【MOOC答案】《深度學(xué)習(xí)及其應(yīng)用》(復(fù)旦大學(xué))章節(jié)作業(yè)慕課答案

【MOOC答案】《深度學(xué)習(xí)及其應(yīng)用》(復(fù)旦大學(xué))章節(jié)作業(yè)慕課答案

有些題目順序不一致，下載后按鍵盤ctrl+F進(jìn)行搜索第一單元神經(jīng)網(wǎng)絡(luò)基礎(chǔ)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)1.單選題：以下哪個(gè)選項(xiàng)最能描述早停（earlystopping）在解決過擬合問題中的作用？

選項(xiàng)：

A、在訓(xùn)練過程中及時(shí)停止，防止模型過擬合

B、提前停止訓(xùn)練，以避免模型欠擬合

C、增加模型的復(fù)雜度，以提高泛化能力

D、增加訓(xùn)練集的大小，以減少過擬合的風(fēng)險(xiǎn)

答案：【在訓(xùn)練過程中及時(shí)停止，防止模型過擬合】2.單選題：以下哪個(gè)方法可以有效減少神經(jīng)網(wǎng)絡(luò)的過擬合？

選項(xiàng)：

A、增加模型復(fù)雜度

B、增加訓(xùn)練集的大小

C、減少訓(xùn)練輪次

D、使用正則化技術(shù)

答案：【使用正則化技術(shù)】3.單選題：過擬合是指神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上表現(xiàn)良好，但在測試集上表現(xiàn)較差。以下哪個(gè)選項(xiàng)最能描述過擬合的原因？

選項(xiàng)：

A、模型復(fù)雜度過低

B、模型復(fù)雜度過高

C、訓(xùn)練集和測試集之間的分布差異

D、數(shù)據(jù)量過小

答案：【模型復(fù)雜度過高】4.單選題：在梯度下降法中，以下哪種激活函數(shù)常用于處理二分類問題？

選項(xiàng)：

A、Sigmoid函數(shù)

B、ReLU函數(shù)

C、Tanh函數(shù)

D、Softmax函數(shù)

答案：【Sigmoid函數(shù)】5.單選題：梯度下降法中的激活函數(shù)對于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有什么作用？

選項(xiàng)：

A、增加模型的復(fù)雜度

B、控制梯度的傳播

C、加速收斂速度

D、減少過擬合的風(fēng)險(xiǎn)

答案：【控制梯度的傳播】6.單選題：在梯度下降法中，批量梯度下降（BatchGradientDescent）和隨機(jī)梯度下降（StochasticGradientDescent）的主要區(qū)別是什么？

選項(xiàng)：

A、批量梯度下降使用全部訓(xùn)練數(shù)據(jù)，而隨機(jī)梯度下降使用單個(gè)樣本

B、批量梯度下降只更新部分參數(shù)，而隨機(jī)梯度下降更新所有參數(shù)

C、批量梯度下降收斂速度更快，而隨機(jī)梯度下降更容易陷入局部最優(yōu)

D、批量梯度下降適用于大規(guī)模數(shù)據(jù)集，而隨機(jī)梯度下降適用于小規(guī)模數(shù)據(jù)集

答案：【批量梯度下降使用全部訓(xùn)練數(shù)據(jù)，而隨機(jī)梯度下降使用單個(gè)樣本】7.單選題：在BP神經(jīng)網(wǎng)絡(luò)中，用于分類的損失函數(shù)通常使用什么來衡量預(yù)測值和真實(shí)值之間的差異？

選項(xiàng)：

A、均方誤差

B、交叉熵?fù)p失

C、對數(shù)損失

D、KL散度

答案：【交叉熵?fù)p失】8.單選題：BP神經(jīng)網(wǎng)絡(luò)中的隱藏層有什么作用？

選項(xiàng)：

A、提取輸入數(shù)據(jù)的特征

B、執(zhí)行分類任務(wù)

C、計(jì)算輸出層的誤差

D、更新權(quán)重和偏置

答案：【提取輸入數(shù)據(jù)的特征】9.單選題：BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行輸入歸一化的作用主要包括以下哪一項(xiàng)？

