Google Cloud Professional Machine Learning Engineer
225道练习题
最后审核：April 2026
根据 GCP 官方考试指南从零编写
Google Cloud Professional Machine Learning Engineer (PMLE) 认证验证了在 Google Cloud 上设计、构建和生产化 ML 模型的能力--涵盖 Vertex AI 的端到端应用、AutoML、自定义训练、模型部署、MLOps 流水线以及大规模提供 ML 服务的运营实况。考试强调 Vertex AI Pipelines (Kubeflow)、Vertex AI Model Registry、Feature Store、Endpoints (在线和批处理)、TensorFlow Extended (TFX)、Vertex Explainable AI 的可解释性、监控漂移和偏差，以及与 BigQuery ML 和生成式 AI 产品（Gemini 系列、Model Garden）的集成。题目风格以场景为主，奖励那些考虑生产 ML 生命周期（CI/CD/CT）而非仅仅建模的考生。
AutoML 用于表格/视觉/语言、BigQuery ML、预训练 API（Vision、Speech、Translation、Document AI），以及在低代码和自定义路径之间进行选择。这是最小的领域，占 12%，但密度很高。
Vertex AI Workbench、Feature Store（在线和离线）、数据标注和注释、模型版本控制和元数据、使用 Vertex AI Experiments 进行实验跟踪。占 16%。
自定义训练（单节点、分布式、GPU/TPU）、使用 Vizier 进行超参数调优、基于容器的训练、Vertex AI Tuning、处理数据集偏差。占 18%。
Vertex AI Endpoints（在线，带自动扩缩、流量拆分）、批处理预测、TensorFlow Serving、延迟/吞吐量/成本权衡、边缘部署。占 19%。
最大的领域，占 21%。Vertex AI Pipelines (Kubeflow Pipelines SDK 和 TFX)、CI/CD/CT、重新训练触发器、Cloud Build 集成。侧重于生命周期自动化。
Vertex AI Model Monitoring（训练-服务偏差、漂移、归因漂移）、Vertex Explainable AI、使用 Cloud Operations 进行性能和成本监控。占 14%。
您将在考试中遇到的服务及其重要性。
统一的 ML 平台，通过单一 API 接口提供训练、调优、预测、流水线、模型注册、特征存储和监控功能。
为什么会出现在考试中： Vertex AI 涵盖所有 PMLE 领域，考试会考察在给定工作流中选择 AutoML、自定义训练和预构建容器的问题。
托管的基于 Jupyter 的开发环境，内置 BigQuery、Dataproc 和 Cloud Storage 集成，用于模型原型开发。
为什么会出现在考试中： 领域 3 (扩展原型) 考察 Workbench 作为从实验到生产级训练的规范笔记本界面。
在 CPU/GPU/TPU 上运行的托管式自定义和预构建容器训练作业，支持分布式训练、超参数调优和 reduction-server。
为什么会出现在考试中： 在加速器之间扩展训练以及选择托管式或自定义容器是领域 3 中反复出现的场景。
托管的在线和批量预测服务，支持自动扩缩、模型版本间的流量拆分以及通过 PSC 的私有端点。
为什么会出现在考试中： 领域 4 (模型服务和扩展) 考察端点大小、自动扩缩阈值以及模型版本之间的金丝雀发布。
Kubeflow Pipelines 和 TFX DAGs 的无服务器编排服务，具备工件谱系、缓存和 Vertex ML Metadata 集成。
为什么会出现在考试中： 领域 5 (自动化和编排 ML 流水线) 将 Pipelines 视为 AWS 原生 MLOps 编排器，而非通用的 Workflows 或 Composer。
训练模型版本的中央目录，提供部署跟踪、训练作业谱系以及生产发布的审批工作流。
