2025年職業(yè)技能大賽(人工智能訓(xùn)練師)試題庫(含答案)一、單選題（每題1分，共30分）1.在PyTorch中，若需凍結(jié)某一層參數(shù)使其不參與反向傳播，應(yīng)執(zhí)行的操作是A.layer.requires_grad=FalseB.layer.train(False)C.torch.no_grad()D.layer.eval()答案：A解析：requires_grad=False直接關(guān)閉張量梯度計算，其余選項僅影響Dropout/BN行為或上下文。2.使用Adam優(yōu)化器時，若beta1由0.9調(diào)至0.99，最可能出現(xiàn)的現(xiàn)象是A.收斂速度加快，震蕩加劇B.收斂速度變慢，震蕩減弱C.學(xué)習(xí)率自動增大D.二階矩估計方差爆炸答案：B解析：beta1增大使動量更平滑，歷史梯度權(quán)重更高，更新更保守。3.在VisionTransformer中，位置編碼采用二維sincos相對位置編碼的主要目的是A.降低顯存占用B.保持輸入token的平移等變性C.使注意力矩陣稀疏D.兼容任意輸入分辨率答案：D解析：二維sincos可插值到任意圖像尺寸，保持位置信息連續(xù)性。4.當(dāng)使用混合精度訓(xùn)練時，LossScaling因子在梯度下溢時應(yīng)A.乘以2B.除以2C.保持不變D.重置為1答案：A解析：下溢說明梯度太小，放大2倍再反傳可保留有效位。5.在聯(lián)邦學(xué)習(xí)場景下，F(xiàn)edAvg算法中客戶端本地epoch數(shù)增加會導(dǎo)致A.通信開銷線性下降B.全局模型方差增大C.收斂速度一定加快D.隱私預(yù)算ε減小答案：B解析：本地更新步長增大，客戶端漂移加劇，全局方差上升。6.使用TensorRT加速BERT推理時，下列層中必須保留FP32精度的是A.LayerNormB.GELUC.QKV線性層D.Softmax答案：A解析：LayerNorm對數(shù)值范圍敏感，F(xiàn)P16易溢出，TensorRT默認保留FP32。7.在深度強化學(xué)習(xí)PPO算法中，clip參數(shù)ε=0.2的作用是A.限制策略更新KL散度上界B.限制值函數(shù)誤差C.限制重要性采樣比D.限制熵正則系數(shù)答案：C解析：clip截斷概率比rt(θ)=π(a|s)/π_old(a|s)到[1ε,1+ε]區(qū)間。8.當(dāng)使用Horovod做多機訓(xùn)練時，若出現(xiàn)梯度AllReduce掛死，最可能原因是A.學(xué)習(xí)率過大B.NCCL_RING拓撲設(shè)置錯誤C.數(shù)據(jù)未shuffleD.激活函數(shù)溢出答案：B解析：NCCL_RING不匹配導(dǎo)致通信環(huán)斷裂，進程無限等待。9.在目標(biāo)檢測YOLOv8中，DFL（DistributionFocalLoss）分支的作用是A.預(yù)測框中心點概率分布B.預(yù)測框?qū)捀叻植糃.預(yù)測框中心偏移分布D.預(yù)測框置信度分布答案：B解析：DFL對寬高做離散分布回歸，提升定位精度。10.當(dāng)使用DeepSpeedZeRO3時，下列狀態(tài)被分區(qū)到各GPU的是A.優(yōu)化器狀態(tài)+梯度+參數(shù)B.僅優(yōu)化器狀態(tài)C.僅參數(shù)D.僅梯度答案：A解析：ZeRO3將模型狀態(tài)全部切片，實現(xiàn)千億參數(shù)訓(xùn)練。11.在NLP數(shù)據(jù)增強中，使用回譯（backtranslation）最易引入的風(fēng)險是A.語法錯誤B.語義漂移C.長度爆炸D.詞匯重復(fù)答案：B解析：機器翻譯再翻譯可能改變細粒度語義，如情感極性反轉(zhuǎn)。12.當(dāng)使用KFold交叉驗證選擇超參時，若訓(xùn)練集與驗證集分布差異大，應(yīng)優(yōu)先采用A.StratifiedKFoldB.GroupKFoldC.TimeSeriesSplitD.RepeatedKFold答案：B解析：GroupKFold按樣本所屬組劃分，避免同組泄漏。13.在圖像分割任務(wù)中，DiceLoss相比交叉熵的優(yōu)勢是A.對類別不平衡不敏感B.可直接優(yōu)化IoUC.梯度更稀疏D.計算量更小答案：A解析：Dice系數(shù)按像素重疊度計算，對小目標(biāo)梯度穩(wěn)定。14.當(dāng)使用知識蒸餾訓(xùn)練小模型時，溫度T升高會導(dǎo)致軟標(biāo)簽A.熵減小B.熵增大C.方差減小D.