深度學(xué)習(xí)及其應(yīng)用-復(fù)旦大學(xué)中國(guó)大學(xué)mooc課后章節(jié)答案期末考試題庫(kù)2023年

深度學(xué)習(xí)及其應(yīng)用_復(fù)旦大學(xué)中國(guó)大學(xué)mooc課后章節(jié)答案期末考試題庫(kù)2023年GAN中的ModeCollapse問(wèn)題是指什么？

答案:

生成器只生成少數(shù)幾種樣本

有關(guān)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）變種的說(shuō)法哪些是正確的？

答案:

RNN的變種增加了網(wǎng)絡(luò)的復(fù)雜性，訓(xùn)練過(guò)程難度一般會(huì)大一些。_RNN的變種可以在某些方面改進(jìn)RNN的不足，例如減少梯度消失、輸入句子詞匯上文文語(yǔ)義獲取等_這些RNN的變種結(jié)構(gòu)都有一定的調(diào)整，但大多都可以處理時(shí)序數(shù)據(jù)的分類(lèi)或預(yù)測(cè)問(wèn)題。

以下說(shuō)法錯(cuò)誤的有哪些？

答案:

類(lèi)似VGG、GoogLeNet等網(wǎng)絡(luò)，AlexNet采用了卷積塊的結(jié)構(gòu)。_為了獲得不同尺度的特征，GoogLeNet采用了1X1,3X3,7X7等不同尺度的卷積核。_ResNet卷積神經(jīng)網(wǎng)絡(luò)使用了批量標(biāo)準(zhǔn)化(BN)增加了網(wǎng)絡(luò)的訓(xùn)練穩(wěn)定性，并像VGG算法利用了skip鏈接減少信息的損失。

循環(huán)神經(jīng)網(wǎng)絡(luò)一般可以有效處理以下哪些序列數(shù)據(jù)？

答案:

隨時(shí)間變化的數(shù)值型參數(shù)_聲音_文本數(shù)據(jù)

循環(huán)神經(jīng)網(wǎng)絡(luò)的損失函數(shù)是所有時(shí)刻的輸出誤差之和。

答案:

正確

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）通過(guò)遺忘門(mén)減少一般循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的短期記憶不足，但增加算法的計(jì)算復(fù)雜度。

答案:

正確

循環(huán)神經(jīng)網(wǎng)絡(luò)的深度是由RNNcell的時(shí)刻數(shù)量，或者是隱層的數(shù)量確定的，2種說(shuō)法都有一定的道理。

答案:

正確

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN)每一個(gè)時(shí)間步之間的遷移中使用了共享參數(shù)（權(quán)重等），與前饋神經(jīng)網(wǎng)絡(luò)比較更不容易引起梯度消失問(wèn)題

答案:

錯(cuò)誤

以下有關(guān)生成對(duì)抗網(wǎng)絡(luò)的說(shuō)法哪個(gè)是錯(cuò)誤的？

答案:

生成器和判別器的代價(jià)函數(shù)在訓(xùn)練過(guò)程中是同時(shí)優(yōu)化的

有關(guān)生成對(duì)抗網(wǎng)絡(luò)（GAN）的代價(jià)函數(shù)，下面哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

一般來(lái)說(shuō)，GAN通過(guò)訓(xùn)練總能達(dá)到代價(jià)函數(shù)的極小值

在目標(biāo)檢測(cè)算法中，IoU（IntersectionoverUnion）主要用于？

答案:

度量檢測(cè)框和真實(shí)框的重疊程度

下面哪種情況可能不能使用生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)？

答案:

機(jī)器人取名字

對(duì)于生成對(duì)抗網(wǎng)絡(luò)（GAN）的訓(xùn)練，下面哪個(gè)說(shuō)法是正確的？

答案:

如果判別器發(fā)生了過(guò)擬合，那么生成器可能會(huì)生成一起很奇怪的樣本

在DCGAN中，判別器的激活函數(shù)可以使用LeakyReLU，而不采用Sigmoid的原因是以下哪個(gè)？

答案:

防止判別器在訓(xùn)練過(guò)程中發(fā)生梯度消失，降低鑒別器的能力

有關(guān)生成器和判別器的代價(jià)函數(shù)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

通過(guò)一同調(diào)整生成器和判別器的權(quán)重等參數(shù)，達(dá)到兩者總的代價(jià)函數(shù)平衡

有關(guān)生成器和判別器的交叉熵代價(jià)函數(shù)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

當(dāng)訓(xùn)練生成器時(shí)，希望判別器的輸出越逼近0越好

有關(guān)獲得較高質(zhì)量生成樣本的隱向量z的說(shuō)法，下面說(shuō)法錯(cuò)誤的是哪個(gè)？

答案:

可以隨機(jī)取值

與卷積神經(jīng)網(wǎng)絡(luò)不同，循環(huán)神經(jīng)網(wǎng)絡(luò)因?yàn)楣逃械臅r(shí)序性，很難在GPU上做并行訓(xùn)練。

答案:

正確

當(dāng)最初生成器的樣本分布與真實(shí)樣本分布不一致時(shí)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

無(wú)法訓(xùn)練成功

比較自編碼器和生成對(duì)抗網(wǎng)絡(luò)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

自編碼器可以作為一個(gè)生成對(duì)抗網(wǎng)絡(luò)使用

AlexNet的隱層神經(jīng)元的激活函數(shù)采用Sigmoid或Tanh。

答案:

錯(cuò)誤

增加DCGAN模型的訓(xùn)練穩(wěn)定性可以采用以下哪些措施？

答案:

生成器和判別器使用BN（batchnormalization）層_去除全連接層_使用卷積層代替池化層

以下哪些情景可以使用生成對(duì)抗網(wǎng)絡(luò)？

答案:

將衛(wèi)星圖轉(zhuǎn)化為谷歌地圖_將素描轉(zhuǎn)化為照片_將簡(jiǎn)單物體的文字描述轉(zhuǎn)化為現(xiàn)實(shí)圖片

以下哪些情景可以使用生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)？

答案:

生成搞分辨率的街景_對(duì)損壞的人臉圖像進(jìn)行修復(fù)_由一個(gè)人年輕照片生成年老照片_教機(jī)器人跳舞

下面哪些是生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練可能遇到的問(wèn)題？

答案:

總代價(jià)函數(shù)對(duì)生成器和判別器參數(shù)的梯度消失_生成器產(chǎn)生的樣本難以騙過(guò)判別器_生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練緩慢，可能是生成器或判別器的結(jié)構(gòu)或參數(shù)設(shè)置不當(dāng)_生成器產(chǎn)生的樣本種類(lèi)單一，僅僅局限于真實(shí)樣本的局部分布

13.有關(guān)生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練，錯(cuò)誤的說(shuō)法是哪個(gè)？

答案:

類(lèi)似于卷積神經(jīng)網(wǎng)絡(luò)，生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練也需要很多真實(shí)的樣本_判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的代價(jià)函數(shù)是相同的，目標(biāo)是一致的_判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的訓(xùn)練是并行的

生成對(duì)抗網(wǎng)絡(luò)（GAN）的判別器要區(qū)分真樣本和假樣本，因此GAN是一種監(jiān)督學(xué)習(xí)算法。

答案:

錯(cuò)誤

當(dāng)生成器和判別器的樣本分布不重疊時(shí)，GAN算法的損失函數(shù)使用了JS散度的梯度始終為0，從而導(dǎo)致GAN的訓(xùn)練失敗

答案:

正確

生成對(duì)抗網(wǎng)絡(luò)是一種無(wú)監(jiān)督學(xué)習(xí)的分類(lèi)模型

答案:

錯(cuò)誤

由于生成對(duì)抗網(wǎng)絡(luò)可以生成與真實(shí)樣本相似的樣本，因此可以作為一種數(shù)據(jù)增強(qiáng)的方式，補(bǔ)充訓(xùn)練樣本的不足。

答案:

正確

生成對(duì)抗網(wǎng)絡(luò)只能處理圖像樣本，而不能處理聲音或文本等數(shù)據(jù)

答案:

錯(cuò)誤

以股票預(yù)測(cè)為例，在同樣的條件下，二維卷積的準(zhǔn)確度一定好好于一維卷積。

答案:

錯(cuò)誤

池化（下采樣）層的神經(jīng)元不具有需要優(yōu)化的參數(shù)，但它們影響反向傳播的計(jì)算。

答案:

錯(cuò)誤

以下有關(guān)卷積核的說(shuō)法正確的是哪些？

答案:

使用多層小卷積堆疊可以增加網(wǎng)絡(luò)的非線性映射能力。_堆疊多層小卷積核的操作可以等同于大卷積核的操作。_使用小卷積核可以減少參數(shù)量。

下面關(guān)于池化的描述中，正確的的說(shuō)法有哪些？

答案:

池化方法也可以自定義_池化在CNN中沒(méi)有增加可訓(xùn)練的參數(shù)，但減少較多的計(jì)算量，加快模型訓(xùn)練時(shí)間_在人臉識(shí)別中采用較多池化的原因是為了獲得人臉部的高層特征

以下哪些方法能改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練質(zhì)量？

答案:

權(quán)重歸一化_dropout_batchnomalization

以下哪種情況不屬于目標(biāo)檢測(cè)？

答案:

從一個(gè)人年輕照片預(yù)測(cè)未來(lái)的長(zhǎng)相

YOLOv2算法借鑒FasterRCNN算法，采用先驗(yàn)框，增加了候選區(qū)域數(shù)量，降低了召回率。

答案:

錯(cuò)誤

在卷積神經(jīng)網(wǎng)絡(luò)的深處，圖像的特征語(yǔ)義更豐富，特征圖尺度大，因此對(duì)于小物體的類(lèi)別判斷比用網(wǎng)絡(luò)的淺層特征圖性能好。

答案:

錯(cuò)誤

在遷移學(xué)習(xí)中，學(xué)習(xí)率在各個(gè)網(wǎng)絡(luò)層次可以不同，一般來(lái)說(shuō)卷積層設(shè)置的學(xué)習(xí)率更高一些，而全連接層的學(xué)習(xí)率可以適當(dāng)降低，這樣可以提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。

答案:

錯(cuò)誤

在目標(biāo)檢測(cè)算法中，非極大值抑制（NMS）主要用于？

答案:

抑制重復(fù)的檢測(cè)結(jié)果

自編碼器（Autoencoder）主要用于（）

答案:

特征提取和降維

以下哪個(gè)網(wǎng)絡(luò)沒(méi)有使用skipconnection?

答案:

FasterRCNN

在FasterRCNN算法中，RoIPooling的作用是以下哪項(xiàng)？

答案:

把輸入的特征圖變換得到固定尺寸的特征圖

在卷積神經(jīng)網(wǎng)絡(luò)中，最大池化可以起到減少過(guò)擬合的作用，而且豐富了特征。

答案:

錯(cuò)誤

有關(guān)語(yǔ)義分割的說(shuō)法，哪些是正確的敘述？

答案:

處理遮擋物體的分割問(wèn)題可以使用生成對(duì)抗網(wǎng)絡(luò)（GAN）_解決小物體分割可以使用空洞卷積和增大特征圖的分辨率

以下卷積神經(jīng)網(wǎng)絡(luò)模型沒(méi)有全連接隱層的是哪些？

答案:

ResNet_GoogleNet

下面哪個(gè)目標(biāo)檢測(cè)的過(guò)程

答案:

樣本選擇與預(yù)處理->區(qū)域選擇->特征獲取->分類(lèi)器分類(lèi)

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）中輸入門(mén)的作用是以下哪項(xiàng)？

答案:

控制對(duì)當(dāng)前時(shí)刻新輸入信息的擬合。

提升卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的特征獲取能力有效的方法不包括以下哪些方面？

答案:

增加池化操作。

有關(guān)生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練，正確的說(shuō)法是哪個(gè)？

答案:

在訓(xùn)練時(shí)，需要平衡判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的能力

有關(guān)生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練，哪個(gè)說(shuō)法是正確的？

答案:

判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的訓(xùn)練是交替進(jìn)行的

在長(zhǎng)短期記憶網(wǎng)絡(luò)中，使用了兩種激活函數(shù)，下面哪種說(shuō)法是錯(cuò)誤的？

答案:

兩種激活函數(shù)的作用是相似的

以下哪種目標(biāo)識(shí)別算法沒(méi)有使用興趣區(qū)域（ROI）池化？

答案:

R-CNN

興趣區(qū)域（ROI）池化的作用是哪一個(gè)？

答案:

把不同大小的特征圖轉(zhuǎn)化為固定大小的向量

下面哪種目標(biāo)檢測(cè)算法需要考慮把候選區(qū)域改成統(tǒng)一的大??？

答案:

R-CNN

有關(guān)通道的說(shuō)法，哪些說(shuō)法是正確的？

答案:

通道數(shù)越多，獲得的特征圖越多，網(wǎng)絡(luò)獲得的特征越充分_隨著卷積網(wǎng)絡(luò)深度的增加，一般使用更小的卷積核和更多的通道，兼顧訓(xùn)練速度和網(wǎng)絡(luò)分類(lèi)性能

假設(shè)某卷積層的輸入和輸出特征圖大小分別為63*63*6和31*31*12，卷積核大小是5*5，步長(zhǎng)為2，那么Padding值為多少？

答案:

1

以下有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法，哪些是錯(cuò)誤的？

答案:

卷積核中的取值都是事先人工設(shè)計(jì)的，在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中不變化_卷積核越大，即感受野越大，網(wǎng)絡(luò)需要優(yōu)化的參數(shù)越少，訓(xùn)練速度越快

對(duì)于下圖的多通道卷積，其中用梯度下降法要優(yōu)化的參數(shù)（不含神經(jīng)元的偏置）是多少？【圖片】【圖片】

答案:

30

有關(guān)循環(huán)神經(jīng)網(wǎng)絡(luò)激活函數(shù)的說(shuō)法，以下哪個(gè)是錯(cuò)誤的？

答案:

Tanh函數(shù)相對(duì)于Sigmoid函數(shù)來(lái)說(shuō)梯度較小，收斂速度更快更慢

對(duì)于33x33x8的輸入特征圖，使用步長(zhǎng)為2，核大小為3*3的最大池化，請(qǐng)問(wèn)輸出特征圖的大小是多少？

答案:

