2025技能考试人工智能训练师三级题库练习试卷附答案.docxVIP

2025技能考试人工智能训练师三级题库练习附答案

一、单项选择题（每题2分，共30分）

1.以下哪项不属于结构化数据的典型特征？

A.存储于二维表格中

B.具有明确的字段定义

C.包含自然语言文本

D.可通过SQL直接查询

答案：C

解析：结构化数据通常以行和列的形式存储（如数据库表），字段定义明确，支持标准化查询；自然语言文本属于非结构化数据，无固定格式，需通过NLP技术处理。

2.在图像分类任务中，若训练集包含大量猫的图片但狗的图片较少，最可能导致模型出现哪种问题？

A.欠拟合

B.过拟合

C.类别不平衡

D.梯度消失

答案：C

解析：类别不平衡指数据集中不同类别的样本数量差异显著，会导致模型偏向多数类（如猫），对少数类（如狗）的识别能力下降；欠拟合是模型复杂度不足，过拟合是模型过度记忆训练数据，梯度消失与深层网络优化有关，均不符合题意。

3.以下哪种数据增强方法不适用于手写数字识别任务（MNIST）？

A.随机旋转（±15°）

B.随机缩放（0.8-1.2倍）

C.随机颜色反转

D.随机平移（±2像素）

答案：C

解析：MNIST是灰度图像，颜色反转会将黑底白字变为白底黑字，但数字形状未改变，理论上可增强；但实际应用中，手写数字的颜色通常固定（黑字白底或白底黑字），随机颜色反转可能引入不真实的分布（如灰底灰字），因此更不适用于该任务。其他选项（旋转、缩放、平移）均符合手写数字的变形规律。

4.在BERT模型微调时，若任务为情感分析（积极/消极），通常需要修改的最后一层是？

A.注意力层（AttentionLayer）

B.前馈神经网络（FFN）

C.池化层（PoolerLayer）

D.分类器（Classifier）

答案：D

解析：BERT预训练阶段的输出通过池化层（如取[CLS]token的向量）得到句子表示，微调时需在池化层后添加分类器（如全连接层），将768维向量映射到2维（积极/消极），因此修改的是分类器层。

5.评估目标检测模型时，mAP（平均精度均值）的计算基于以下哪组指标？

A.精确率（Precision）和召回率（Recall）

B.F1分数和准确率（Accuracy）

C.交并比（IoU）和置信度（Confidence）

D.损失值（Loss）和学习率（LearningRate）

答案：A

解析：mAP的计算步骤为：对每个类别，计算不同召回率下的精确率，取最大精确率的平均值（AP），再对所有类别取平均得到mAP。其核心是精确率-召回率曲线下的面积，因此基于P-R指标。

6.以下哪种场景最适合使用主动学习（ActiveLearning）？

A.已有百万级标注数据，需快速训练模型

B.标注成本高，仅有少量标注数据

C.数据分布稳定，模型需持续在线学习

D.模型过拟合，需增强数据多样性

答案：B

解析：主动学习通过选择“最有价值”的未标注样本（如模型预测置信度低的样本）让专家标注，可在标注成本高、数据量少的场景下高效提升模型性能。其他场景：A需大规模数据直接训练；C适合在线学习；D需数据增强。

7.在LSTM网络中，遗忘门（ForgetGate）的作用是？

A.决定保留多少过去的记忆

B.决定输入多少当前信息

C.计算候选记忆细胞

D.输出最终隐藏状态

答案：A

解析：遗忘门通过sigmoid函数输出0-1的向量，0表示完全遗忘，1表示完全保留，用于控制细胞状态中旧信息的保留程度；输入门控制当前输入信息的添加，候选记忆细胞由tanh层计算，输出门决定最终隐藏状态。

8.若某模型在训练集上的准确率为95%，验证集上的准确率为70%，最可能的原因是？

A.学习率过低

B.正则化不足

C.数据增强过度

D.特征提取不充分

答案：B

解析：训练集准确率高但验证集低，说明模型过度拟合训练数据的噪声或细节，可能因正则化不足（如未使用Dropout、L2正则）导致；学习率过低会导致训练缓慢，数据增强过度可能降低训练集准确率，特征提取不充分会导致训练集准确率低。

9.以下哪项是多模态数据融合的典型应用？

A.单张RGB图像的目标检测

B.文本情感分析

C.结合图像和文本的商品推荐

D.时序数据的异常检测

答案：C

解析：多模态融合指整合不同类型数据（如图像、文本、语音），商品推荐中结合图像（商品外观）和文本（商品描述）属于多模态；A、B、D均为单模态任务。

10.标注医