選項(xiàng)：

A、加快模型訓(xùn)練速度

B、防止梯度消失或梯度爆炸問題

C、減少模型的復(fù)雜度

D、提高模型的可解釋性

答案：【防止梯度消失或梯度爆炸問題】10.單選題：下列哪一項(xiàng)不是BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)存在的問題？

選項(xiàng)：

A、容易陷入局部最優(yōu)解

B、輸入數(shù)據(jù)維度過高

C、梯度消失

D、學(xué)習(xí)率選擇不當(dāng)

答案：【輸入數(shù)據(jù)維度過高】11.單選題：sigmoid激活函數(shù)y=1/(1+)的導(dǎo)數(shù)是以下哪一個(gè)？

選項(xiàng)：

A、y(1-y)

B、1-

C、1+lnx

D、1-lnx

答案：【y(1-y)】12.單選題：有關(guān)BP網(wǎng)絡(luò)的說法哪個(gè)是錯(cuò)誤的？

選項(xiàng)：

A、在使用梯度下降時(shí)，加上沖量項(xiàng)會減少訓(xùn)練的速度，但可能會減少陷入局部極小值的可能

B、與批量梯度下降法相比，使用小批量梯度下降法可以提高訓(xùn)練速度，但達(dá)到全局最優(yōu)解可能需要更多的迭代次數(shù)

C、交叉熵也可以作為回歸預(yù)測問題的損失函數(shù)

D、神經(jīng)元的激活函數(shù)選擇影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程和最終性能

答案：【交叉熵也可以作為回歸預(yù)測問題的損失函數(shù)】13.單選題：有關(guān)神經(jīng)網(wǎng)絡(luò)參數(shù)初始化的說法錯(cuò)誤的是哪個(gè)？

選項(xiàng)：

A、權(quán)重和偏置都可以取全零初始化

B、使用正態(tài)分布初始化，但權(quán)重取太大或太小都會影響網(wǎng)絡(luò)的訓(xùn)練

C、Xavier初始化可以減少梯度消失

D、合適的權(quán)重初始化可以加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和效果

答案：【權(quán)重和偏置都可以取全零初始化】14.單選題：有關(guān)BP神經(jīng)網(wǎng)絡(luò)的說法，錯(cuò)誤的是哪個(gè)？

選項(xiàng)：

A、易陷入局部極小值

B、訓(xùn)練次數(shù)多，學(xué)習(xí)效率低，收斂速度慢

C、隱層節(jié)點(diǎn)的選取缺乏理論指導(dǎo)

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

答案：【訓(xùn)練時(shí)新樣本的加入對已經(jīng)學(xué)習(xí)的結(jié)果沒什么影響】15.單選題：下面哪個(gè)選項(xiàng)不是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中過擬合的防止方法？

選項(xiàng)：

A、增加學(xué)習(xí)率

B、L2正則化

C、dropout

D、提前終止

答案：【增加學(xué)習(xí)率】16.單選題：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)說法錯(cuò)誤的是？

選項(xiàng)：

A、學(xué)習(xí)率可以與其他網(wǎng)絡(luò)參數(shù)一起訓(xùn)練，對降低代價(jià)函數(shù)是有利的。

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

C、學(xué)習(xí)率可以隨著訓(xùn)練誤差動(dòng)態(tài)調(diào)整效果更好。

D、網(wǎng)絡(luò)訓(xùn)練時(shí)剛開始學(xué)習(xí)率可以大一些，以便提高學(xué)習(xí)速度，隨后應(yīng)減少學(xué)習(xí)率，以免引起學(xué)習(xí)震蕩。

答案：【學(xué)習(xí)率過大更容易導(dǎo)致訓(xùn)練陷入局部極小值?！?7.單選題：以下不屬于超參的是哪個(gè)因素？

選項(xiàng)：

A、激活函數(shù)

B、學(xué)習(xí)步長（率）和沖量引子

C、輸出編碼形式

D、mini-batch的樣本數(shù)

