CNN卷積神經(jīng)網(wǎng)絡(luò)單元測(cè)試與答案

一、單選題1、關(guān)于深度學(xué)習(xí)的說法正確的是哪個(gè)？A批規(guī)范化(batchnormalization)是在不引入新參數(shù)的情況下保證每一層網(wǎng)絡(luò)的輸入具有相同的分布B.與Sigmoid函數(shù)相比，Relu較不容易使網(wǎng)絡(luò)產(chǎn)生梯度消失C.梯度下降法實(shí)現(xiàn)簡(jiǎn)單，當(dāng)目標(biāo)函數(shù)是凸函數(shù)時(shí)，可基于二階收斂快速到達(dá)目標(biāo)值D.用Sigmoid激活函數(shù)時(shí)，如果權(quán)重初始化較大或較小時(shí)，容易出現(xiàn)梯度飽和梯度消失，可選用Tanh函數(shù)改進(jìn)正確答案：B2、下面關(guān)于池化的描述中，錯(cuò)誤的是哪個(gè)？A.池化的常用方法包括最大化池化、最小化池化、平均化池化、全局池化B.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C.池化在CNN中可以減少較多的計(jì)算量，加快模型訓(xùn)練D.池化方法可以自定義正確答案：A3、下面關(guān)于CNN的描述中，錯(cuò)誤的說法是哪個(gè)？A.局部感知使網(wǎng)絡(luò)可以提取數(shù)據(jù)的局部特征，而權(quán)值共享大大降低了網(wǎng)絡(luò)的訓(xùn)練難度8.卷積核一般是有厚度的，即通道(channel),通道數(shù)量越多，獲得的特征圖(Featuremap)就越多^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)練過程中濾波矩陣的大小和值不變D.SAME填充（padding）一般是向圖像邊緣添加0值正確答案：C4、下面關(guān)于深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的描述，正確的說法是哪個(gè)？A.在不同的網(wǎng)絡(luò)結(jié)構(gòu)中，層數(shù)與神經(jīng)元數(shù)量正相關(guān)，層數(shù)越多，神經(jīng)元數(shù)量一定越多B.網(wǎng)絡(luò)結(jié)構(gòu)的層次越深，其學(xué)習(xí)的特征越多，10層的結(jié)構(gòu)要優(yōu)于5層的C.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)D.網(wǎng)絡(luò)的層次越深，其訓(xùn)練時(shí)間越久，5層的網(wǎng)絡(luò)要比4層的訓(xùn)練時(shí)間更長(zhǎng)正確答案：C5、假設(shè)輸入是一個(gè)300x300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)）？A.27,000,001B.9,000,100C.27,000,100D.9,000,0016、假設(shè)輸入是一張300x300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)）？A.7601B.7600C.7500D.2501正確答案：B7、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，無填充（nopadding），輸出是多少？A.39*39*32B.40*40*32C.44*44*16D.29*29*32正確答案：B8、對(duì)于65x65x6的輸入特征圖，用32個(gè)5*5的卷積核（過濾器）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)？A.32*32*32B.33*33*32C.32*32*5D.65*65*12正確答案：B9、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)問輸出特征圖的大小是多少？B.32*32*3C.32*32*6D.16*16*6正確答案：D10、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，其展開的向量長(zhǎng)度為？A.224B.3600C.36000D.3000正確答案：C11、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？A.1B.2C.3D.4正確答案：A12、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，沒有padding，那么得到的特征圖大小為？A.27*30*20B.36*34*20C.32*28*613、下面哪種操作不能改善卷積網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性？A.沖量項(xiàng)84比歸一化(batchnormalization)C.動(dòng)態(tài)的學(xué)習(xí)步長(zhǎng)調(diào)整，例如AdamD提高mini-batch中的樣本個(gè)數(shù)正確答案：A14、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)說法是正確的？A.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B.過大的卷積核對(duì)應(yīng)大量的參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)不容易出現(xiàn)過擬合C.大的卷積核對(duì)應(yīng)的感受野比較大，更容易獲得圖像的特征D.小的卷積核可以獲得圖像比較細(xì)致的特征，它們組合起來可能降低網(wǎng)絡(luò)的分類準(zhǔn)確率正確答案：A15、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？A.使得第一個(gè)隱層的輸入不至于過大或過小，提高網(wǎng)絡(luò)訓(xùn)練的收斂速度B.減少網(wǎng)絡(luò)的過擬合C.減少不同輸入特征數(shù)據(jù)量綱的差別D.降低網(wǎng)絡(luò)的計(jì)算量二、多選題1、以下有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說法，哪些是錯(cuò)誤的？A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8.通過增加卷積核的大小和通道的個(gè)數(shù)，可以提升卷積神經(jīng)網(wǎng)絡(luò)特征獲取的能力C.共享權(quán)重大大減少了參數(shù)的個(gè)數(shù)，降低了網(wǎng)絡(luò)的復(fù)雜度口.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)練過程中不變化正確答案：A、D2、有關(guān)通道的說法，哪些說法是正確的？慶在卷積操作時(shí)，每個(gè)卷積核要對(duì)輸入特征圖的所有通道分別做卷積后求和，得到對(duì)應(yīng)的新特征圖8.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^卷積層的輸入特征圖的通道數(shù)和輸出特征圖的通道數(shù)是相同的D.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)分類性能正確答案：B、D3、下面有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說法哪些是正確的？A.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)稱填充），也不一定補(bǔ)08.在卷積神經(jīng)網(wǎng)絡(luò)中，卷積和池化的作用主要是分類，全連接層的作用主要是特征獲取^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口.卷積核的高和寬不一定是相等的，且一般大小取奇數(shù)正確答案：A、C、D4、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？A.batchnomalizationB.dropoutC.增加更多的隱層數(shù)，提高網(wǎng)絡(luò)的深度，深度增大性能也會(huì)不斷提升D.權(quán)重歸一化正確答案：A、B、D5、下面關(guān)于池