15*15*8

下面有關(guān)梯度爆炸問(wèn)題的認(rèn)識(shí)哪個(gè)是正確的？

答案:

隱層的權(quán)重取值太大容易導(dǎo)致梯度爆炸，需要進(jìn)行截?cái)嗵幚?/p>

生成式對(duì)抗網(wǎng)絡(luò)中生成器和鑒別器的關(guān)系可以比喻為下列哪個(gè)？

答案:

信息安全軟件和病毒

下面關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的描述中，錯(cuò)誤的是哪個(gè)？

答案:

RNN適合長(zhǎng)句的翻譯

對(duì)于神經(jīng)網(wǎng)絡(luò)而言，哪個(gè)不是輸入的標(biāo)準(zhǔn)化的作用？

答案:

降低網(wǎng)絡(luò)的計(jì)算量

有關(guān)卷積核的大小對(duì)卷積神經(jīng)網(wǎng)絡(luò)的影響，哪個(gè)說(shuō)法是正確的？

答案:

小的卷積核級(jí)聯(lián)的效果等價(jià)于大卷積核的效果，但權(quán)重等參數(shù)會(huì)大大減少

下面哪種操作不能改善卷積網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性？

答案:

沖量項(xiàng)

引入注意力機(jī)制后，Seq2Seq模型的上下文向量是對(duì)于解碼器的不同時(shí)刻是不同的，但訓(xùn)練后是穩(wěn)定不變的。

答案:

錯(cuò)誤

LSTM的遺忘門(mén)和輸入門(mén)都使用了哪種激活函數(shù)？

答案:

Sigmoid

假設(shè)某卷積層的輸入特征圖大小為36*32*6，卷積核大小是5*3，通道為20個(gè)，步長(zhǎng)為1，沒(méi)有padding，那么得到的特征圖大小為？

答案:

32*30*20

假設(shè)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，第一個(gè)全連接層前的池化層輸出為12*12*250，其展開(kāi)的向量長(zhǎng)度為？

答案:

36000

以下哪些有關(guān)提高小物體識(shí)別效果的說(shuō)法是正確的？

答案:

通過(guò)數(shù)據(jù)增強(qiáng)生成更多的小樣本圖像_增大感受野，改善小物體的特征獲取_增加圖像的分辨率

以下哪些方法可以減少深度神經(jīng)網(wǎng)絡(luò)模型的過(guò)擬合問(wèn)題？

答案:

BN（batchnormalization）_Dropout_損失函數(shù)的正則項(xiàng)

對(duì)于32x32x6的輸入特征圖，使用步長(zhǎng)為2，核大小為2的最大池化，請(qǐng)問(wèn)輸出特征圖的大小是多少？

答案:

16*16*6

Seq2seq模型是一對(duì)多對(duì)多的RNN模型組合。

答案:

錯(cuò)誤

使用帶注意力機(jī)制的Seq2Seq模型實(shí)現(xiàn)機(jī)器翻譯時(shí)，增加了訓(xùn)練時(shí)，但提升了翻譯的準(zhǔn)確度。

答案:

正確

Seq2Seq模型引入注意力機(jī)制后，編碼器各個(gè)時(shí)刻輸入對(duì)解碼器某個(gè)時(shí)刻輸出的影響程度可以用編碼器各個(gè)時(shí)刻隱層輸出與解碼器上一個(gè)時(shí)刻的隱層輸出計(jì)算。

答案:

正確

對(duì)于LSTM算法，注意力機(jī)制是要找出輸入序列的哪些部分或元素與輸出序列元素具有更強(qiáng)的相關(guān)性。

答案:

正確

下面關(guān)于編碼器和注意力機(jī)制的對(duì)比描述正確的說(shuō)法有哪些？

答案:

注意力機(jī)制的含義表示輸出與輸入之間的對(duì)應(yīng)關(guān)系_使用注意力機(jī)制之后會(huì)增加計(jì)算量，但是性能水平能夠得到提升

對(duì)于65x65x6的輸入特征圖，用32個(gè)5*5的卷積核（過(guò)濾器）進(jìn)行卷積，步幅為2，padding值為2，得到的特征圖大小是哪個(gè)？

答案:

33*33*32

有一個(gè)44x44x16的輸入，并使用大小為5x5的32個(gè)卷積核進(jìn)行卷積，步長(zhǎng)為1，無(wú)填充（nopadding），輸出是多少？

答案:

40*40*32

假設(shè)輸入是一張300×300彩色圖像，第一個(gè)隱藏層使用了100個(gè)5*5卷積核做卷積操作，這個(gè)隱藏層有多少個(gè)參數(shù)（包括偏置參數(shù)）？

答案:

7600

假設(shè)輸入是一個(gè)300×300的彩色（RGB）圖像，使用全鏈接神經(jīng)網(wǎng)絡(luò)。如果第一個(gè)隱藏層有100個(gè)神經(jīng)元，那么這個(gè)隱藏層一共有多少個(gè)參數(shù)（包括偏置參數(shù)）？

答案:

27,000,100

下面關(guān)于深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的描述，正確的說(shuō)法是哪個(gè)？

答案:

深層網(wǎng)絡(luò)結(jié)構(gòu)中，學(xué)習(xí)到的特征一般與神經(jīng)元的參數(shù)量有關(guān)，也與樣本的特征多寡相關(guān)

下面哪種算法的非極大值抑制（NMS）放在邊框精修步驟的前面？

答案:

R-CNN

下面哪種目標(biāo)檢測(cè)算法候選框中的物體分類(lèi)沒(méi)有采用卷積神經(jīng)網(wǎng)絡(luò)？

答案:

R-CNN

在目標(biāo)檢測(cè)算法中，下面哪個(gè)不是把分類(lèi)和Bbox回歸的損失函數(shù)統(tǒng)一考慮的優(yōu)點(diǎn)？

答案:

減少了網(wǎng)絡(luò)的過(guò)擬合

自編碼器對(duì)樣本進(jìn)行變換得到的向量不一定能覆蓋潛在空間任意的任意采樣和插值。

答案:

正確

自編碼解碼器需要與注意力機(jī)制結(jié)合起來(lái)才能更好地?cái)M合輸入和輸出的關(guān)系

答案:

正確

有關(guān)聲音信號(hào)的處理，以下哪些說(shuō)法是正確的？

答案:

對(duì)于聲音數(shù)據(jù)，可以先通過(guò)CNN來(lái)進(jìn)行高維特征的提取，再使用RNN對(duì)時(shí)間相關(guān)性進(jìn)行建模。_對(duì)于一維的聲音序列或二維的頻譜圖，都可以使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，學(xué)習(xí)相鄰幀的關(guān)系等。_在聲音處理中，深度神經(jīng)網(wǎng)絡(luò)的低層可以提取一些聲音的特征，而高層提取類(lèi)別間的判別信息。

下面有關(guān)編碼解碼器（自編碼器）的說(shuō)法，哪些是正確的？

答案:

自編碼器用于數(shù)據(jù)壓縮時(shí)時(shí)有損的_自編碼器可以作為一種數(shù)據(jù)降維技術(shù)_自編碼器可以用于數(shù)據(jù)去噪，即把含有噪聲的樣本還原

在帶有注意力機(jī)制的編碼解碼器中，以下哪個(gè)說(shuō)法是正確的？

答案:

在計(jì)算權(quán)重值時(shí)，與當(dāng)前詞越近，權(quán)重值越大

下面哪項(xiàng)不是編碼解碼器的功能？

答案:

銀行客戶(hù)分組

下面使用深度學(xué)習(xí)做情感分析的說(shuō)法錯(cuò)誤的是哪個(gè)？

答案:

情感分析是一個(gè)分類(lèi)問(wèn)題，不需要人工標(biāo)注樣本

下面哪種算法一般不適合做微博用戶(hù)的情感分析？

答案:

編碼解碼器

下面哪個(gè)不是影響卷積神經(jīng)網(wǎng)絡(luò)性能的參數(shù)？

答案:

輸入圖片的清晰度

人工獲得聲音的特征與深度學(xué)習(xí)獲得特征相比，以下哪個(gè)說(shuō)法是正確的？

答案:

通過(guò)人工和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方式獲得特征綜合性能更好

下面關(guān)于CNN的描述中，錯(cuò)誤的說(shuō)法是哪個(gè)？

答案:

卷積是指對(duì)圖像的窗口數(shù)據(jù)和濾波矩陣做內(nèi)積的操作，在訓(xùn)練過(guò)程中濾波矩陣的大小和值不變

關(guān)于深度學(xué)習(xí)的說(shuō)法正確的是哪個(gè)？

答案:

與Sigmoid函數(shù)相比，Relu較不容易使網(wǎng)絡(luò)產(chǎn)生梯度消失

有關(guān)深度學(xué)習(xí)的不足，以下哪些看法是正確的？

答案:

深度神經(jīng)網(wǎng)絡(luò)一般要優(yōu)化的參數(shù)眾多，因此對(duì)計(jì)算資源的要求比較高_(dá)深度學(xué)習(xí)算法可以獲得圖像、文本和聲音等數(shù)據(jù)的特征，但難以解釋這些特征_深度學(xué)習(xí)算法對(duì)數(shù)據(jù)量的要求一般都比較高，當(dāng)樣本不足時(shí)往往效果不好

深度學(xué)習(xí)算法的三要素是指以下哪些方面？

答案:

學(xué)習(xí)準(zhǔn)則_模型_優(yōu)化算法

下面哪種目標(biāo)識(shí)別算法的候選區(qū)域分類(lèi)與邊框修整是分離的？

答案:

R-CNN

下面有關(guān)R-CNN的說(shuō)法哪些是錯(cuò)誤的？

答案:

每個(gè)候選區(qū)域都要使用一個(gè)AlexNet分類(lèi)_候選區(qū)域的生成使用了選擇性搜索算法，這些候選區(qū)域產(chǎn)生后就要利用非極大值抑制篩選一部分。

與R-CNN相比，有關(guān)Fast-RCNN的說(shuō)法正確的是哪些？

答案:

Fast-RCNN將候選區(qū)域的特征獲取和分類(lèi)放在一個(gè)卷積神經(jīng)網(wǎng)絡(luò)_舍棄了R-CNN的多尺度池化，并且對(duì)全連接層矩陣相乘使用了SVD，提高了算法的速度_候選框的目標(biāo)分類(lèi)和邊框精調(diào)都由卷積神經(jīng)網(wǎng)絡(luò)承擔(dān)，這也提高了算法的速度

有關(guān)YOLO(v1)算法，以下哪些說(shuō)法是正確的？

答案:

因?yàn)橐粋€(gè)網(wǎng)格對(duì)應(yīng)的邊框B通常取2，所以YOLOv1對(duì)于有重疊的物體或者是中心落在一個(gè)網(wǎng)格的小物體往往只能識(shí)別其中的一個(gè)。_由于候選區(qū)域只能從SXS個(gè)有限的網(wǎng)格選擇，因此YOLOv1算法的準(zhǔn)確性不如FasterR-CNN_候選區(qū)域生成、分類(lèi)和回歸等階段使用一個(gè)VGG16網(wǎng)絡(luò)統(tǒng)一為端對(duì)端的目標(biāo)檢測(cè)過(guò)程

假設(shè)一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)，全連接層前的卷積層輸出為24*24*25，其展開(kāi)的向量長(zhǎng)度為？

答案:

14400

Seq2Seq模型引入注意力機(jī)制后，解碼器某個(gè)時(shí)刻的輸入語(yǔ)義向量的權(quán)重直接影響因素是哪些？

答案:

解碼器上一時(shí)刻隱層的輸出_編碼器各個(gè)時(shí)刻隱單元的輸出

在計(jì)算上下文向量時(shí)，使用了解碼器各個(gè)時(shí)刻隱層的輸出，而不是編碼器的輸入，以下哪個(gè)說(shuō)法是正確的？

答案:

可以把編碼器的輸入之間的語(yǔ)義關(guān)系與解碼器的輸出之間的語(yǔ)義關(guān)系更好地對(duì)應(yīng)

在計(jì)算上下文向量時(shí)，使用了以下哪種函數(shù)？

答案:

Softmax

編碼器使用雙向LSTM的作用是以下哪項(xiàng)？

答案:

更好地?cái)M合編碼器輸入詞之間的語(yǔ)義關(guān)系

下面關(guān)于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的描述，哪個(gè)是正確的說(shuō)法？

答案:

深層網(wǎng)絡(luò)結(jié)構(gòu)中，隱層的特征表征一般與神經(jīng)元的參數(shù)和樣本有關(guān)。

下面關(guān)于池化的描述中，錯(cuò)誤的是哪個(gè)？

答案:

池化的常用方法包括最小化池化、全局池化。

對(duì)于某深度學(xué)習(xí)模型而言，假設(shè)解決某個(gè)問(wèn)題能夠獲得的訓(xùn)練樣本比較少，類(lèi)似問(wèn)題已經(jīng)有預(yù)訓(xùn)練好的模型，西面哪種方法利用預(yù)訓(xùn)練好的模型可能獲得較好的效果？

答案:

只訓(xùn)練最后幾層神經(jīng)元

深度學(xué)習(xí)涉及大量的矩陣運(yùn)算，假設(shè)需要計(jì)算三個(gè)矩陣A,B,C的乘積為ABC，它們的尺寸分別是m*n,n*p,P*q，且m

答案:

（AB）C

以下哪些目標(biāo)檢測(cè)算法中候選區(qū)域的生成沒(méi)有采用了選擇性搜索算法？

答案:

YOLOv1_FasterR-CNN

以下哪個(gè)有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法是錯(cuò)誤的？

答案:

輸入一個(gè)300*300的彩色圖，經(jīng)過(guò)10個(gè)5*5的卷積核，隱層的參數(shù)量是260（含偏置）

卷積神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)量與下面哪些因素?zé)o關(guān)？

答案:

激活函數(shù)

區(qū)域提名算法會(huì)很大程度上影響目標(biāo)檢測(cè)算法的速度和檢測(cè)精度。

答案:

正確

目標(biāo)檢測(cè)算法的正負(fù)樣本是人工事先標(biāo)注的。

答案:

錯(cuò)誤

下面有關(guān)神經(jīng)網(wǎng)絡(luò)梯度消失說(shuō)法錯(cuò)誤的是（）

答案:

網(wǎng)絡(luò)梯度消失可以通過(guò)減少隱層神經(jīng)元的個(gè)數(shù)減弱。

與FasterR-CNN相比，YOLOv1目標(biāo)檢測(cè)的速度更快的一個(gè)主要原因是省去了候選框（區(qū)域）生成步驟。

答案:

錯(cuò)誤

使用帶注意力機(jī)制的Seq2Seq模型實(shí)現(xiàn)機(jī)器翻譯時(shí)，把一句中文翻譯成英語(yǔ)和法語(yǔ)時(shí)，解碼器不同時(shí)刻對(duì)應(yīng)的上下文向量是以下哪種情況？

答案:

不相同

在使用SeqSeq模型實(shí)現(xiàn)機(jī)器翻譯時(shí)，解碼器的輸入（非上下文向量部分）和輸出之間的映射作用是以下哪一項(xiàng)？

答案:

擬合解碼器輸出詞之間的順序關(guān)系

在SeqSeq模型中，以下有關(guān)上下文向量（語(yǔ)義表示向量）C的說(shuō)法錯(cuò)誤的是哪個(gè)？

答案:

上下文向量中的元素需要當(dāng)做網(wǎng)絡(luò)參數(shù)訓(xùn)練得到。

下面有關(guān)Seq2Seq模型的說(shuō)法哪個(gè)是錯(cuò)誤的？

答案:

引入注意力機(jī)制后，解碼器不同時(shí)刻的輸入對(duì)應(yīng)的語(yǔ)義向量是相同的。

以下哪種情景不適合采用Seq2Seq模型？

答案:

車(chē)牌識(shí)別

有關(guān)Faster-RCNN的說(shuō)法錯(cuò)誤的是哪些？

答案:

目標(biāo)分類(lèi)與邊框精修的輸入來(lái)自于區(qū)域提名網(wǎng)絡(luò)。_候選區(qū)域的生成與目標(biāo)分類(lèi)、邊框精修的工作是同一個(gè)子網(wǎng)絡(luò)完成的。

對(duì)于FastR-CNN算法，不需要在每個(gè)候選區(qū)域都使用一個(gè)卷積網(wǎng)絡(luò)進(jìn)行特征獲取。

答案:

正確

對(duì)于目標(biāo)檢測(cè)算法，非極大值抑制主要是去除冗余的邊框，一般放在候選框確定有物體和分類(lèi)后再做。

答案:

正確

在選擇深度學(xué)習(xí)開(kāi)源框架時(shí)，下面哪個(gè)不是主要考慮的因素？

答案:

價(jià)格

下面哪個(gè)不是深度學(xué)習(xí)的常見(jiàn)框架？

答案:

MySQL

與傳統(tǒng)的分類(lèi)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)網(wǎng)絡(luò)不同之處不是下面哪項(xiàng)？

答案:

深度學(xué)習(xí)算法不需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理

有關(guān)深度學(xué)習(xí)的說(shuō)法，哪個(gè)是正確的？

答案:

深度學(xué)習(xí)的基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)，因此深度學(xué)習(xí)算法基本可以使用梯度下降法

下面關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的描述中，不正確的說(shuō)法是哪些？

答案:

在RNN的后向傳播中，累積殘差僅包括當(dāng)前時(shí)間輸出層傳回的殘差_在RNN中，每個(gè)時(shí)間步網(wǎng)絡(luò)的參數(shù)是不同的，每一時(shí)間步的輸入和輸出也是不一樣的

以下有關(guān)目標(biāo)檢測(cè)的說(shuō)法哪些是正確的？

答案:

在FasterR-CNN中，候選框是通過(guò)特征圖的點(diǎn)使用RPN（區(qū)域生成網(wǎng)絡(luò)）生成。_對(duì)于YOLOv1等單階段的目標(biāo)檢測(cè)算法，不需要做區(qū)域生成（regionproposal），可以直接使用卷積網(wǎng)絡(luò)預(yù)測(cè)物體的分類(lèi)和位置。_FastR-CNN可以把selectivesearch提取的候選框通過(guò)ROIPooling轉(zhuǎn)化為固定大小的特征圖。

以下哪種問(wèn)題不適合使用深度學(xué)習(xí)解決？

答案:

銀行信用卡客戶(hù)欺詐檢測(cè)

有關(guān)數(shù)據(jù)增強(qiáng)的說(shuō)法正確是哪些？

答案:

對(duì)于分類(lèi)問(wèn)題，數(shù)據(jù)增強(qiáng)是減少數(shù)據(jù)不平衡的一種方法。_數(shù)據(jù)增強(qiáng)會(huì)增加樣本的個(gè)數(shù)，因此可能會(huì)減少過(guò)擬合_對(duì)于手寫(xiě)體的識(shí)別，對(duì)樣本的反轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形和縮放等操作會(huì)提高神經(jīng)網(wǎng)絡(luò)的識(shí)別效果

減少神經(jīng)網(wǎng)絡(luò)過(guò)擬合的說(shuō)法，以下哪些是正確的？

答案:

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中類(lèi)似dropout減少神經(jīng)元或相關(guān)鏈接權(quán)的數(shù)量_通過(guò)正則化可以減少網(wǎng)絡(luò)參數(shù)的取值或個(gè)數(shù)，一定程度可能減少過(guò)擬合_利用L1或L2正則化可以使權(quán)重衰減，從而一定程度上減少過(guò)擬合

關(guān)于模型參數(shù)（權(quán)重值）的描述，正確的說(shuō)法是哪些？

答案:

每一次Epoch都會(huì)對(duì)之前的參數(shù)進(jìn)行調(diào)整，迭代次數(shù)越多，損失函數(shù)一般越小_訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型存儲(chǔ)于一定結(jié)構(gòu)的神經(jīng)元之間的權(quán)重和神經(jīng)元的偏置中_在訓(xùn)練神經(jīng)網(wǎng)絡(luò)過(guò)程中，參數(shù)不斷調(diào)整，其調(diào)整的依據(jù)是基于損失函數(shù)不斷減少

激活函數(shù)通常具有以下哪些性質(zhì)？

答案:

可微性_單調(diào)性_非線性_計(jì)算簡(jiǎn)單

有關(guān)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程的說(shuō)法正確的是？

答案:

使用增加訓(xùn)練次數(shù)的方法不一定可以減少代價(jià)函數(shù)的取值_對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的優(yōu)化需要綜合考慮激活函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)重更新方法等多種因素_神經(jīng)網(wǎng)絡(luò)權(quán)重的初始化大小會(huì)對(duì)網(wǎng)絡(luò)的訓(xùn)練結(jié)果影響

假設(shè)卷積神經(jīng)網(wǎng)絡(luò)某卷積層的輸入和輸出特征圖大小分別為63*63*16和33*33*64，卷積核大小是3*3，步長(zhǎng)為2，那么Padding值為多少？