答案：【輸出編碼形式】18.單選題：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？

選項(xiàng)：

A、660，45

B、3200，45

C、16000，48

D、3000，32

答案：【660，45】19.單選題：下面關(guān)于單個(gè)神經(jīng)元輸入輸出正確的是哪個(gè)？

選項(xiàng)：

A、一個(gè)神經(jīng)元只能擁有一個(gè)輸入和一個(gè)輸出

B、一個(gè)神經(jīng)元只能擁有一個(gè)輸入但可以有多個(gè)輸出

C、一個(gè)神經(jīng)元可以有多個(gè)輸入和多個(gè)輸出

D、一個(gè)神經(jīng)元可以擁有多個(gè)輸入但只有一個(gè)輸出

答案：【一個(gè)神經(jīng)元可以有多個(gè)輸入和多個(gè)輸出】20.單選題：有關(guān)數(shù)據(jù)預(yù)處理對神經(jīng)網(wǎng)絡(luò)的影響，以下哪個(gè)說法是錯(cuò)誤的？

選項(xiàng)：

A、對于非數(shù)值型的屬性，可以使用獨(dú)熱（onehot)編碼或模糊化轉(zhuǎn)換成數(shù)值

B、連續(xù)性屬性可以采用最小最大值歸一化，減少數(shù)值過大和不同屬性量綱不同對網(wǎng)絡(luò)的影響

C、預(yù)處理與否對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和分類準(zhǔn)確率影響比較大

D、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

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】21.單選題：梯度消失問題的認(rèn)識哪個(gè)是正確的？

選項(xiàng)：

A、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

B、神經(jīng)元處于Sigmoid等激活函數(shù)的飽和區(qū)工作

C、隱藏層神經(jīng)元的個(gè)數(shù)太多導(dǎo)致

D、隱層的權(quán)重取值太小不容易導(dǎo)致梯度消失

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】22.多選題：減少神經(jīng)網(wǎng)絡(luò)過擬合的說法，以下哪些是正確的？

選項(xiàng)：

A、通過正則化可以減少網(wǎng)絡(luò)參數(shù)的取值或個(gè)數(shù)，一定程度可能減少過擬合

B、通過增加數(shù)據(jù)擾動(dòng)的數(shù)據(jù)增強(qiáng)增加了神經(jīng)網(wǎng)絡(luò)的過擬合

C、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擬合

D、在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中類似dropout減少神經(jīng)元或相關(guān)鏈接權(quán)的數(shù)量

答案：【通過正則化可以減少網(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擬合;在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中類似dropout減少神經(jīng)元或相關(guān)鏈接權(quán)的數(shù)量】23.多選題：有關(guān)數(shù)據(jù)增強(qiáng)的說法正確是哪些？

選項(xiàng)：

A、對于分類問題，數(shù)據(jù)增強(qiáng)是減少數(shù)據(jù)不平衡的一種方法。

B、對于手寫體的識別，對樣本的反轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形和縮放等操作會提高神經(jīng)網(wǎng)絡(luò)的識別效果

C、數(shù)據(jù)增強(qiáng)會增加樣本的個(gè)數(shù)，因此可能會減少過擬合

D、數(shù)據(jù)增強(qiáng)帶來了噪聲，因此一般會降低神經(jīng)網(wǎng)絡(luò)模型的效果

答案：【對于分類問題，數(shù)據(jù)增強(qiáng)是減少數(shù)據(jù)不平衡的一種方法。;對于手寫體的識別，對樣本的反轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形和縮放等操作會提高神經(jīng)網(wǎng)絡(luò)的識別效果;數(shù)據(jù)增強(qiáng)會增加樣本的個(gè)數(shù)，因此可能會減少過擬合】24.單選題：BP網(wǎng)絡(luò)的訓(xùn)練過程實(shí)質(zhì)上是網(wǎng)絡(luò)權(quán)重和神經(jīng)元偏置組成的損失函數(shù)最小化的計(jì)算過程。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【正確】25.單選題：神經(jīng)網(wǎng)絡(luò)的全連接是指網(wǎng)絡(luò)的任一層的每一個(gè)神經(jīng)元與上一層（加入存在的話）的神經(jīng)元都有連接。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【正確】第二單元深度學(xué)習(xí)在人工智能中的應(yīng)用深度學(xué)習(xí)的應(yīng)用1.單選題：有關(guān)深度學(xué)習(xí)的說法，哪個(gè)是正確的？

選項(xiàng)：

A、深度學(xué)習(xí)可以解決任意的機(jī)器學(xué)習(xí)問題

B、深度學(xué)習(xí)比較適合處理有大量樣本的視頻、圖像、聲音、文本等多模態(tài)數(shù)據(jù)的分析，這些數(shù)據(jù)的分析需要人工進(jìn)行特征提取，這是與傳統(tǒng)的機(jī)器學(xué)習(xí)不同的