均值漂移答案：B解析：溫度升高softmax輸出更均勻，熵增大。15.在AutoML框架NNI中，使用TPE搜索算法時，parallelism=8表示A.同時試8組超參B.搜索空間縮小8倍C.早停patience=8D.訓(xùn)練epoch=8答案：A解析：TPE支持異步并行，parallelism即并發(fā)Trial數(shù)。16.當(dāng)使用ONNX導(dǎo)出動態(tài)batch模型時，應(yīng)設(shè)置A.dynamic_axes={'input':{0:'batch'},'output':{0:'batch'}}B.input_names=['batch']C.opset_version=9D.do_constant_folding=False答案：A解析：dynamic_axes指定第0維為動態(tài)batch符號。17.在推薦系統(tǒng)Wide&Deep中，Wide部分使用FTRL優(yōu)化器的目的是A.支持L1稀疏性B.支持二階導(dǎo)C.支持動量D.支持warmstart答案：A解析：FTRL自帶L1正則，適合高維稀疏特征。18.當(dāng)使用GradCAM可視化CNN時，若目標(biāo)類別置信度已飽和（0.999），仍可視化的原因是A.梯度仍攜帶定位信息B.ReLU阻擋負梯度C.權(quán)重共享D.全局平均池化答案：A解析：飽和區(qū)梯度小但非零，反向傳播可回傳類別判別信號。19.在Transformer中，若將注意力softmax改為ReLU，最可能出現(xiàn)A.梯度消失B.注意力權(quán)重非歸一化C.序列長度受限D(zhuǎn).參數(shù)共享失效答案：B解析：ReLU輸出可大于1，權(quán)重和不為1，破壞概率解釋。20.當(dāng)使用Deeplabv3+時，ASPP模塊中rate=24的空洞卷積對特征圖下采樣率為A.24B.12C.1D.不變答案：D解析：空洞卷積不降低分辨率，僅擴大感受野。21.在模型剪枝中，使用SNIP標(biāo)準(zhǔn)衡量權(quán)重重要度時，依賴的統(tǒng)計量是A.梯度與權(quán)重的乘積絕對值B.權(quán)重L2范數(shù)C.海森矩陣對角線D.激活稀疏度答案：A解析：SNIP=|g·w|，早期即估計剪枝后損失變化。22.當(dāng)使用Swish激活函數(shù)時，其相比ReLU在硬件上的主要劣勢是A.不可導(dǎo)B.需指數(shù)運算C.負半軸死亡D.輸出非零中心答案：B解析：Swish含sigmoid，需exp，latency高。23.在GPT3訓(xùn)練中，使用FP16混合精度仍保留FP32主副本的參數(shù)是A.嵌入層B.LayerNormC.輸出層D.所有參數(shù)答案：D解析：主副本全部FP32，計算副本FP16，避免精度累積誤差。24.當(dāng)使用RandAugment時，若N=2,M=15表示A.隨機選2種變換，幅度15B.固定2種變換，幅度15C.隨機選15種變換，幅度2D.變換概率0.15答案：A解析：RandAugment從14種策略隨機選N種，幅度0M離散值。25.在模型部署階段，使用TVM自動調(diào)優(yōu)時，tune_repeats=3的作用是A.重復(fù)測量3次取平均，降低噪聲B.搜索空間擴大3倍C.并行線程數(shù)3D.早停閾值3答案：A解析：硬件運行時間存在波動，多次測量提高穩(wěn)定性。26.當(dāng)使用CenterLoss做人臉識別時，λ控制A.類間距離B.類內(nèi)距離C.學(xué)習(xí)率D.正則強度答案：B解析：CenterLoss拉近同類中心，λ平衡Softmax與CenterLoss。27.在量化感知訓(xùn)練（QAT）中，F(xiàn)akeQuantize的scale參數(shù)通過A.滑動最大絕對值更新B.指數(shù)平均C.固定常量D.隨機搜索答案：A解析：PyTorch默認perchannel最大絕對值滑動更新。28.當(dāng)使用Detectron2訓(xùn)練MaskRCNN時，若GPU顯存不足，可優(yōu)先A.減小IMS_PER_BATCHB.減小BASE_LRC.增大NUM_WORKERSD.增大ROI_SIZE答案：A解析：batchsize直接決定激活顯存，優(yōu)先調(diào)小。29.在語音合成WaveGlow中，使用1×1可逆卷積的主要目的是A.通道混洗B.降低采樣率C.增加感受野D.引入非線性答案：A解析：1×1可逆卷積實現(xiàn)通道維度置換，增強表達能力。30.當(dāng)使用MocoV2做自監(jiān)督訓(xùn)練時，queue長度增大將A.降低字典一致性B.提高負樣本多樣性C.