答案:

2

以下有關(guān)深度神經(jīng)網(wǎng)絡(luò)超參數(shù)的說(shuō)法，錯(cuò)誤的是哪些？

答案:

批樣本的數(shù)量以及動(dòng)量參數(shù)都控制著梯度下降的方向，不會(huì)影響網(wǎng)絡(luò)訓(xùn)練的速度和效果。_卷積核的數(shù)量、卷積核的大小以及卷積核參數(shù)等都是網(wǎng)絡(luò)的超參，對(duì)網(wǎng)絡(luò)的性能都有一定的影響。

下面關(guān)于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM的描述中，正確的說(shuō)法是哪些？

答案:

與RNN相比，LSTM中引入更多參數(shù)，所以其訓(xùn)練周期更久_LSTM中使用Sigmoid實(shí)現(xiàn)門(mén)限控制，而用TanH實(shí)現(xiàn)數(shù)據(jù)處理_LSTM中門(mén)的開(kāi)關(guān)程度是由信息的權(quán)重決定的，即訓(xùn)練過(guò)程中記住重要信息

下面有關(guān)神經(jīng)網(wǎng)絡(luò)小批量訓(xùn)練的批量對(duì)網(wǎng)絡(luò)性能的影響說(shuō)法哪些是錯(cuò)誤的？

答案:

批量小，網(wǎng)絡(luò)訓(xùn)練樣本集損失減少越快，網(wǎng)絡(luò)泛化能力較強(qiáng)_批量小，網(wǎng)絡(luò)的準(zhǔn)確率高，訓(xùn)練速度慢一些_批量大，網(wǎng)絡(luò)檢驗(yàn)樣本集分類(lèi)準(zhǔn)確率較低，達(dá)到同樣的網(wǎng)絡(luò)分類(lèi)準(zhǔn)確率需要更多的輪次。

對(duì)于神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)量，如果數(shù)量太少會(huì)導(dǎo)致網(wǎng)絡(luò)擬合能力不足，數(shù)量太多會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度慢，并且網(wǎng)絡(luò)的泛化能力可能弱。

答案:

正確

對(duì)于欠擬合的卷積神經(jīng)網(wǎng)絡(luò)模型，可以增加模型的寬度或深度，或者對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)操作。

答案:

正確

對(duì)于過(guò)擬合的卷積神經(jīng)網(wǎng)絡(luò)模型，可以增加dropout和batchnorm（BN）層，而且過(guò)擬合越嚴(yán)重，可以在越多的層增加dropout+BN。

答案:

正確

以下不屬于超參的是哪個(gè)因素？

答案:

輸出編碼形式

一個(gè)含有2個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)元個(gè)數(shù)都為20，輸入和輸出節(jié)點(diǎn)分別有8和5個(gè)節(jié)點(diǎn)，這個(gè)網(wǎng)絡(luò)的權(quán)重和偏置數(shù)分別是多少？

答案:

660，45

下面關(guān)于單個(gè)神經(jīng)元輸入輸出正確的是哪個(gè)？

答案:

一個(gè)神經(jīng)元可以有多個(gè)輸入和多個(gè)輸出

有關(guān)數(shù)據(jù)預(yù)處理對(duì)神經(jīng)網(wǎng)絡(luò)的影響，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

BP神經(jīng)網(wǎng)絡(luò)的輸入屬性不需要篩選，因?yàn)榫W(wǎng)絡(luò)本身有特征獲取能力

梯度消失問(wèn)題的認(rèn)識(shí)哪個(gè)是正確的？

答案:

隱藏層太多時(shí)，可能導(dǎo)致靠近輸入層的權(quán)重的偏導(dǎo)數(shù)太小而得不到更新

sigmoid激活函數(shù)y=1/(1+【圖片】)的導(dǎo)數(shù)是以下哪一個(gè)？

答案:

y(1-y)

有關(guān)BP網(wǎng)絡(luò)的說(shuō)法哪個(gè)是錯(cuò)誤的？

答案:

交叉熵也可以作為回歸預(yù)測(cè)問(wèn)題的損失函數(shù)

有關(guān)神經(jīng)網(wǎng)絡(luò)參數(shù)初始化的說(shuō)法錯(cuò)誤的是哪個(gè)？

答案:

權(quán)重和偏置都可以取全零初始化

有關(guān)BP神經(jīng)網(wǎng)絡(luò)的說(shuō)法，錯(cuò)誤的是哪個(gè)？

答案:

訓(xùn)練時(shí)新樣本的加入對(duì)已經(jīng)學(xué)習(xí)的結(jié)果沒(méi)什么影響

關(guān)于訓(xùn)練樣本的描述中，正確的說(shuō)法是哪個(gè)？

答案:

樣本越少，模型的方差越大

下面有關(guān)神經(jīng)網(wǎng)絡(luò)的說(shuō)法錯(cuò)誤的是？

答案:

神經(jīng)網(wǎng)絡(luò)神經(jīng)元的輸出都是傳給其他神經(jīng)元，不能再反饋回來(lái)

下面哪個(gè)選項(xiàng)不是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中過(guò)擬合的防止方法？

答案:

增加學(xué)習(xí)率

有關(guān)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)使用的學(xué)習(xí)率參數(shù)說(shuō)法錯(cuò)誤的是？

答案:

學(xué)習(xí)率過(guò)大更容易導(dǎo)致訓(xùn)練陷入局部極小值。

GoogLeNet中1X1卷積核的作用是控制輸入的通道個(gè)數(shù)，減少卷積操作參數(shù)，還能起到shortcut的作用

答案:

正確

大的卷積核可以獲得大粒度的特征，而小的卷積核可以獲得比較局部的圖像特征

答案:

正確

梯度消失和梯度爆炸不會(huì)導(dǎo)致下面哪種情況？

答案:

梯度爆炸會(huì)加快網(wǎng)絡(luò)訓(xùn)練，更易達(dá)到最優(yōu)解

以下哪個(gè)不是AlexNet的創(chuàng)新點(diǎn)？

答案:

共享權(quán)重

AlexNet使用ReLU激活函數(shù)的好處不包括以下哪個(gè)方面？

答案:

梯度為0時(shí)神經(jīng)元難以正常工作

在池化中，當(dāng)步長(zhǎng)小于卷積核的大小時(shí)會(huì)稱(chēng)為重疊池化。與非重疊池化相比，下面哪個(gè)不是重疊池化的優(yōu)點(diǎn)？

答案:

減少計(jì)算量

有關(guān)VGG網(wǎng)絡(luò)的說(shuō)法，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

卷積層與池化層是一一配對(duì)的

VGG對(duì)圖像的分類(lèi)準(zhǔn)確度高于AlexNet的原因可能不是下面的哪一項(xiàng)？

答案:

訓(xùn)練次數(shù)多

以下卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化的方法正確的是哪個(gè)？

答案:

增加池化層的個(gè)數(shù)可以提高網(wǎng)絡(luò)訓(xùn)練參數(shù)，但降低了網(wǎng)絡(luò)性能

實(shí)例分割包括目標(biāo)檢測(cè)和語(yǔ)義分割，在圖像中將目標(biāo)檢測(cè)出來(lái)后，對(duì)圖像中的每個(gè)像素打上實(shí)例目標(biāo)標(biāo)簽。

