2025年人工智能训练师(一级)每日一练规范题(附答案).docxVIP

2025年人工智能训练师(一级)每日一练规范题(附答案)

一、数据处理与标注（共4题）

1.（单选题）某医疗影像AI训练项目中，标注团队提交了一批胸部CT图像标注数据，其中包含3000张正常肺叶图像和100张肺炎病灶图像。经初步检查发现，部分肺炎病灶的标注框存在“覆盖不全”（仅标注病灶1/3区域）和“过度覆盖”（标注框超出病灶边缘2cm）问题。以下处理措施中最合理的是（）

A.直接剔除所有肺炎病灶标注数据，仅保留正常图像

B.对标注错误的肺炎图像重新标注，正常图像无需处理

C.对所有标注数据进行人工复核，修正错误标注框并记录错误类型

D.将标注错误的图像标记为“待验证”，继续用于训练以观察模型鲁棒性

答案：C

解析：医疗影像标注直接影响模型诊断准确性，标注错误（覆盖不全/过度覆盖）会导致模型学习到错误特征。正确做法是全量复核，修正错误并记录错误类型（如人为疏忽、标注工具缺陷），以便后续优化标注流程。选项A剔除数据会导致正负样本失衡；选项B忽略正常图像可能遗漏其他潜在错误；选项D使用错误数据会污染训练集。

2.（多选题）某电商平台意图训练商品推荐模型，需构建用户行为日志数据集。以下属于“高价值标注特征”的是（）

A.用户点击商品时的设备型号（如iPhone16Pro）

B.用户加购商品到下单的时间间隔（单位：分钟）

C.商品详情页停留时长（单位：秒）

D.用户登录时的IP地址（精确到城市）

答案：B、C

解析：高价值标注特征需与推荐目标强相关。B（加购到下单间隔）反映用户购买决策速度，C（详情页停留时长）反映用户兴趣强度，均直接影响推荐优先级。A（设备型号）与商品偏好无直接关联；D（IP地址）可能涉及隐私且与推荐意图弱相关（除非需地域推荐，但题干未说明）。

3.（实操题）某团队需为“多模态情感分析模型”标注数据，要求融合文本（用户评论）、语音（录音）、表情（摄像头截图）三种模态。请设计一套标注规范，包含：（1）情感标签定义；（2）多模态冲突处理规则；（3）标注质量校验方法。

答案（示例）：

（1）情感标签定义：采用5级分类（-2：极度负面，-1：轻微负面，0：中性，+1：轻微正面，+2：极度正面）。文本情感需结合语义（如“极差”=-2，“还行”=0）；语音情感通过语速（200字/分钟可能为负面）、语调（尖锐高音可能为负面）判断；表情情感通过面部动作编码系统（FACS）识别（如皱眉+嘴角下垂=-1，微笑+眼角纹=+1）。

（2）多模态冲突处理规则：若三模态标签差异≥2级（如文本+2、语音-1、表情0），标记为“冲突样本”，需人工复核：①优先参考文本（用户主动表达）；②若文本模糊（如“挺好的…”），结合语音/表情强度（如语音语调愤怒则降1级）；③仍无法确定则剔除该样本。

（3）标注质量校验方法：①双盲标注：同一批数据由2名标注员独立标注，计算Kappa系数（目标≥0.8）；②抽样复核：每日抽取5%数据由组长复核，记录错误类型（如标签偏移、模态忽略）；③一致性测试：每季度对标注员进行标准化测试（使用已知标签的历史数据），准确率需≥90%。

4.（判断题）在训练“垃圾邮件识别模型”时，若发现训练集中“促销类邮件”占比达70%，而实际场景中仅占30%，此时应通过“欠采样”降低促销类邮件比例至30%。（）

答案：错误

解析：欠采样（随机删除多数类样本）会丢失关键信息（如促销邮件的不同话术特征）。正确做法是采用“加权交叉熵损失函数”（对少数类样本赋予更高权重）或“过采样”（通过SMOTE算法生成少数类合成样本），保留多数类的完整特征分布。

二、模型训练与调优（共5题）

5.（单选题）使用PyTorch训练一个文本分类模型（输入为1000维词向量，隐藏层256维，输出5类），训练10轮后发现：训练集准确率92%，验证集准确率65%，训练损失0.2，验证损失1.8。最可能的问题是（）

A.学习率过低

B.模型复杂度不足

C.数据泄露

D.过拟合

答案：D

解析：训练集与验证集性能差距大（92%vs65%）、验证损失远高于训练损失，是典型过拟合现象。过拟合原因可能是模型复杂度高（256维隐藏层对1000维输入可能过深）或训练数据量不足。学习率过低会导致训练损失下降缓慢；模型复杂度不足会导致训练/验证准确率均低；数据泄露会导致验证集准确率异常高（接近训练集）。

6.（多选题）某团队训练图像分类模型（ResNet-50）时，发现训练过程中GPU内存频繁溢出（OOM）。以下可解决该问题的措施有（）

A.减少批量大小（BatchSize）从128降至64

B.对输