸入特征圖尺寸為(B,C,H,W)，則可學習參數(shù)γ的維度為A.BB.CC.HD.W答案：B18.在GPT系列模型中，采用的無監(jiān)督目標為A.MLMB.NSPC.CLMD.SBO答案：C19.當使用混合專家(MoE)結構時，門控網(wǎng)絡通常采用A.ReLUB.SoftmaxC.SigmoidD.Tanh答案：B20.在模型部署階段，ONNX格式的主要優(yōu)勢是A.提高精度B.跨框架兼容C.增加參數(shù)量D.降低延遲答案：B21.在推薦系統(tǒng)深度模型DeepFM中，F(xiàn)M部分主要捕獲A.高階非線性B.低階特征交互C.序列信息D.多模態(tài)答案：B22.若使用Horovod進行分布式訓練，則梯度聚合采用A.AllReduceB.ParameterServerC.RingAllGatherD.Broadcast答案：A23.在圖像增強庫Albumentations中，實現(xiàn)隨機旋轉的變換是A.RotateB.ShiftScaleRotateC.RandomRotate90D.Affine答案：A24.當使用知識蒸餾時，教師模型預測結果稱為A.hardlabelB.softtargetC.groundtruthD.anchor答案：B25.在語音識別中，CTC損失函數(shù)允許A.強制對齊B.單調(diào)對齊C.多對一映射D.一對多映射答案：C26.若使用TensorBoard記錄標量，則對應API為A.add_scalarB.add_histogramC.add_imageD.add_graph答案：A27.在模型剪枝中，magnitudebasedpruning依據(jù)A.梯度大小B.權重絕對值C.激活值D.損失變化答案：B28.在GAN訓練中，若判別器損失迅速趨于0，則生成器梯度將A.增大B.減小C.不變D.消失答案：D29.在PyTorch中，若需凍結某層參數(shù)，應設置A.requires_grad=FalseB.train=FalseC.eval()D.detach()答案：A30.當使用AUC作為二分類指標時，其值越接近1表示A.模型越差B.模型越好C.過擬合D.欠擬合答案：B二、多項選擇題（每題2分，共20分。每題有兩個或兩個以上正確答案，請將所有正確選項字母填入括號內(nèi)，漏選、錯選均不得分）31.以下哪些操作可有效緩解模型過擬合？A.DropoutB.L2正則C.增加網(wǎng)絡深度D.數(shù)據(jù)增強答案：ABD32.在Transformer自注意力機制中，scaleddotproductattention包含A.Q×K^TB.除以根號d_kC.SoftmaxD.與V相乘答案：ABCD33.以下屬于無監(jiān)督學習算法的是A.KmeansB.PCAC.DBSCAND.SVM答案：ABC34.在模型部署時，TensorRT可進行的優(yōu)化包括A.層融合B.量化C.動態(tài)shapeD.內(nèi)核自動調(diào)優(yōu)答案：ABD35.以下哪些指標可用于評估多分類任務？A.AccuracyB.MacroF1C.Cohen’skappaD.MSE答案：ABC36.在深度強化學習中，以下屬于onpolicy算法的是A.A2CB.PPOC.DQND.TRPO答案：ABD37.在NLP任務中，以下屬于子詞分詞算法的是A.BPEB.WordPieceC.SentencePieceD.TFIDF答案：ABC38.以下哪些技術可用于模型壓縮？A.知識蒸餾B.剪枝C.量化D.增加通道數(shù)答案：ABC39.在圖像分類任務中，以下屬于數(shù)據(jù)泄漏行為的是A.訓練集與驗證集重復樣本B.先整體歸一化再劃分數(shù)據(jù)集C.使用測試集調(diào)參D.交叉驗證答案：ABC40.在PyTorch中，以下哪些函數(shù)可實現(xiàn)梯度截斷？A.torch.nn.utils.clip_grad_norm_B.torch.nn.utils.clip_grad_value_C.torch.grad.clipD.optimizer.zero_grad答案：AB三、填空題（每空2分，共20分。請在橫線上填寫最簡答案）41.在ResNet中，恒等映射分支被稱為__________連接。答案：殘差42.