增加batchsizeD.減小學(xué)習(xí)率答案：B解析：隊列越長，負樣本越豐富，對比學(xué)習(xí)效果提升。二、多選題（每題2分，共20分）31.下列哪些操作可有效緩解Transformer過長輸入的O(N2)顯存問題A.LinformerB.PerformerC.GradientCheckpointingD.降低d_model答案：ABC解析：Linformer投影維度，Performer線性注意力，Checkpointing用時間換空間。32.在目標(biāo)檢測評估中，COCOmAP計算涉及A.IoU閾值0.5:0.95B.每類AP取平均C.忽略crowd目標(biāo)D.使用11點插值答案：ABC解析：COCO采用101點插值，非11點。33.下列屬于無監(jiān)督域適應(yīng)（UDA）方法的是A.DANNB.MMDC.CBAMD.ADR答案：ABD解析：CBAM為注意力模塊，非域適應(yīng)。34.當(dāng)使用PyTorchLightning時，下列鉤子函數(shù)可在驗證前執(zhí)行的是A.on_validation_epoch_startB.on_validation_batch_startC.on_train_epoch_endD.on_fit_start答案：AB解析：C在訓(xùn)練結(jié)束，D在整個fit開始。35.在模型蒸餾中，中間層特征蒸餾的優(yōu)勢包括A.提供細粒度監(jiān)督B.降低教師推理延遲C.學(xué)生可學(xué)習(xí)更深層表示D.無需標(biāo)簽數(shù)據(jù)答案：AC解析：特征蒸餾需教師前向，延遲不變；仍需標(biāo)簽或logits。36.下列關(guān)于GradientAccumulation的描述正確的是A.等效增大batchsizeB.需調(diào)整學(xué)習(xí)率C.增加顯存占用D.降低通信頻率答案：ABD解析：顯存占用減少，因小步前向。37.在推薦系統(tǒng)冷啟動場景，可采用的策略有A.MetalearningB.內(nèi)容特征C.探索利用D.矩陣分解答案：ABC解析：矩陣分解需交互歷史，冷啟動無數(shù)據(jù)。38.下列屬于自監(jiān)督預(yù)訓(xùn)練圖像任務(wù)的是A.RotationB.MoCoC.BYOLD.MixUp答案：ABC解析：MixUp為數(shù)據(jù)增強，非自監(jiān)督任務(wù)。39.當(dāng)使用ONNXRuntime推理時，可設(shè)置的圖優(yōu)化級別包括A.ORT_DISABLE_ALLB.ORT_ENABLE_BASICC.ORT_ENABLE_EXTENDEDD.ORT_ENABLE_ALL答案：ABCD解析：四檔可選，禁用、基礎(chǔ)、擴展、全部。40.在NLP模型壓縮中，可同時進行A.量化+剪枝B.剪枝+蒸餾C.蒸餾+量化D.量化+數(shù)據(jù)并行答案：ABC解析：數(shù)據(jù)并行屬訓(xùn)練策略，非壓縮。三、判斷題（每題1分，共10分）41.使用LayerwiseLearningRateDecay時，越靠近輸入層學(xué)習(xí)率應(yīng)越大。答案：√解析：預(yù)訓(xùn)練模型底層通用，需小步微調(diào)。42.在Detectron2中，ROI_HEADS.POSITIVE_FRACTION=0.5表示正負樣本比例1:1。答案：√解析：正負樣本按指定比例采樣。43.Transformer的注意力權(quán)重矩陣必為雙隨機矩陣。答案：×解析：softmax后行和為1，列和不一定。44.使用RandAugment時，幅度M越大一定帶來更高準(zhǔn)確率。答案：×解析：過大增強導(dǎo)致域偏移，性能下降。45.在聯(lián)邦學(xué)習(xí)中，SecureAggregation可防止服務(wù)器看到單個客戶端梯度。答案：√解析：同態(tài)加密或秘密共享實現(xiàn)。46.使用Swish激活函數(shù)一定比ReLU收斂快。答案：×解析：依賴任務(wù)與初始化，非絕對。47.在PyTorch中，nn.DataParallel與DistributedDataParallel可混合使用。答案：×解析：二者互斥，應(yīng)選其一。48.知識蒸餾中，溫度T越高教師軟標(biāo)簽越接近硬標(biāo)簽。答案：×解析：溫度越高分布越均勻，遠離硬標(biāo)簽。49.使用GradientClipping時，L2范數(shù)裁剪對RNN梯度爆炸有效。答案：√解析：裁剪上限抑制梯度指數(shù)增長。50.在COCO數(shù)據(jù)集上，AP@0.5一定大于AP@0.75。