C、對于分類問題，深度學(xué)習(xí)算法一定優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法

D、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

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】2.單選題：有關(guān)人工智能、深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的關(guān)系，以下哪個(gè)認(rèn)識是錯(cuò)誤的？

選項(xiàng)：

A、機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)之一，也是實(shí)現(xiàn)人工智能的重要基礎(chǔ)。

B、深度學(xué)習(xí)與機(jī)器學(xué)習(xí)是相對獨(dú)立的技術(shù)

C、深度學(xué)習(xí)算法和傳統(tǒng)的機(jī)器學(xué)習(xí)算法構(gòu)成了機(jī)器學(xué)習(xí)理論體系

D、深度學(xué)習(xí)是處理計(jì)算機(jī)視覺、聽覺和文字的有效機(jī)器學(xué)習(xí)技術(shù)，促進(jìn)了人工智能的應(yīng)用和發(fā)展

答案：【深度學(xué)習(xí)與機(jī)器學(xué)習(xí)是相對獨(dú)立的技術(shù)】3.單選題：以下哪種問題不適合使用深度學(xué)習(xí)解決？

選項(xiàng)：

A、人臉識別

B、銀行信用卡客戶欺詐檢測

C、自動(dòng)導(dǎo)播語音合成

D、機(jī)器人寫·詩

答案：【銀行信用卡客戶欺詐檢測】4.單選題：深度學(xué)習(xí)模型中的“深度”一詞指的是什么？

選項(xiàng)：

A、模型中隱藏層的數(shù)量

B、模型的計(jì)算復(fù)雜度

C、模型所需的數(shù)據(jù)量

D、模型訓(xùn)練的時(shí)間

答案：【模型中隱藏層的數(shù)量】5.單選題：深度學(xué)習(xí)在人工智能中的應(yīng)用范圍較廣，其中包括：

選項(xiàng)：

A、語音識別和圖像處理

B、邏輯推理和問題解決

C、數(shù)據(jù)庫管理和數(shù)據(jù)挖掘

D、網(wǎng)絡(luò)安全和密碼學(xué)

答案：【語音識別和圖像處理】6.單選題：以下哪個(gè)框架不是深度學(xué)習(xí)框架？

選項(xiàng)：

A、TensorFlow

B、PyTorch

C、Keras

D、Scikit-learn

答案：【Scikit-learn】7.單選題：在選擇深度學(xué)習(xí)開源框架時(shí)，下面哪個(gè)不是主要考慮的因素？

選項(xiàng)：

A、易用性

B、效率高

C、容易學(xué)習(xí)、功能多

D、價(jià)格

答案：【價(jià)格】8.單選題：下面哪個(gè)不是深度學(xué)習(xí)的常見框架？

選項(xiàng)：

A、PaddlePaddle

B、TensorFlow

C、MySQL

D、Pytorch

答案：【MySQL】9.單選題：與傳統(tǒng)的分類機(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)？

選項(xiàng)：

A、不需要人工進(jìn)行特征工程，深度學(xué)習(xí)算法本身具有一定的特征提取能力

B、深度學(xué)習(xí)算法需要的數(shù)據(jù)量和算力更大，但性能更好

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

D、深度學(xué)習(xí)的算法解釋性一般比較弱，對數(shù)據(jù)依賴性強(qiáng)

答案：【深度學(xué)習(xí)算法不需要對數(shù)據(jù)進(jìn)行預(yù)處理】10.單選題：以下哪種方法不是用于提升深度學(xué)習(xí)模型泛化能力的技術(shù)？

選項(xiàng)：

A、早期停止（EarlyStopping）

B、數(shù)據(jù)增強(qiáng)（DataAugmentation）

C、增大模型復(fù)雜度（IncreasingModelComplexity）

D、Dropout正則化（DropoutRegularization）

答案：【增大模型復(fù)雜度（IncreasingModelComplexity）】11.單選題：在深度學(xué)習(xí)模型訓(xùn)練中，使用哪種策略可以幫助加速模型的收斂？

選項(xiàng)：

A、減小學(xué)習(xí)率

B、增加模型層數(shù)

