绿色训练：数据效率

CH-18-05-023·约 18 分钟·AI硬件与算力·更新 2026-08-12

想象一家小餐馆的后厨。大厨要做一桌让食客满意的菜，冰箱里食材有限、燃气有限。普通厨师的做法是：把所有食材一股脑全用上，累得满头大汗，电费燃气费飙升，最后菜才勉强及格。而一位“省料大厨”的做法完全不同——他先看哪些食材最耐放、最适合反复利用（同一块老豆腐煎、炖、凉拌各来一道），再有条理地先做简单开胃菜、后上硬菜，遇到拿不准的火候就请熟客尝一口指点方向。结果，同样的目标——一桌好菜，他只用了不到一半的食材、一半的燃气，菜反而更惊艳。这就是“数据效率”的思想：让 AI 模型用尽量少的训练样本达到同等性能。样本少了，训练时间短了，电费和碳排放自然降下来。这篇文章就用“省料大厨的厨房”作为贯穿全程的主舞台，带你认识数据增强、课程学习、主动学习这三把“省料神器”，理解不同任务怎么“看菜下碟”，最后把节能效果算成一本明白账。

岗位关联

掌握数据效率，你就不再靠堆数据解决问题，而是用更少的算力、更低的成本训练出同样好的模型——这是绿色 AI 时代工程师的核心竞争力。

可视化演示
数据效率概述
数据增强
课程学习
主动学习
任务适配
工程落地
节能收益
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

演示数据选择影响函数评估、数据增强扩展策略及数据集蒸馏压缩过程，交互切换三种模式观察绿色训练数据层优化机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据选择：影响函数评估高影响值样本被优先选入训练子集阈值T动态调节选择比例与能耗平衡效率=性能/数据量，选30%样本可节能70% 核心集选择在保持性能的同时大幅降低训练成本

数据效率概述

小餐馆的老板发现，两位厨师面对同一批食材做同一道招牌菜。第一位把所有食材全部用光，燃气开到最大，忙活一整天才端出及格分的菜；第二位只挑了三成食材，小火慢炖，提前收工，菜的品质丝毫不差。老板问秘诀，省料大厨擦了擦手：“食材和燃气都有限，闭着眼睛堆料不是本事，把每一克食材用在刀刃上才是。”

深度学习的“食材”就是训练样本。样本数量直接决定训练中前向和反向传播的次数，而每一次传播都在消耗 GPU 的电力与时间。想省能耗就得少用样本；想少用样本还不掉分，就得让每个样本发挥更大价值——这就是数据效率要解决的问题。

数据效率通常用一个“样本节省率”来量化，它刻画的是与基线方案相比，高效策略把达到目标精度所需的样本数压缩了多少：

就像省料大厨关心的不是“用了多少”而是“浪费了多少”，η 衡量的是被省下来的那部分样本。它是贯穿全篇的“厨房账本”——后续每一种策略，最终都要在这本账上记下一笔。

\eta = 1 - \frac{N_{\text{required}}}{N_{\text{baseline}}}

通俗说明：若基线需要 100 万样本才能达到 90% 精度，而新策略只需 40 万，则节省率 η = 0.6，即省下 60% 的数据。

基线样本需求指随机抽样、普通训练的样本量，是“把手边食材全用上”的基准。
$N_{\text{baseline}}$
高效策略样本需求应用增强、课程、主动学习后的样本量，是“精选食材”后的用量。
$N_{\text{required}}$
占比两者相除，得到高效策略仍然需要的样本比例。
$\frac{N_{\text{required}}}{N_{\text{baseline}}}$
节省率用 1 减去占比得到 η，越接近 1 说明越“省料”。
$\eta = 1 - \frac{N_{\text{required}}}{N_{\text{baseline}}}$

数据增强

省料大厨的招牌绝活是“一材多吃”：一块老豆腐，半块煎到两面金黄，剩下半块切成丁炖汤，边角料炸成脆皮豆腐球。食材还是那块食材，端上桌的却是三道菜。数据增强（Data Augmentation）就是深度学习的“一材多吃”。

