人工智能模型部署工程师岗位招聘考试试卷及答案.docVIP

人工智能模型部署工程师岗位招聘考试试卷及答案

试卷

一、填空题（每题1分，共10分）

1.跨框架模型转换的常用格式是______。

2.NVIDIA针对GPU推理优化的引擎是______。

3.容器化部署的常用工具是______。

4.容器编排的代表性工具是______。

5.将模型权重从FP32转为INT8的量化类型是______。

6.模型蒸馏的核心是让学生模型学习教师模型的______。

7.低延迟推理更适合的协议是______（HTTP/gRPC）。

8.边缘部署的典型优势是______（低延迟/高算力）。

9.模型压缩中，去除冗余权重的技术是______。

10.TensorFlowLite主要用于______设备推理。

二、单项选择题（每题2分，共20分）

1.以下不是模型推理引擎的是？

A.TensorRTB.ONNXRuntimeC.PyTorchD.OpenVINO

2.Docker镜像不包含的内容是？

A.基础镜像B.宿主机内核C.环境依赖D.应用代码

3.Kubernetes中负责容器调度的组件是？

A.kubeletB.schedulerC.etcdD.kube-proxy

4.动态量化的特点是？

A.权重和激活值均量化B.仅激活值动态量化C.仅权重量化D.无精度损失

5.边缘设备常用的加速芯片不包括？

A.ARMCortexB.NVIDIAJetsonC.IntelXeonD.GoogleCoral

6.ONNX的全称是？

A.OpenNeuralNetworkExchangeB.OpenNetworkNeuralExchange

C.OpenNeuralExchangeNetworkD.OpenExchangeNeuralNetwork

7.模型蒸馏中，学生模型的目标是？

A.复制教师结构B.学习教师输出分布C.比教师模型大D.仅学习标签

8.用于模型性能profiling的工具是？

A.TensorBoardB.NVIDIANsightC.DockerComposeD.Kubectl

9.模型部署中A/B测试的作用是？

A.提升准确率B.验证新模型效果C.减少成本D.加速推理

10.移动部署常用的框架是？

A.TensorFlowLiteB.PyTorchMobileC.ONNXRuntimeMobileD.以上都是

三、多项选择题（每题2分，共20分）

1.模型部署的步骤包括？

A.模型转换B.容器化C.性能优化D.监控

2.属于模型压缩技术的是？

A.量化B.剪枝C.蒸馏D.正则化

3.Kubernetes核心组件有？

A.etcdB.schedulerC.kubeletD.Docker

4.推理优化方法包括？

A.量化B.算子融合C.批量推理D.模型并行

5.边缘部署的优势是？

A.低延迟B.低带宽C.高隐私D.高算力

6.支持ONNX格式的框架有？

A.PyTorchB.TensorFlowC.MXNetD.Caffe2

7.模型部署的监控指标包括？

A.推理延迟B.吞吐量C.准确率衰减D.资源使用率

8.属于API网关的工具是？

A.NginxB.KongC.IstioD.Prometheus

9.蒸馏的关键要素包括？

A.教师模型B.学生模型C.温度参数D.损失函数

10.移动部署的适配框架是？

A.TensorFlowLiteB.PyTorchMobileC.ONNXRuntimeMobileD.OpenVINO

四、判断题（每题2分，共20分）

1.ONNX仅支持PyTorch和TensorFlow转换。（×）

2.Docker容器可直接访问宿主机内核。（×）

3.Kubernetes中Pod是最小部署单元。（√）

4.静态量化的激活值在训练时校准。（√）

5.模型蒸馏会显著降低准确率。（×）

6.gRPC比HTTP更适合高吞吐量推理。（√）

7.边缘部署无需考虑带宽问题。（×）

8.TensorRT仅支持NVIDIAGPU。（√）

9.剪枝会删除所有非零权重。（×）

10.模型部署中监控是可选步骤。（×）

五、简答题（每题5分，共20分）

1.简述模型量化的核心思想及优势。

答案：模型量化核心是将高精度（如FP32）的权重/激活值转为低精度（如INT8），减少存储与计算量。优势：①缩小模型体积（INT8比FP32小75%）；②提升推理速度（低精度运算适配硬件加速）；③适配边缘设备（低算力设备可运行）；④降低带宽消耗（传输更快）。需通过校准平衡精度损失。

2.什么是容器化部署？Docker的作用是什么？

答案：容器化部署是将模型、依赖、配置打包为可移植容器，确保跨环境一致运行。Docker作用：①打包：封装所有运行所需为镜像；②隔离：容器间进程/资源隔离，避免冲突；③移植：镜像跨平