为什么会出现在考试中： 领域 2 (协作管理数据和模型) 考察团队如何跨环境版本化、审批和治理模型工件。
托管的在线（低延迟）和离线特征存储库，具备时间点正确性和 BigQuery 支持的离线存储。
为什么会出现在考试中： Feature Store 是领域 2 中用于防止训练/服务偏差以及跨团队共享特征的规范答案。
部署端点上的漂移和偏差检测，支持特征归因监控、通过 Cloud Monitoring 发送告警以及 BigQuery 支持的分析。
为什么会出现在考试中： 领域 6 (监控和优化) 考察如何在实时端点上检测训练/服务偏差和预测漂移。
针对表格、图像、文本和视频模型的无代码训练，支持托管式特征工程和超参数搜索。
为什么会出现在考试中： 领域 1 (低代码 ML 解决方案) 将 AutoML 列为当领域专家无需编写训练代码即可获得模型时的规范选择。
跟踪训练运行、参数、指标和工件谱系；查询 Vertex ML Metadata 以实现可复现性和审计。
为什么会出现在考试中： 领域 2 考察实验跟踪和可复现性--Experiments + Metadata 是 AWS 原生谱系存储。
黑盒超参数优化服务，可独立使用或嵌入到自定义训练作业中，支持贝叶斯和网格搜索策略。
为什么会出现在考试中： 领域 3 关于大规模高效超参数调优的问题，将 Vizier 列为 Compute Engine 上网格搜索的托管替代方案。
用于基于嵌入的检索的近似最近邻服务（前身为 Matching Engine），可在亚 100 毫秒级别实现。
为什么会出现在考试中： 领域 4 下的推荐和 RAG 式检索场景，将 Vector Search 列为嵌入的托管服务层。
直接在 BigQuery 表上使用 SQL 训练和提供回归、分类、时间序列和嵌入模型，无需数据移动。
为什么会出现在考试中： 当数据已存在于 BigQuery 中且分析师需要在没有 ML 流水线的情况下构建模型时，领域 1 + 领域 3 会提及 BigQuery ML。
端到端 TensorFlow MLOps 框架：ExampleGen、Transform、Trainer、Evaluator、Pusher--原生运行在 Vertex AI Pipelines 上。
为什么会出现在考试中： 领域 5 考察 TFX 作为编译成 Vertex AI Pipelines 的开源流水线框架，用于可移植的 MLOps。
基于 Apache Beam 的服务，用于批量和流式推理、大规模特征工程，以及通过 RunInference 转换实现 Vertex AI 集成。
为什么会出现在考试中： 领域 4 (服务) 考察 Dataflow 用于流式推理和批量预处理流水线，以馈送 Vertex AI 训练作业。
托管式 TensorBoard，用于可视化训练指标、标量、嵌入和性能分析器跟踪，并通过 IAM 实现团队级共享。
为什么会出现在考试中： 领域 3 + 领域 6 提及 TensorBoard 用于调试收敛问题和分析训练期间的 GPU 利用率。
账户级访问控制以及 Workload Identity Federation，用于将 GKE/Vertex AI 服务账户绑定到短期凭据。
为什么会出现在考试中： 领域 2 + 领域 5 考察训练作业、流水线组件和跨项目模型服务的最小权限服务账户。
托管式加密密钥服务，支持 CMEK，用于 Vertex AI 训练数据、模型工件、BigQuery 数据集和 Cloud Storage 存储桶。
为什么会出现在考试中： 在训练语料和模型工件上使用 CMEK 是领域 2 中保护模型 IP 和受合规性约束数据的规范答案。
统一的日志、指标和告警服务，涵盖 Vertex AI 训练作业、端点调用、流水线步骤时长和自定义模型指标。
为什么会出现在考试中： 领域 6 要求使用 Cloud Monitoring 监控端点延迟/错误 SLO，并使用 Cloud Logging 进行训练作业故障排除。
统一的数据架构，用于编目、分类和跟踪 BigQuery 数据集、Cloud Storage 对象和 ML 特征工件的谱系。
为什么会出现在考试中： 领域 2 (协作管理数据和模型) 考察 Dataplex 作为 ML 数据谱系和特征治理的 GCP 原生答案。