模型训练时，我们把一张猫的照片旋转 15 度、左右翻转、调暗亮度、裁剪局部，这些新“照片”不需要重新收集，也不需要重新标注——标签还是“猫”。于是每个原始样本变成 K 个变体，等效样本量从 N 变成 N×K，而采集与标注成本几乎为零。省下的不只是钱，还有整理数据的体力活和训练时的算力。

从数学上看，数据增强后的训练目标是对 K 个变换后的样本分别计算损失再取平均：

图像任务里，翻转、裁剪、颜色扰动是最常用的“刀工”；文本任务里，同义词替换、回译、随机掩码则像“换汤不换药”的料理方式。菜还是那些菜，但模型见到的花样多了，自然不需要再囤积海量新食材。

\tilde{\mathcal{L}}(\theta) = \frac{1}{N}\sum_{i=1}^{N}\frac{1}{K}\sum_{k=1}^{K}\ell\left(f_\theta\big(g_k(x_i)\big),\, y_i\right)

通俗说明：g_k 是第 k 种变换（旋转、翻转、加噪等），ℓ 是损失函数。

原始样本与变换次数N 个原始样本，每个做 K 种变换，训练时等效见到 N×K 份“菜”。
$N,\ K$
变换样本对第 i 个样本施加第 k 种变换，得到一个新样本。
$g_k(x_i)$
损失平均先对 K 个变换的损失求均值，再对 N 个样本求均值，构成整体训练损失。
$\frac{1}{K}\sum_{k=1}^{K}\ell\left(f_\theta\big(g_k(x_i)\big),\, y_i\right)$
参数更新模型沿该损失梯度更新，学到对变换不敏感的稳健特征。
$\theta \leftarrow \theta - \alpha \nabla_\theta \tilde{\mathcal{L}}(\theta)$

课程学习

省料大厨从不一上来就挑战佛跳墙。他的后厨有一条铁律：先易后难。新徒弟先练切葱、再学颠勺、最后才是雕花摆盘。直接让新手做硬菜，不是烧糊就是砸锅，浪费的食材比省下的更多。课程学习（Curriculum Learning）把这条后厨铁律搬进了深度学习。

经典做法是：先把训练样本按难度排序，模型先学简单样本，随着训练推进逐渐加入困难样本。简单样本让模型快速建立可靠的表征，困难样本再逐步打磨决策边界。这样做不仅收敛更快，还因为简单样本的标签往往更干净，天然具备抗噪声能力。

形式化地，训练第 t 步选取的样本子集可以写成：

回到厨房：先易后难让模型在早期就把基本功打得扎实，后期遇到硬菜时不需要从头再来。相比一上来全盘乱炖，课程学习用同样的食材池子，却能在更短的时间内达到同样的火候——节省的正是反复试错的能耗。

\mathcal{D}_t = \left\{(x_i,\, y_i) \in \mathcal{D} : c(x_i) \le \tau_t\right\}

通俗说明：c 是样本难度打分，τ_t 是随训练进度逐步增大的难度门槛。

难度函数给每个样本打分，图像任务常用预训练模型置信度或损失值，文本任务可用句子长度、词频。
$c(x_i)$
难度门槛当前允许的难度上限，初始很小只放行简单样本，随 t 增长逐步放宽。
$\tau_t$
子集筛选从全量数据中筛出难度不超过门槛的样本作为本步训练集。
$\mathcal{D}_t = \left\{(x_i,\, y_i) \in \mathcal{D} : c(x_i) \le \tau_t\right\}$
调度策略门槛的增长节奏（线性、阶梯或自适应）就是“课程表”，决定训练进程。
$\tau_{t+1} = \tau_t + \Delta_t$