C、減少訓(xùn)練數(shù)據(jù)量

D、使用動(dòng)量（Momentum）或Adam優(yōu)化器

答案：【使用動(dòng)量（Momentum）或Adam優(yōu)化器】12.多選題：有關(guān)深度學(xué)習(xí)的不足，以下哪些看法是正確的？

選項(xiàng)：

A、深度學(xué)習(xí)算法對數(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

B、深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般比較復(fù)雜，訓(xùn)練速度快

C、深度神經(jīng)網(wǎng)絡(luò)一般要優(yōu)化的參數(shù)眾多，因此對計(jì)算資源的要求比較高

D、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

答案：【深度學(xué)習(xí)算法對數(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;深度神經(jīng)網(wǎng)絡(luò)一般要優(yōu)化的參數(shù)眾多，因此對計(jì)算資源的要求比較高;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】13.多選題：深度學(xué)習(xí)算法的三要素是指以下哪些方面？

選項(xiàng)：

A、模型

B、學(xué)習(xí)準(zhǔn)則

C、數(shù)據(jù)

D、優(yōu)化算法

答案：【模型;學(xué)習(xí)準(zhǔn)則;優(yōu)化算法】第三單元卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用1.單選題：對于神經(jīng)網(wǎng)絡(luò)而言，哪個(gè)不是輸入的標(biāo)準(zhǔn)化的作用？

選項(xiàng)：

A、減少不同輸入特征數(shù)據(jù)量綱的差別

B、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

C、降低網(wǎng)絡(luò)的計(jì)算量

D、減少網(wǎng)絡(luò)的過擬合

答案：【降低網(wǎng)絡(luò)的計(jì)算量】2.單選題：有關(guān)卷積核的大小對卷積神經(jīng)網(wǎng)絡(luò)的影響，哪個(gè)說法是正確的？

選項(xiàng)：

A、大的卷積核對應(yīng)的感受野比較大，更容易獲得圖像的特征

B、小的卷積核級聯(lián)的效果等價(jià)于大卷積核的效果，但權(quán)重等參數(shù)會大大減少

C、過大的卷積核對應(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

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

答案：【小的卷積核級聯(lián)的效果等價(jià)于大卷積核的效果，但權(quán)重等參數(shù)會大大減少】3.單選題：下面哪種操作不能改善卷積網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性？

選項(xiàng)：

A、批歸一化（batchnormalization）

B、動(dòng)態(tài)的學(xué)習(xí)步長調(diào)整，例如Adam

C、沖量項(xiàng)

D、提高mini-batch中的樣本個(gè)數(shù)

答案：【沖量項(xiàng)】4.單選題：對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？

選項(xiàng)：

A、30

B、27

C、75

D、78

答案：【27】5.單選題：對于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)？

選項(xiàng)：

A、33*33*32

B、32*32*32

C、65*65*12

D、32*32*5

答案：【33*33*32】6.單選題：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，步長為1，無填充（nopadding），輸出是多少？

選項(xiàng)：

A、29*29*32

B、39*39*32

C、44*44*16

D、40*40*32

答案：【40*40*32】7.單選題：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)）？

選項(xiàng)：

A、2501

B、7601

C、7500

D、7600

答案：【7600】8.單選題：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)）？

選項(xiàng)：

A、9,000,001

B、9,000,100

C、27,000,001

D、27,000,100

答案：【27,000,100】9.單選題：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)？

選項(xiàng)：

A、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

B、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)

C、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

D、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

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)】10.單選題：下面關(guān)于CNN的描述中，錯(cuò)誤的說法是哪個(gè)？

選項(xiàng)：

A、SAME填充（padding）一般是向圖像邊緣添加0值

B、卷積是指對圖像的窗口數(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

C、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

D、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

答案：【卷積是指對圖像的窗口數(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】11.單選題：下面關(guān)于池化的描述中，錯(cuò)誤的是哪個(gè)？

選項(xiàng)：

A、池化方法可以自定義

B、池化在CNN中可以減少較多的計(jì)算量，加快模型訓(xùn)練

C、在人臉識別中采用較多池化的原因是為了獲得人臉部的高層特征

D、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

答案：【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】12.單選題：關(guān)于深度學(xué)習(xí)的說法正確的是哪個(gè)？

選項(xiàng)：

A、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)