答案:

正確

在神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化方法中，He和Xavier初始化的權(quán)重都與相鄰兩層神經(jīng)元的個(gè)數(shù)有關(guān)。

答案:

正確

以下哪些網(wǎng)絡(luò)包含上采樣操作？

答案:

Yolov3_UNet

Seq2Seq模型引入注意力機(jī)制后，以下哪些不是解碼器某個(gè)時(shí)刻的輸入語(yǔ)義向量的權(quán)重直接影響因素？

答案:

編碼器的輸入_解碼器該時(shí)刻的輸出

有關(guān)深度神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練模型的說(shuō)法，正確的是哪些？

答案:

當(dāng)新的數(shù)據(jù)量少且數(shù)據(jù)與原數(shù)據(jù)集類(lèi)似，可以對(duì)輸出層訓(xùn)練即可，不需要對(duì)模型參數(shù)做過(guò)多的調(diào)整_使用預(yù)訓(xùn)練模型意味著難以自由改變網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，限制了其應(yīng)用場(chǎng)合

提高圖像分類(lèi)的準(zhǔn)確度，可以考慮以下哪些方法？

答案:

增加輸入圖像的分辨率_調(diào)整超參_數(shù)據(jù)增強(qiáng)，增加訓(xùn)練數(shù)據(jù)

有關(guān)過(guò)擬合問(wèn)題的說(shuō)法哪些是正確的？

答案:

分類(lèi)算法一般都會(huì)遇到過(guò)擬合問(wèn)題_決策樹(shù)的過(guò)擬合可以采用剪枝方法

注意力機(jī)制中，Softmax函數(shù)的作用是什么？

答案:

將注意力權(quán)重歸一化

多頭注意力機(jī)制（Multi-HeadAttention）的主要作用是？

答案:

提高模型的準(zhǔn)確率

注意力機(jī)制中，Query、Key和Value的作用分別是什么？

答案:

Query和Key用于計(jì)算注意力權(quán)重，Value用于提取信息

在GAN的訓(xùn)練過(guò)程中，生成器和判別器的目標(biāo)函數(shù)分別是什么？

答案:

生成器：最小化生成樣本與真實(shí)樣本之間的差異；判別器：最大化將真實(shí)樣本和生成樣本正確分類(lèi)的概率

在深度學(xué)習(xí)中，數(shù)據(jù)增強(qiáng)的主要作用是？

答案:

提高模型預(yù)測(cè)準(zhǔn)確率

與神經(jīng)網(wǎng)絡(luò)模型泛化能力相似的說(shuō)法是哪個(gè)？

答案:

對(duì)測(cè)試樣本的推廣能力

對(duì)于YOLOv1算法，下面哪種做法可能不能增加其檢測(cè)精度？

答案:

刪除非極大值抑制步驟(NMS)

ResNet的特點(diǎn)不包括以下哪一項(xiàng)？

答案:

與VGG比較，因?yàn)槟Ｐ蜕疃仍黾?，參?shù)也明顯增加。

下面關(guān)于強(qiáng)化學(xué)習(xí)的描述中，哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

隨機(jī)策略選擇估計(jì)報(bào)酬最大的動(dòng)作

有關(guān)一般卷積神經(jīng)網(wǎng)絡(luò)的組成，下面哪種說(shuō)法是正確的？

答案:

卷積神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)依次是由輸入層、卷積層、激活層、池化層和全連接層組成

假設(shè)卷積神經(jīng)網(wǎng)絡(luò)某隱層的特征圖大小是19*19*8，其中8是通道數(shù)，使用大小為3*3的12個(gè)卷積核，步長(zhǎng)為2，沒(méi)有padding對(duì)此隱層進(jìn)行操作，得到的特征圖大小是？

答案:

9*9*12

卷積神經(jīng)網(wǎng)絡(luò)最后都需要2層或多層全連接層，才能起到分類(lèi)的功能

答案:

錯(cuò)誤

batchnormalization(BN)可以改善網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性，但也會(huì)一定程度上影響卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)性能

答案:

正確

交疊池化（即池化核大小比步長(zhǎng)大）可以減少特征圖的信息損失，但增加了計(jì)算量

答案:

正確

哪些權(quán)重的取值或調(diào)整方法可以改善卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和性能？

答案:

He初始化_dropout

以下有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法哪些是正確的？

答案:

增加卷積神經(jīng)網(wǎng)絡(luò)每層卷積核的多樣性可以改善網(wǎng)絡(luò)的性能_采用小卷積的級(jí)聯(lián)可以起到大卷積的作用，但減少了網(wǎng)絡(luò)的參數(shù)和過(guò)擬合，因此可能獲得較高的分類(lèi)性能_單純?cè)黾泳矸e神經(jīng)網(wǎng)絡(luò)的深度不一定能獲得比較好的性能

提升卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的特征獲取能力有效的方法包括以下哪些方面？

答案:

同一隱層組合不同大小的卷積核函數(shù)_采用shortcut等方式，隨著網(wǎng)絡(luò)層次的加深，減少特征的損失_采用不同大小的卷積：在開(kāi)始的卷積層采用大卷積核獲得粗大的特征，然后再后續(xù)的卷積層采用小卷積核獲得細(xì)致的特征

提高卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)準(zhǔn)確性，以下哪些方法可能是有效的？

答案:

增加可調(diào)整參數(shù)的隱層數(shù)目_采用小卷積核，提高通道的個(gè)數(shù)_使用圖像進(jìn)行旋轉(zhuǎn)、裁剪、拉伸、裁剪等進(jìn)行樣本增強(qiáng)

關(guān)于深度學(xué)習(xí)的說(shuō)法中，下面哪些說(shuō)法是錯(cuò)誤的？

答案:

批標(biāo)準(zhǔn)化（batchnormalization）使每一和隱層的輸入具有相同的分布_用Sigmoid激活函數(shù)時(shí)，如果權(quán)重初始化較大時(shí)，容易出現(xiàn)梯度消失，Tanh函數(shù)可以大為改進(jìn)_當(dāng)目標(biāo)函數(shù)是凸函數(shù)時(shí)，梯度下降法實(shí)現(xiàn)簡(jiǎn)單，可到達(dá)最大目標(biāo)值

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言，減少梯度消失可以采用以下哪些方法？

答案:

skipconnection_減少網(wǎng)絡(luò)深度（隱層個(gè)數(shù)）_增大學(xué)習(xí)率

ResNet的特點(diǎn)不包括以下哪一點(diǎn)？

答案:

模型參數(shù)明顯增加

ResNet中引入shortcut的功能不包括以下哪一個(gè)？

答案:

減少了計(jì)算量

對(duì)于GoogLeNet網(wǎng)絡(luò)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

GoogLeNetL的兩個(gè)輔助分類(lèi)器的主要目的是增加分類(lèi)子模型，提高分類(lèi)準(zhǔn)確度

以下哪些方法可以提高深度比較大的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果？

答案:

shortcut連接_dropout_正則化

以下哪些方法可以用于減少神經(jīng)網(wǎng)絡(luò)的過(guò)擬合問(wèn)題？

答案:

批標(biāo)準(zhǔn)化_數(shù)據(jù)增強(qiáng)_損失函數(shù)正則化

下面關(guān)于損失函數(shù)的描述中，正確的是哪些？

答案:

損失函數(shù)定義了機(jī)器在學(xué)習(xí)特征過(guò)程中的規(guī)則，即定義了學(xué)習(xí)的目標(biāo)。_損失函數(shù)通常作為學(xué)習(xí)準(zhǔn)則與優(yōu)化問(wèn)題相聯(lián)系，即通過(guò)最小化損失函數(shù)求解和評(píng)估模型。

下面哪個(gè)選項(xiàng)是FasterR-CNN算法的主要貢獻(xiàn)？

答案:

提出了候選區(qū)域生成網(wǎng)絡(luò)（RPN）

對(duì)于3*3的特征圖，采用dilationrate=2的空洞卷積，得到的特征圖大小是？

答案:

5*5

Softplus激活函數(shù)的表達(dá)式是哪個(gè)？

答案:

f(x)=ln?(e^x+1)

下面有關(guān)數(shù)據(jù)增強(qiáng)，哪個(gè)說(shuō)法錯(cuò)誤的？

答案:

數(shù)據(jù)增強(qiáng)只有是樣本數(shù)量少的情況下執(zhí)行。

當(dāng)生成器產(chǎn)生的樣本分布與真實(shí)樣本分布不一致時(shí)，以下哪個(gè)說(shuō)法是錯(cuò)誤的？

答案:

無(wú)法訓(xùn)練成功。

RCNN算法分為以下步驟，分別是：(a)提取區(qū)域提名(b)區(qū)域分類(lèi)和調(diào)邊框(c)計(jì)算CNN特征，請(qǐng)問(wèn)下列何者順序正確？

答案:

(a)(c)(b)

下面關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的描述中，正確的說(shuō)法是哪些？

答案:

卷積層通道數(shù)量越多或者通道對(duì)應(yīng)的核大小越多樣，獲得的特征就越充分_SAME填充和VALID填充的主要區(qū)別是前者向圖像邊緣添加0值，而后者可能對(duì)圖像邊緣的特征獲取不足

哪些方法能減少深度學(xué)習(xí)的梯度消失問(wèn)題？

答案:

ResNet網(wǎng)絡(luò)使用的shortcut連接_使用ReLU激活函數(shù)

在RNN中，使用Attention機(jī)制的目的是？

答案:

可以提高模型的準(zhǔn)確率

門(mén)控循環(huán)單元（GRU）相比LSTM有什么不同？

答案:

GRU的計(jì)算速度更快

有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法哪個(gè)是正確的？

答案:

在卷積層后面使用池化操作，可以減少網(wǎng)絡(luò)可以訓(xùn)練的參數(shù)量

有一個(gè)45x45x16的特征圖輸入（16位通道數(shù)），并使用大小為3x3的64個(gè)卷積核進(jìn)行卷積，步長(zhǎng)為1，填充為1，輸出特征圖是多少？

答案:

45*45*64

假設(shè)有5個(gè)大小為5x5、ValidPadding，步長(zhǎng)（S）為1的卷積核。此時(shí)如果向這一層傳入一個(gè)維度為224x224x3的數(shù)據(jù)，那么神經(jīng)網(wǎng)絡(luò)下一層的數(shù)據(jù)維度是多少？

答案:

220x220x5

下列對(duì)于生成式對(duì)抗網(wǎng)絡(luò)的敘述，哪個(gè)是錯(cuò)誤的？

答案:

僅由一個(gè)生成網(wǎng)絡(luò)與一個(gè)判別網(wǎng)絡(luò)組成

以下哪個(gè)關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法是錯(cuò)誤的？

答案:

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)值學(xué)習(xí)每層神經(jīng)元的閾值

對(duì)于某卷積層，關(guān)于卷積核大小的描述（假設(shè)通道數(shù)固定）正確的是哪個(gè)？

答案:

卷積核越小，更新參數(shù)的計(jì)算量越少，但更容易得到局部的特征。

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言，淺層特征圖適用于目標(biāo)檢測(cè)的定位任務(wù)，而深層特征圖適用于分類(lèi)任務(wù)。

答案:

正確

有些目標(biāo)檢測(cè)算法（例如SSD）提取了不同尺度的特征圖來(lái)做檢測(cè)，大尺度特征圖可以用來(lái)檢測(cè)小物體，而小尺度特征圖檢測(cè)大物體。

答案:

正確

根據(jù)過(guò)去幾天的平均氣溫預(yù)測(cè)未來(lái)一天的平均氣溫可以使用循環(huán)神經(jīng)網(wǎng)絡(luò)完成

答案:

正確

GoogLeNet使用了全局平均池化替代全連接層，使網(wǎng)絡(luò)參數(shù)大幅減少。

答案:

正確

有關(guān)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的理解，以下哪些說(shuō)法是正確的？

答案:

某個(gè)時(shí)刻t輸入和輸出之間的關(guān)系可以通過(guò)隱層神經(jīng)元擬合_對(duì)于只有在最后一個(gè)時(shí)刻有輸出的RNN，可以擬合輸入的時(shí)序數(shù)據(jù)之間的關(guān)系對(duì)應(yīng)的類(lèi)別，例如微博用戶(hù)有關(guān)某事件的情感分析_某個(gè)時(shí)刻t，隱層神經(jīng)元擬合了上一時(shí)刻輸入與輸出以及當(dāng)前輸入與輸出的關(guān)系

在卷積網(wǎng)絡(luò)中，卷積層的參數(shù)是卷積核和偏置，池化層沒(méi)有參數(shù)，因此在誤差反向傳播時(shí)只要優(yōu)化卷積層的參數(shù)。

答案:

正確

下面有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法哪些是正確的？

答案:

在特征圖padding時(shí)，各方向的填充像素?cái)?shù)不一定相同（不對(duì)稱(chēng)填充），也不一定補(bǔ)0_卷積神經(jīng)網(wǎng)絡(luò)的輸出層不一定用全連接網(wǎng)絡(luò)，也可能得到比較好的性能_卷積核的高和寬不一定是相等的，且一般大小取奇數(shù)

Yolov3的改進(jìn)之一是網(wǎng)絡(luò)輸出的激活函數(shù)不再使用Softmax，而分類(lèi)損失采用二分類(lèi)交叉損失熵，以適應(yīng)有重疊的多標(biāo)簽分類(lèi)。

答案:

正確

在設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)時(shí)，開(kāi)始時(shí)網(wǎng)絡(luò)的深度盡可能深一些，當(dāng)這個(gè)網(wǎng)絡(luò)的性能還不錯(cuò)時(shí)，再考慮減少網(wǎng)絡(luò)的層次，提升準(zhǔn)確度。

答案:

錯(cuò)誤

下面哪些關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的說(shuō)法是正確的？

答案:

激活函數(shù)為T(mén)anh的深層神經(jīng)網(wǎng)絡(luò)可以看成一個(gè)復(fù)合的非線性多元函數(shù)_ReLU非線性激活函數(shù)的收斂速度比Sigmoid可能快一些