主动学习

省料大厨还有一个秘密武器：他会把刚出锅的菜先分一小碟给熟客试味，客人皱眉，他就优先改进那道菜；客人点头，就保持原样。与其把所有菜都大刀阔斧地改一遍，不如把精力集中在客人最没把握的那几道。主动学习（Active Learning）用的正是这套“试菜”逻辑。

训练数据往往需要人工标注，而标注是昂贵的“人工费”。主动学习的思路是：让模型自己从无标注样本池中挑出“最拿不准”的样本，再交给人类标注。这样每一笔标注费都花在最有信息量的样本上，而不是浪费在那些模型早已十拿九稳的数据上。

最经典的挑选准则是“不确定性采样”——挑模型预测置信度最低的样本：

实际工程还会给不确定性加上多样性约束，避免挑回一堆相似的样本；与自监督预训练结合时，模型先在大规模无标注数据上预训练，再配合主动挑选，标注需求可进一步压到原先的 30%~50%。一桌菜不可能全部重做，标注预算也不可能无限扩张——这就是主动学习跻身“绿色三件套”的原因。

x^{*} = \arg\max_{x \in \mathcal{U}} \left(1 - \max_{c}\, P_{\theta}(y = c \mid x)\right)

通俗说明：P 是模型给样本打上类别 c 的概率，1 减去最大概率就是“没把握程度”。

未标注池尚未标注的候选样本集合，相当于“还没尝过的菜”。
$\mathcal{U} = \{x_1, x_2, \dots, x_M\}$
预测概率模型在当前参数 θ 下，认为样本 x 属于某个类别 c 的概率。
$P_{\theta}(y = c \mid x)$
最可能的答案取所有类别中概率最大的那个，代表模型当前最有把握的判断。
$\max_{c}\, P_{\theta}(y = c \mid x)$
不确定性得分与挑选用 1 减去最大概率得到“没把握程度”，argmax 选中得分最高的样本。
$x^{*} = \arg\max_{x \in \mathcal{U}} \left(1 - \max_{c}\, P_{\theta}(y = c \mid x)\right)$

任务适配

省料大厨深谙“看菜下碟”：粤菜讲究食材本味，适合清蒸；川菜重调味，适合爆炒。把清蒸的方子拿去爆炒，省下的食材全糊在锅底。数据效率策略同样要对任务类型对症下药，不能一套方子走天下。

图像任务中，数据增强几乎零成本且语义保持性好，是首选的省料策略。文本任务中，人工标注费极高，主动学习叠加增强的收益最大。语音任务中，样本难度天然分层——清晰录音和嘈杂环境有壁，课程学习效果突出。盲目照搬跨领域的策略组合，往往得不偿失。

几种策略叠加时，工程上可以做一个粗略的经验估算：

判断一份省料方案好不好，关键不是策略多花哨，而是它是否适合当晚的菜单。图像、文本、语音各有自己的“火候”偏好——适配对了，才是真省。

N_{\text{eff}} = N_0 \times (1 - r_{\text{aug}}) \times (1 - r_{\text{cur}}) \times (1 - r_{\text{act}})

通俗说明：N_0 是基线样本需求，r_aug、r_cur、r_act 分别是三种策略各自的节省率。

基线需求不使用任何策略时的样本需求，是账本的起点。
$N_0$
单项节省率数据增强、课程学习、主动学习各自贡献的节省比例，取值在 0 到 1 之间。
$r_{\text{aug}},\ r_{\text{cur}},\ r_{\text{act}}$
复合节省节省率连乘反映“省了再省”的复合效应，例如各省 30% 时实际需求约为基线的一半。
$(1 - r_{\text{aug}}) \times (1 - r_{\text{cur}}) \times (1 - r_{\text{act}})$
验证与校准连乘是经验近似，实际存在交互效应，需用小规模实验校准后再放大。
$N_{\text{eff}} = N_0 \times (1 - r_{\text{aug}}) \times (1 - r_{\text{cur}}) \times (1 - r_{\text{act}})$