若學習率初始為0.1，采用StepLR(step_size=30,gamma=0.1)，則第60輪的學習率為__________。答案：0.00143.在PyTorch中，將模型保存為僅含權重的文件，應使用torch.save(model.state_dict(),"xxx.pt")，加載時應先__________模型結構。答案：實例化44.在目標檢測評價指標mAP中，AP@0.5表示IoU閾值為__________時的平均精度。答案：0.545.在BERT中，最大序列長度若設為512，則位置編碼矩陣的shape為(512,__________)。答案：76846.在聯(lián)邦學習場景下，客戶端本地訓練1個epoch后上傳的參數(shù)稱為__________參數(shù)。答案：梯度/權重47.在GPT生成文本時，topp采樣中p的取值范圍是__________。答案：(0,1]48.在圖像增強中，MixUp方法對兩張圖片按lambda混合，lambda服從__________分布采樣。答案：Beta49.在深度學習中，若batchsize增大，則梯度噪聲__________。答案：減小50.在模型蒸餾損失中，若alpha=0.7，則總損失=alpha×蒸餾損失+(1alpha)×__________損失。答案：hard四、判斷題（每題1分，共10分。正確打“√”，錯誤打“×”）51.在BatchNorm層中，訓練與推理階段的均值方差來源相同。答案：×52.使用更大的卷積核必然導致感受野增大。答案：√53.在PyTorch中，tensor.detach()會切斷反向傳播。答案：√54.在GAN中，生成器與判別器同時達到納什均衡是訓練目標。答案：√55.在知識蒸餾中，溫度T=1時軟目標等價于硬標簽。答案：×56.在RNN中，梯度爆炸比梯度消失更容易通過梯度裁剪緩解。答案：√57.在圖像分類任務中，測試集可直接用于調(diào)參。答案：×58.在Transformer中，多頭注意力可并行計算。答案：√59.使用ReLU激活函數(shù)一定不會出現(xiàn)梯度消失。答案：×60.在聯(lián)邦學習中，服務器端無需任何訓練數(shù)據(jù)即可完成聚合。答案：√五、簡答題（共30分）61.簡述梯度消失與梯度爆炸的產(chǎn)生原因，并各給出兩種緩解方法。（6分）答案：原因：反向傳播鏈式求導導致梯度連乘，若導數(shù)值大多小于1則梯度指數(shù)級減?。ㄏВ?，若大于1則指數(shù)級增大（爆炸）。緩解消失：1.使用ReLU及其變體激活函數(shù)；2.采用殘差連接。緩解爆炸：1.梯度裁剪；2.權重初始化如He、Xavier。62.說明BatchNorm在訓練與推理階段的計算差異，并解釋movingaverage的作用。（6分）答案：訓練階段：對每個batch計算均值方差并做歸一化，同時通過momentum更新runningmean/var。推理階段：使用running統(tǒng)計量，不再依賴batch數(shù)據(jù)，確保單樣本輸出穩(wěn)定。movingaverage平滑歷史信息，減少batch波動，提升泛化。63.列舉三種主流的數(shù)據(jù)增強方法，并指出其適用場景。（6分）答案：1.隨機水平翻轉：圖像分類，提升水平不變性。2.CutMix：目標檢測/分類，通過裁剪粘貼增加局部多樣性。3.SpecAugment：語音識別，對頻譜圖進行時域掩蔽和頻域掩蔽。64.解釋聯(lián)邦學習中的“非獨立同分布(NonIID)”挑戰(zhàn)，并給出兩種解決方案。（6分）答案：NonIID指客戶端數(shù)據(jù)分布差異大，導致本地模型更新方向不一致，全局模型發(fā)散。方案：1.FedProx，在本地目標加入近端項限制偏離；2.個性化聯(lián)邦，如FedPer，為每個客戶端保留個性化頭部。65.簡述知識蒸餾中“教師助理”機制的原理與作用。（6分）答案：當教師模型過大，直接蒸餾給學生困難，引入規(guī)模中等的助理模型，先由教師蒸餾給助理，再由助理蒸餾給學生，分段減小容量差距，提升學生收斂與精度。六、應用題（共40分）66.圖像分類模型調(diào)優(yōu)（10分）給定CIFAR10數(shù)據(jù)集，基線模型為ResNet18，初始訓練結果：訓練準確率94%，驗證準確率78%。(1)指出兩種可能原因?qū)е律鲜霾罹唷＃?