《人工智能训练师-技师》技能鉴定浓缩高频考点题(附答案).docxVIP

《人工智能训练师-技师》技能鉴定浓缩高频考点题(附答案)

一、数据处理与标注

1.问题：在图像数据清洗中，如何综合运用统计方法与深度学习方法检测并处理模糊图像？

答案：统计方法可通过计算图像梯度幅值（如Sobel算子）、方差（如灰度方差）或拉普拉斯算子响应值，设定阈值筛选低清晰度图像；深度学习方法可使用预训练的模糊检测模型（如基于VGG的二分类模型），输入图像后输出模糊概率。处理时，对模糊程度超过阈值的图像，若为关键样本可重新采集，非关键样本则直接剔除或标记为“低质量”，避免污染训练集。

2.问题：设计多轮对话文本标注规范时，需重点明确哪些核心要素？

答案：需明确：①对话意图边界（如“查询天气”与“查询天气趋势”是否为同一意图）；②槽位定义（如“时间”槽位是否需细化到“年/月/日/时”）；③上下文关联规则（如后续轮次中“它”指代的前序实体需标注）；④特殊场景处理（如用户打断、重复提问时的标注规则）；⑤标注一致性校验标准（如不同标注员对同一对话的标注分歧率需≤5%）。

3.问题：多模态数据（图像+文本）融合标注时，如何解决跨模态对齐问题？

答案：需建立对齐标注规则：①时间戳对齐（如视频帧与对应解说文本的时间戳同步）；②语义对齐（如图像中的“红色轿车”需与文本中的“红色的小轿车”标注为同一实体）；③情感对齐（如图像中微笑表情需与文本中“开心”情感标签对应）。可通过人工标注示例+自动校验工具（如余弦相似度计算跨模态特征向量的匹配度）双重验证，确保对齐准确率≥90%。

二、模型训练与调优

4.问题：在医疗影像分类任务中，训练集存在类别不平衡（正常样本占比80%，病变样本占比20%），可采用哪些策略提升模型对病变样本的识别能力？

答案：①数据层面：对少数类样本进行过采样（如SMOTE算法生成合成样本）或欠采样（随机删除部分多数类样本）；②损失函数层面：使用加权交叉熵（为病变样本设置更高权重）或FocalLoss（降低易分类样本的损失贡献）；③评估指标层面：重点关注召回率（Recall）和F1值，而非准确率；④模型层面：采用集成学习（如训练多个子模型并加权融合）或引入注意力机制（如CBAM模块聚焦病变区域）。

5.问题：超参数调优时，网格搜索与贝叶斯优化的核心区别是什么？各自的适用场景如何？

答案：核心区别：网格搜索是穷举所有预设参数组合的暴力搜索，依赖人工设定参数范围；贝叶斯优化基于概率模型（如高斯过程），通过历史评估结果动态选择下一组参数，具有“智能寻优”特性。适用场景：网格搜索适用于参数空间小（如2-3个参数，每个参数≤5个候选值）、计算资源充足的场景；贝叶斯优化适用于参数空间大（如5个以上参数）、计算成本高（如大模型训练）的场景，可在更少迭代次数内找到较优解。

6.问题：使用PyTorch训练模型时，若出现“训练loss下降但验证loss上升”的过拟合现象，应如何排查与解决？

答案：排查步骤：①检查训练集与验证集分布是否一致（如是否存在数据泄露）；②统计训练集与验证集的样本量（验证集是否过小导致波动）；③查看模型复杂度（是否层数过多、参数过多）。解决方法：①增加正则化（L1/L2正则、Dropout层）；②提前终止（EarlyStopping，在验证loss连续3-5轮上升时停止训练）；③数据增强（如图像旋转、翻转，文本替换同义词）；④降低模型复杂度（减少隐藏层神经元数量或层数）。

三、算法优化与模型轻量化

7.问题：模型剪枝可分为结构化剪枝与非结构化剪枝，二者的主要区别是什么？各自的优缺点？

答案：区别：结构化剪枝以卷积核、通道等结构为单位删除参数（如删除整个卷积层的某一通道）；非结构化剪枝以单个权重为单位删除（如删除权重矩阵中绝对值小于阈值的元素）。优点：结构化剪枝可直接降低模型计算量（如减少FLOPs），支持硬件加速；非结构化剪枝压缩率更高（可达90%以上参数删除）。缺点：结构化剪枝可能损失部分关键特征（如删除重要通道）；非结构化剪枝导致权重矩阵稀疏，需专用硬件或稀疏计算库支持，通用性差。

8.问题：在移动端部署目标检测模型时，如何通过量化技术实现模型轻量化？需注意哪些问题？

答案：量化技术包括：①静态量化（训练后量化，将FP32权重转换为INT8，通过校准集统计激活值分布）；②动态量化（仅量化权重，激活值在推理时动态转换为INT8）；③量化感知训练（训练时模拟量化误差，提升量化后模型精度）。注意问题：①敏感层保护（如注意力机制层、输出层量化步长需更精细）；②精度损失验证（量化后mAP需与原模型差距≤1%）；③硬件适配（如ARM芯片对INT8指令的支持程度）。

9.问题：小样本学习中，元学习（Meta-Learning）与迁移学