工程落地

有了省料技巧，还差一套后厨管理。省料大厨的厨房有三样东西：食材预算本、采购流程单、出菜监控表。没有这套管理，再好的技巧也会在忙乱中失效。数据效率的工程落地同样依赖三条配套措施。

一是数据管线设计——把采集、清洗、增强、课程排序、主动标注循环串成一条自动化流水线，每一步的产物都标准化输入下一步。二是预算先行——先在小规模子集上做试算，估算 N_required 和 η 再决定放大预算，而不是一上来就烧全量算力。三是监控反馈——训练中持续记录准确率、标注消耗、能耗曲线，一旦某策略失效立即回退。

成本侧可以这样记账：

好消息是这套后厨管理已有成熟工具：Albumentations 与 torchvision.transforms 负责“刀工”，TextAttack 处理文本“调味”，modAL 实现主动“试菜”，配合 MLflow 等实验追踪平台记录每次“出菜”的能耗与精度。工具齐了，剩下的就是坚持按流程走。

C_{\text{total}} = N_{\text{collect}} \cdot c_{\text{collect}} + N_{\text{label}} \cdot c_{\text{label}} + E_{\text{train}} \cdot p_{\text{elec}}

通俗说明：总成本 = 采集成本 + 标注成本 + 训练电费。

采集成本采集样本数乘以单位采集成本，反映数据获取开销。
$N_{\text{collect}} \cdot c_{\text{collect}}$
标注成本标注样本数乘以单位标注成本，主动学习压缩的主要是这一项。
$N_{\text{label}} \cdot c_{\text{label}}$
训练电费训练能耗乘以电价，数据增强和课程学习压缩的主要是这里的 E。
$E_{\text{train}} \cdot p_{\text{elec}}$
优化视角数据效率的目标是在满足精度约束下让这三项之和最小。
$C_{\text{total}} = N_{\text{collect}} \cdot c_{\text{collect}} + N_{\text{label}} \cdot c_{\text{label}} + E_{\text{train}} \cdot p_{\text{elec}}$

节能收益

每天打烊后，省料大厨都会翻开燃气账单。账单上不是一行行菜名，而是清清楚楚的用气量、电费和碳排放系数。他说：“省不省料，不能靠感觉，要看账单。”数据效率的终极收益，同样要落到能耗和碳足迹这本账上。

训练一次模型的碳排放可以粗略表示为：

实际案例中，图像分类任务用增强、课程学习、主动学习组合，常能以 40%~60% 的样本达到基线同等精度，意味着能耗与碳足迹同比例下降。再叠加硬件能效优化和绿色电力，收益还能放大。因此，越来越多团队把“数据节省率 η”和“每千样本碳排”纳入模型卡片的必需字段，向客户和监管透明披露。

这本账的结论很清晰：数据效率不是模型质量的退让，而是把每一份食材、每一度电都花在刀刃上的厨房纪律。少拿数据、快出菜、少排碳，账本自然好看——这就是绿色训练里“数据效率”的全部秘密。

\text{CO}_2 = E_{\text{train}} \times \text{CI} = \big(N \cdot e_{\text{sample}}\big) \times \text{CI}

通俗说明：E_train 是总训练能耗，CI 是电网碳排放强度（每度电产生的 CO₂ 克数）。

单样本能耗单个样本跑一轮训练的平均能耗，由模型规模和硬件能效决定。
$e_{\text{sample}}$
总处理量样本数与训练轮数的乘积，即训练共处理了多少样本。
$N = N_{\text{data}} \times \text{epochs}$
总能耗单样本能耗乘以总处理量得到训练总能耗。
$E_{\text{train}} = N \cdot e_{\text{sample}}$
碳排放强度电网每度电对应的 CO₂ 克数，不同地区差异很大，乘上总能耗即得碳足迹。
$\text{CO}_2 = \big(N \cdot e_{\text{sample}}\big) \times \text{CI}$