分）(2)給出三種改進策略，并說明預期效果。（6分）(3)若采用MixUp，請寫出PyTorch關鍵代碼片段（兩行以內(nèi)）。（2分）答案：(1)過擬合；數(shù)據(jù)分布差異。(2)1.數(shù)據(jù)增強（隨機裁剪、水平翻轉），提升泛化；2.加入Dropout=0.3，降低過擬合；3.使用余弦退火學習率，提高收斂穩(wěn)定性。(3)inputs,targets_a,targets_b,lam=mixup_data(inputs,targets,alpha=0.2)。67.目標檢測指標計算（10分）單張圖片含3個真實框，模型輸出5個預測框，置信度分別為[0.9,0.8,0.7,0.6,0.5]，對應IoU=[0.85,0.75,0.45,0.4,0.3]。若IoU閾值=0.5，(1)計算TP、FP、FN。（3分）(2)計算Precision、Recall。（2分）(3)若第二框置信度降為0.4，重新計算Precision。（2分）(4)說明mAP@0.5:0.95的含義。（3分）答案：(1)TP=2，F(xiàn)P=3，F(xiàn)N=1。(2)P=2/5=0.4，R=2/3≈0.667。(3)排序后前2仍為TP，Precision=2/5=0.4。(4)從0.5到0.95步長0.05共10個IoU閾值下AP的平均值，綜合評估定位精度。68.文本生成模型微調(diào)（10分）使用GPT2做中文古詩生成，數(shù)據(jù)集為5000首五言絕句，每首20字。(1)指出兩種快速微調(diào)技術，并比較顯存占用。（4分）(2)給出評估生成質(zhì)量的兩種自動指標。（2分）(3)若出現(xiàn)重復生成“春眠不覺曉”，請?zhí)岢鰞煞N改進方法。（4分）答案：(1)LoRA：凍結原模型，插入低秩矩陣，顯存≈原模型30%；AdaLoRA：動態(tài)秩，顯存略高。(2)perplexity、BLEU。(3)1.提高temperature至1.2增加隨機性；2.使用重復懲罰(repetition_penalty=1.2)。69.聯(lián)邦學習系統(tǒng)實現(xiàn)（10分）10家醫(yī)院協(xié)作訓練肺炎篩查模型，數(shù)據(jù)量分別為[100,200,300,400,500,600,700,800,900,1000]張。(1)若采用FedAvg，寫出服務器端聚合權重公式。（2分）(2)給出客戶端本地訓練偽代碼（含3步）。（3分）(3)若第3號客戶端dropout30%參與，求實際參與樣本量。（2分）(4)指出兩種防御投毒攻擊的方法。（3分）答案：(1)w_global=sum(n_k/n_total×w_k)。(2)1.下載全局權重；2.本地訓練epoch=5；3.上傳權重與樣本量。(3)400×0.7=280張。(4)1.異常檢測，剔除更新范數(shù)異常大的客戶端；2.使用Trimmedmean聚合，去除極端值。70.模型壓縮與部署綜合（10分）給定ResNet50分類模型，大小95MB，Top1準確率76.1%，需部署到邊緣ARM芯片，內(nèi)存限制30MB，延遲<200ms。(1)設計壓縮方案，說明順序與預期指標。（4分）(2)寫出INT8量化校準的關鍵步驟（三步）。（3分）(3)若量化后精度下降至74%，給出兩種補救措施。（3分）答案：(1)先通道剪枝50%→35MB，再知識蒸餾恢復精度至75.5%，最后INT8量化至9MB，延遲150ms。(2)1.收集代表性數(shù)據(jù)1000張；2.運行前向統(tǒng)計每層min/max；3.計算scale/zero_point并寫入量化表。(3)1.采用QAT（量化感知訓練）微調(diào)5epoch；2.混合精度：首層與末層保持FP16。七、編程題（共20分）71.自定義注意力模塊（10分）請用PyTorch實現(xiàn)縮放點積注意力，要求：輸入Q,K,V維度均為(batch,n_head,seq_len,d_k)，輸出維度不變，支持mask。答案：importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassScaledDotProductAttention(nn.Module):def__init__(self):super().__init__()defforward(self,Q,K,V,