Google Cloud Professional Machine Learning Engineer
225道练习题
最后审核：April 2026
为你的学习之旅记录个人笔记和资源链接
按认证筛选
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。
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。
PMLE 是 GCP 生态系统中公认的证书，向雇主、招聘人员和客户表明您已具备经过验证的知识。它是否值得您投入时间和费用取决于您的角色和目标——对于日常使用 GCP 或希望从事相关工作的云工程师、架构师和顾问来说，其回报通常最大。
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 为 PMLE 提供了包含 15 种学习模式的练习题库。考试模拟模式与真实考试一致：50 道题，时长 2 小时，及格分数同样为 未公布。浏览模式允许您静态阅读所有问答。