$145k-$210k-$320k USD 每年
该范围反映了以 Vertex AI 为主要平台的美国高级机器学习工程师的薪资。FAANG L5 机器学习工程师的总薪酬超过 40 万美元；资深和首席级别的薪资更高。机器学习工程是按基本工资计算的最高薪云工程专业，并且与 AWS/多云相比，GCP 特定候选池较小，这有助于 PMLE 持有者在招聘时获得优势。
来源：levels.fyi 2025-2026 (Google L4-L6 机器学习工程师, FAANG 和 AI-startup 高级机器学习), U.S. BLS OEWS May 2024 (15-2099 数学科学职业/数据科学家, 15-1252 软件开发人员)。数据为估算值；实际薪酬取决于职位、地区和经验。
PMLE 需求在 2024-2026 年间激增，因为生成式 AI 招聘吸引了全面的合格机器学习工程师。在具有机器学习实践的 Google Cloud 合作伙伴、基于 Vertex AI 的 AI 初创公司以及 Google 本身对客户工程机器学习专家的需求旺盛。该认证在多云机器学习平台团队中也很有价值。PMLE 自然地与 Professional Data Engineer (PDE) 搭配，形成端到端“数据+机器学习”高级人才档案，并与 Generative AI Leader (GAIL) 搭配，形成战略与技术相结合的组合。持有者持续报告强大的招聘响应--即使生成式 AI 热潮高峰趋于正常化，机器学习工程师的候选池仍然紧张。
没有正式的先决条件。Google 建议拥有三年或以上的行业经验，以及一年或以上在 Google Cloud 上架构和操作机器学习解决方案的经验。实际上，PMLE 并不是一个可靠的第一个 GCP 认证，也很少是第一个机器学习认证--成功的候选人至少发布了一个生产级机器学习模型，并且对 TensorFlow 或 PyTorch 有实际操作知识。
熟练掌握 Python、对 scikit-learn / TensorFlow / Keras / PyTorch 的实际操作知识，以及至少对 Kubeflow 或其他机器学习流水线框架的概念性熟悉是实际上的要求。熟悉 BigQuery SQL 会有所帮助，因为 BigQuery ML 出现在许多场景中。Google Cloud Skills Boost 上的官方机器学习工程师学习路径（大约 50-80 小时）是一个很好的基础；大多数成功的候选人还会端到端地构建一个非平凡的 Vertex AI Pipelines 项目。
PMLE 被评为专业级，对于没有生产机器学习经验的候选人来说始终很难。如果 PMLE 是您的第一个机器学习工程认证，请计划 10-14 周内学习 100-150 小时；如果您已经持有 AWS 或 Azure 机器学习认证并在任一平台上发布过模型，则计划 5-8 周内学习 50-80 小时。考试包含 50-60 道多项选择/多项选择题，时长 120 分钟，通过 Pearson VUE 提供（Google 于 2026 年初从 Kryterion / Webassessor 迁移）。
最常见的绊脚石是 MLOps 生命周期--何时重新训练，如何检测漂移与偏差，如何将 Vertex AI Pipelines 连接到 Cloud Build 进行 CI/CD/CT。第二个绊脚石是在给定场景中选择 AutoML、BigQuery ML、Vertex AI 上的自定义训练和预训练 API 之间进行选择，其中 Google 的“首选”答案通常取决于团队技能和价值实现时间，而非纯粹的技术契合度。Google 不公布具体分数--只有及格/不及格。该证书有效期为两年，重新认证需要重新通过当前考试。
当前的考试指南于 2024 年末更新，增加了生成式 AI 集成场景（Gemini、Model Garden）、扩展了 Vertex AI Agent Builder 覆盖范围，并更新了 Feature Store 内容。
重大更新，整合了以 Vertex AI 为统一机器学习平台的内容，淘汰了旧的 AI Platform / AutoML Tables 覆盖范围。
首次公开发布，取代了早期的“专注于机器学习的数据工程师”路径。