AI 应用场景

医疗影像标注成本压降

阶段：数据准备与标注

解决的问题：放射科每天产出海量 CT 影像，但标注医生时间宝贵。传统做法是随机抽片子送标注，大量模型早已认识的正常片子浪费了医生精力；主动学习让模型先跑一遍未标注影像，只把最不确定的疑难片子挑出来送审，标注量可省一半以上。

具体案例：某医疗 AI 公司在肺结节检测项目中引入不确定性采样，提交给医生的标注量从每月 2 万张降至 8000 张，模型在测试集上的 AUC 反而提升了 0.5 个百分点，标注人力成本下降六成。

大模型指令微调的精选数据

阶段：模型微调（对齐阶段）

解决的问题：指令微调数据质量参差，全量微调既贵又慢。用课程学习把指令按复杂度先易后难组织，配合数据增强扩写关键指令变体，可以用全量 30% 的指令数据达到同等指令遵循分数，训练电费大幅下降。

具体案例：某创业公司微调 70 亿参数开源模型时，将 50 万条指令按难度分层，简单指令先训、困难指令后加，最终只用 15 万条指令完成对齐，单次训练电费从 4200 元降到 1300 元，碳排放减少约七成。

边缘设备增量学习

阶段：部署与持续优化

解决的问题：工厂质检设备部署后需适配新品种产品，全量重训数据不现实且耗电。数据增强构建新产品的变换样本，课程学习先易后难适配，让设备端用几百张新样本完成增量训练，省流量又省电。

具体案例：某手机质检产线上，检测模型用 300 张新机型照片（增强后等效 2400 张）在端侧完成增量适配，漏检率与全量重训持平，单次增量适配耗电仅为原来的 15%。

Python 演示

python55 行

import numpy as npfrom sklearn.datasets import make_classificationfrom sklearn.linear_model import LogisticRegression TARGET = 0.90rng = np.random.RandomState(42) X, y = make_classification(n_samples=800, n_features=10,                           n_informative=6, n_redundant=2, random_state=7)perm = rng.permutation(len(X))X_test, y_test = X[perm[:160]], y[perm[:160]]X_pool, y_pool = X[perm[160:]], y[perm[160:]]pool_idx = perm[160:]  def evaluate(idx):    model = LogisticRegression(max_iter=3000)    model.fit(X[idx], y[idx])    return model.score(X_test, y_test)  def random_search():    # 基线: 闭眼随机抓样本, 按固定步长增加    for n in range(20, 501, 20):        pick = rng.choice(pool_idx, n, replace=False)        if evaluate(pick) >= TARGET:            return n    return None  def active_search():    # 主动学习: 先随机种子10个, 再循环挑最不确定的样本    chosen = list(pool_idx[:10])    rest = list(pool_idx[10:])    while len(chosen) <= 500:        if evaluate(chosen) >= TARGET:            return len(chosen)        model = LogisticRegression(max_iter=3000)        model.fit(X[chosen], y[chosen])        proba = model.predict_proba(X[rest])[:, 1]        order = np.argsort(np.abs(proba - 0.5))[:10]        for i in order:            chosen.append(rest[i])        rest = list(set(rest) - set(chosen))    return None  random_n = random_search()active_n = active_search()print("random samples needed:", random_n)print("active samples needed:", active_n)if random_n is None or active_n is None:    print("budget exhausted, please adjust dataset")else:    print("sample savings rate: {:.1%}".format(1 - active_n / random_n))

目的：用一个可运行的分类实验对比“随机采样”与“主动学习”，直观展示主动学习用更少样本达到同样精度、省下多少数据。

pick = rng.choice(pool_idx, n, replace=False)闭眼随机抓取 n 个样本作为训练集，这是“把所有食材乱炖”的基线。
model.fit(X[chosen], y[chosen])用当前已精选的样本训练模型，每轮都更新“厨师的手感”。
proba = model.predict_proba(X[rest])[:, 1]让模型给每个未标注样本“试味打分”，输出属于正类的概率。
np.argsort(np.abs(proba - 0.5))[:10]挑出预测概率最接近五五开、模型最拿不准的 10 个样本。
chosen.append(rest[i])这些最不确定的样本获得标注并加入训练集，标注费花在刀刃上。
1 - active_n / random_n算账：主动学习比随机采样省下多少比例的样本。