答案：√解析：IoU閾值越低，匹配越容易，AP更高。四、填空題（每空2分，共20分）51.PyTorch中，若需將模型參數(shù)以半精度保存，應(yīng)調(diào)用model.half()，再使用torch.save保存state_dict。52.Transformer中，若d_model=512，head=8，則每個head的維度為64。53.在YOLOv8中，CIoU損失包含中心點距離、重疊面積、長寬比三項。54.使用DeepSpeed時，配置文件zero_optimization.stage=3表示啟用ZeRO3。55.在推薦系統(tǒng)FM模型中，二階交互項計算復(fù)雜度為O(kn)，其中k為隱向量維度，n為特征數(shù)。56.若學(xué)習(xí)率調(diào)度器為CosineAnnealingLR，T_max=10，則10個epoch后lr降至最小。57.在圖像分類中，MixUp的λ參數(shù)服從Beta(α,α)分布，常用α=0.2。58.使用ONNX導(dǎo)出動態(tài)分辨率，應(yīng)設(shè)置dynamic_axes={'input':{2:'height',3:'width'}}。59.在GPT2中，上下文長度最大為1024個token。60.使用FocalLoss時，α參數(shù)用于平衡正負樣本權(quán)重，γ用于調(diào)節(jié)難易樣本權(quán)重。五、簡答題（每題10分，共30分）61.描述VisionTransformer在輸入端將圖像分塊后，如何通過可學(xué)習(xí)的位置編碼保持空間信息，并解釋為何使用二維sincos編碼可支持任意分辨率微調(diào)。答案：ViT將圖像切分為固定尺寸p×p塊，線性投影為d維向量，與一維可學(xué)習(xí)位置向量相加。二維sincos編碼將(x,y)分別映射到不同頻率正余弦，形成位置向量。由于sincos函數(shù)連續(xù)，任意新分辨率可通過插值獲得對應(yīng)位置向量，無需重新訓(xùn)練，實現(xiàn)零樣本分辨率遷移。62.說明在聯(lián)邦學(xué)習(xí)場景下，客戶端數(shù)據(jù)NonIID對FedAvg收斂的影響，并提出兩種改進策略并給出原理。答案：NonIID導(dǎo)致本地更新方向與全局最優(yōu)偏差大，模型漂移加劇，收斂慢甚至發(fā)散。改進：1)FedProx：在本地目標(biāo)加近端項μ/2·||ww^t||2，限制漂移幅度；2)SCAFFOLD：引入控制變量c_i校正本地梯度，全局更新時抵消客戶端偏差，理論保證收斂率與IID一致。63.給定一個已訓(xùn)練好的ResNet50模型，請寫出使用PyTorch實現(xiàn)通道剪枝的完整流程，包括重要性評估、剪枝、微調(diào)、驗證，并說明如何確定剪枝率。答案：步驟1：重要性評估——采用BN層γ系數(shù)作為通道重要性，計算|γ|并排序。步驟2：確定剪枝率——全局剪枝按目標(biāo)FLOP或顯存設(shè)定比例p，局部剪枝可按最小保留通道數(shù)約束，使用L1結(jié)構(gòu)化剪枝。步驟3：剪枝——調(diào)用torch.nn.utils.prune.ln_structured，對conv層按通道維度剪枝，生成mask。步驟4：微調(diào)——凍結(jié)其它層，以原學(xué)習(xí)率1/10訓(xùn)練10epoch，恢復(fù)精度。步驟5：驗證——在ImageNet驗證集測試Top1，若下降<0.5%則接受，否則回退剪枝率。代碼示例：```pythonimporttorch,torch.nn.utils.pruneasprunemodel=torchvision.models.resnet50(pretrained=True)parameters_to_prune=[]forminmodel.modules():ifisinstance(m,torch.nn.Conv2d):parameters_to_prune.append((m,'weight'))prune.global_unstructured(parameters_to_prune,pruning_fn=prune.LnStructured,n=1,amount=0.3)forminmodel.modules():ifprune.is_pruned(m):prune.remove(m,'weight')torch.save(model.state_dict(),'pruned.pth')```微調(diào)階段再加載繼續(xù)訓(xùn)練即可。六、綜合設(shè)計題（20分）64.某工業(yè)視覺檢測項目要求：在NVIDIAJetson