这是 Google Cloud 针对机器学习工程的专业级认证--包括构建机器学习问题框架、构建和训练模型，以及主要使用 Vertex AI 在 Google Cloud 上部署、扩展和监控这些模型，同时兼顾负责任的 AI 实践。考试时长为 120 分钟。请参阅 PMLE 中心了解完整范围。
这是一项要求很高的专业考试，涵盖了机器学习基础知识以及在 Vertex AI 上运行模型的 MLOps--所以它奖励那些真正构建和交付机器学习项目的人，而不仅仅是学习理论的人。如果你是 Google Cloud 上的 ML 工程师或数据科学家，它非常值得：它是这些角色中备受尊敬且需求旺盛的证书。请参阅我们的 认证现状 报告，了解其与其他认证的比较。
全面亲身体验 Vertex AI--包括训练、管道、部署和监控--巩固机器学习基础知识（模型选择、评估、特征工程），并使用 Google 在 Skills Boost 上的免费 PMLE 学习路径，然后练习情景问题。我们的 PMLE 题库 和 实战实验室 直接针对这些领域。
没有正式的先决条件，但 Google 建议具备大约三年的经验，包括在 Google Cloud 上进行机器学习的实战经验。费用约为 $200 USD，有效期为 2 年（Google 的专业级别有效期），通过重新参加当前考试进行续期，续证窗口在到期前约 60 天开放。详细的考试安排信息请参阅我们的 Google Cloud 考试信息页面。
PMLE (Google Cloud Professional Machine Learning Engineer) 是一门一项具有挑战性、场景丰富的考试，要求具备深入的实际操作经验以及做出架构权衡决策的能力Professional级别考试。大多数考生需要为专业和专家级别考试学习 150-300 小时，分摊在 3-6 个月内完成。这些考试通常要求具备先前的助理级别熟练度。 大多数在模拟考试中持续得分高于及格线的考生，在第一次尝试时都能通过。
大多数考生需要为专业和专家级别考试学习 150-300 小时，分摊在 3-6 个月内完成。这些考试通常要求具备先前的助理级别熟练度。 通过考试所需时间因个人经验而异。在底层技术方面具有实际生产经验的工程师通常所需时间较少；平台新手则应计划在学习时间范围的上限。
是的--对于使用 GCP 的云工程师、架构师和顾问来说，PMLE 通常是值得的。它是一项受认可的证书，能向雇主、招聘者和客户证明经过验证的知识；至于所花的时间和费用对你是否划算，则取决于你的岗位和目标。
PMLE 的及格分数是 未公布。考试包含 50 道题，时长为 2 小时。
PMLE 考试费用为 $200 USD。费用由 GCP 设定，并可能因地区而异；预订前请务必在 GCP 官方认证页面确认当前价格。
Google Cloud 专业级认证有效期为 2 年。通过重新通过当前版本的考试来重新认证。
是的。您可以选择在线考试（通过提供商的安全浏览器进行监考，在大多数地区全天候可用）或在工作时间内前往 Pearson VUE 线下考试中心参加。两种形式使用相同的题目、时间限制和及格分数。
CertLabPro 上的 PMLE 考试模拟模式还原真实考试：2 小时 内 50 道题，及格线同为 未公布。你还可使用总计 15 种学习模式，浏览模式会静态显示每道题的答案和解析。
据 levels.fyi 2025-2026 (Google L4-L6 机器学习工程师, FAANG 和 AI-startup 高级机器学习), U.S. BLS OEWS May 2024 (15-2099 数学科学职业/数据科学家, 15-1252 软件开发人员)，$145k-$320k USD 是看重 PMLE 的岗位在美国的典型薪资区间。实际薪酬取决于资历、地点和岗位--资深和架构师岗位偏高，入门岗位偏低。
这有难度--一个月对 PMLE 来说很紧张，大多数考生需要更长时间。 大多数考生需要为专业和专家级别考试学习 150-300 小时，分摊在 3-6 个月内完成。这些考试通常要求具备先前的助理级别熟练度。 如果你刚接触 GCP 平台，请预留更多时间；若有实操经验，所需时间可能更少。
需要--PMLE 要求真实的实操经验，属于进阶考试，因此不建议作为第一个认证。