常见误区

误区总觉得省数据就等于降精度，认为绿色训练是拿模型质量换电费，于是不敢砍任何样本，数据效率策略也不敢用。

正解数据效率的前提是“同等性能”。真实数据里存在大量冗余，有策略地增强、排序、挑选之后，更少样本的模型不仅不掉分，往往还更稳健。省料大厨少用了食材，菜的出品标准一点没降。

为何常见：人们习惯“堆料=效果好”的经验主义，忽略了样本之间存在大量信息冗余。

误区觉得数据增强只是让模型泛化好一点，是训练流程的“附属品”，和绿色 AI、节能减排根本扯不上关系。

正解增强让每个样本变成 K 个变体，等效样本量变成 N×K，而采集与标注成本几乎为零。需要新采集的样本少了，模型收敛也快，能耗随之下降。它本质上是“用少量计算换大量数据”，是绿色账本上的大额进项。

为何常见：增强的收益通常被归因于“泛化提升”，很少有人从“省了多少新数据采集和训练能耗”的角度算过账。

误区以为随便按直觉排个顺序就行，比如按文件大小、按类别编号，或者干脆随机调个顺序就算“课程”了。

正解课程学习的核心是“难度度量 + 进度调度”两头。难度度量必须与任务挂钩（置信度、损失值、句长词频），调度要设计门槛的增长节奏；当难度度量被标注噪声污染时，还需要修正甚至回退。只排个序而不验证，通常没有任何收益。

为何常见：“先易后难”直觉上好懂，但真正产生收益的工程细节恰恰被忽略了。

误区认为只要少标注就行，随便抽一批样本给模型训练也算主动学习，反正都是“用更少数据”。

正解随机抽样是主动学习的基线对照，不是主动学习本身。主动学习的价值在于“挑”：模型最不确定、最有代表性、最能让决策边界移动的样本优先标注。挑得好，一半标注量达同等精度；挑得差，和随机没区别。

为何常见：简化记忆成“少标注”而丢掉了“选样本”这个真正起作用的机制。

误区以为三种策略各自省 30%，叠加就是 30% + 30% + 30% = 90%，于是放心大胆地砍数据预算。

正解节省率应按经验公式连乘估算，0.7 × 0.7 × 0.7 ≈ 0.34，即实际需求约为基线的 34%。而且策略之间存在交互效应，连乘也可能高估。工程上必须先用小规模数据试算校准，再放大预算。

为何常见：直觉把百分比当加法，忽略了它们作用在同一批数据上的复合关系。

面试题

Q1. 数据效率的核心追求是什么？

单选题 · easy

A.用更少的样本达到同等性能← 正确答案
B.用更大的模型达到更强性能
C.用更多的数据训练更久时间
D.用更快的硬件缩短训练时间

答案：A。数据效率的目标就是“少样本、同等性能”，省下的是采集、标注和训练能耗。B 增大模型、C 增加数据、D 换硬件都不涉及减少样本，属于其他优化路线。

Q2. 数据增强提升数据效率的根本原因是？

单选题 · mid

A.让模型看到更多有效样本变体← 正确答案
B.让模型直接访问真实云端数据
C.让模型自主生成全新数据分布
D.让模型使用更多标注预算额度

答案：A。增强把每个原始样本变换出 K 个变体，等效样本量 N×K 而采集和标注成本几乎为零，模型因此见到更多有效样本变体。B 与云端无关，C 生成全新分布超出了增强的范围，D 增加预算与“省料”背道而驰。

Q3. 课程学习训练模型的核心要点是？

单选题 · mid

A.任意打乱样本顺序进行训练
B.先简单后困难循序渐进训练← 正确答案
C.只保留最困难样本做训练
D.按标注时间先后顺序来训练

答案：B。课程学习=难度度量+进度调度，先简单后困难让模型先建立可靠表征，再逐步挑战难样本。A 乱序是一般训练，C 只学困难样本易导致早期不收敛，D 按时间排序与难度无关。

Q4. 主动学习中常用的采样策略包括哪些？

多选题 · mid

A.低置信度不确定性采样← 正确答案
B.高置信度最可靠样本采样
C.代表性与多样性兼顾采样← 正确答案
D.与自监督预训练结合使用← 正确答案

答案：ACD。不确定性采样（A）挑模型最拿不准的样本，多样性与代表性约束（C）避免挑回相似样本，与自监督预训练结合（D）可进一步压标注需求。B 恰恰相反——模型最可靠的样本信息量最低，不值得优先标注。

Q5. 减少训练样本量对能耗的影响是？

单选题 · easy

A.能耗显著降低因为计算量减少← 正确答案
B.能耗不变因为硬件功率恒定
C.能耗升高因为需要更多重试
D.能耗与样本量完全没有关系

答案：A。训练能耗≈总样本处理量×单样本能耗，样本少了，前向/反向传播次数减少，GPU 计算时间缩短，能耗近似线性下降。硬件功率恒定但使用时长缩短了，所以 B 不对；C、D 与基本物理账目不符。

Q6. 提升数据效率的工程手段有哪些？

多选题 · hard

A.设计包含增强与课程的管线← 正确答案
B.小规模试算后确定数据预算← 正确答案
C.训练过程监控准确率能耗← 正确答案
D.无条件堆满硬盘所有数据

答案：ABC。自动化数据管线（A）、预算先行（B）、监控反馈（C）是工程落地三件套。D 与数据效率完全相反——堆满所有数据恰恰是“所有食材乱炖”的基线做法，既不绿色也不高效。

Q7. 主动学习挑选最值得标注样本的准则是？

单选题 · hard

A.挑选模型把握最大的样本
B.挑选模型最不确定的样本← 正确答案
C.挑选标签噪声最小的样本
D.挑选数量最大的样本类别

答案：B。不确定性采样挑选预测置信度最低、最能让决策边界移动的样本，这类样本标注后提供的信息量最大。A 把握最大则信息量最小；C 噪声最小不代表最有价值；D 按类别数量选样本与信息量无关。

Q8. 碳足迹计算公式中 CI 表示什么？

单选题 · easy

A.训练数据的样本总数
B.电力碳排放强度系数← 正确答案
C.模型参数的存储大小
D.训练轮数的迭代次数

答案：B。CO₂ = E_train × CI，CI 是电网碳排放强度，单位是克 CO₂/千瓦时，不同地区电网差异很大。A 是 N，C 是模型大小，D 是轮数，它们都不直接参与碳强度换算。

Q9. 课程学习相比随机训练的突出优势是？

单选题 · mid

A.更快收敛且对噪声更稳健← 正确答案
B.模型参数总量显著减少
C.完全消除数据标注需求
D.保证模型精度无限提升

答案：A。课程学习先学简单样本再学困难样本，损失曲线下降更平稳、收敛更快；简单样本标签通常更干净，因此对标注噪声更稳健。B 参数总量由模型结构决定，C 标注需求要靠主动学习而非课程学习消除，D 精度有上限。

Q10. 组合多种数据效率策略时应注意什么？

多选题 · hard

A.各策略节省率近似相乘估算← 正确答案
B.不同任务选择不同重点策略← 正确答案
C.先小规模验证再放大预算← 正确答案
D.策略越多效果必然线性叠加

答案：ABC。复合节省率应按连乘估算（A），图像、文本、语音各有首选策略（B），小规模试算校准后再放大（C）是工程铁律。D 是典型误区——策略叠加存在交互效应，节省率不是线性相加。