B、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

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

D、梯度下降法實(shí)現(xiàn)簡單，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

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】13.單選題：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)，步長為1，沒有padding，那么得到的特征圖大小為？

選項(xiàng)：

A、32*30*20

B、27*30*20

C、32*28*6

D、36*34*20

答案：【32*30*20】14.單選題：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，步長為2，那么Padding值為多少？

選項(xiàng)：

A、1

B、2

C、3

D、4

答案：【1】15.單選題：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，其展開的向量長度為？

選項(xiàng)：

A、36000

B、224

C、3000

D、3600

答案：【36000】16.單選題：對于32x32x6的輸入特征圖，使用步長為2，核大小為2的最大池化，請問輸出特征圖的大小是多少？

選項(xiàng)：

A、16*16*6

B、32*32*3

C、16*16*3

D、32*32*6

答案：【16*16*6】17.多選題：以下有關(guān)卷積核的說法正確的是哪些？

選項(xiàng)：

A、堆疊多層小卷積核的操作可以等同于大卷積核的操作。

B、使用小卷積核可以減少參數(shù)量。

C、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。

D、卷積核網(wǎng)絡(luò)性能越大越好。

答案：【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。;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?！?8.多選題：下面關(guān)于池化的描述中，正確的的說法有哪些？

選項(xiàng)：

A、池化方法也可以自定義

B、池化在CNN中沒有增加可訓(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

C、在人臉識別中采用較多池化的原因是為了獲得人臉部的高層特征

D、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

答案：【池化方法也可以自定義;池化在CNN中沒有增加可訓(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;在人臉識別中采用較多池化的原因是為了獲得人臉部的高層特征】19.多選題：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？

選項(xiàng)：

A、權(quán)重歸一化

B、dropout

C、batchnomalization

D、增加更多的隱層數(shù)，提高網(wǎng)絡(luò)的深度，深度增大性能也會不斷提升

答案：【權(quán)重歸一化;dropout;batchnomalization】20.多選題：下面有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說法哪些是正確的？

選項(xiàng)：

A、卷積核的高和寬不一定是相等的，且一般大小取奇數(shù)

B、在特征圖padding時(shí)，各方向的填充像素?cái)?shù)不一定相同（不對稱填充），也不一定補(bǔ)0

C、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

D、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

答案：【卷積核的高和寬不一定是相等的，且一般大小取奇數(shù);在特征圖padding時(shí)，各方向的填充像素?cái)?shù)不一定相同（不對稱填充），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】21.多選題：有關(guān)通道的說法，哪些說法是正確的？

選項(xiàng)：

A、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

B、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

C、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

D、在卷積操作時(shí)，每個(gè)卷積核要對輸入特征圖的所有通道分別做卷積后求和，得到對應(yīng)的新特征圖

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)分類性能】22.多選題：以下有關(guān)卷積神經(jīng)網(wǎng)絡(luò)的說法，哪些是錯(cuò)誤的？

選項(xiàng)：

A、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

B、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

C、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

D、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

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】23.單選題：以股票預(yù)測為例，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。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【錯(cuò)誤】24.單選題：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)。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【正確】25.單選題：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。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【正確】26.單選題：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。

選項(xiàng)：

A、正確

B、錯(cuò)誤

答案：【錯(cuò)誤】第四單元典型卷積神經(jīng)網(wǎng)絡(luò)算法典型卷積神經(jīng)網(wǎng)絡(luò)算法1.單選題：AlexNet使用ReLU激活函數(shù)的好處不包括以下哪個(gè)方面？

選項(xiàng)：

A、緩解了梯度消失問題

B、提高l網(wǎng)絡(luò)訓(xùn)練速度

C、梯度為0時(shí)神經(jīng)元難以正常工作

D、開銷小、計(jì)算快

答案：【梯度為0時(shí)神經(jīng)元難以正常工作】2.單選題：以下哪個(gè)不是AlexNet的創(chuàng)新點(diǎn)？

選項(xiàng)：

A、dropout

B、Relu激活函數(shù)和重疊池化

C、雙GPU訓(xùn)練

D、共享權(quán)重

答案：【共享權(quán)重】3.單選題：梯度消失和梯度爆炸不會導(dǎo)致下面哪種情況？

選項(xiàng)：

A、梯度消失會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練變慢

B、梯度消失使網(wǎng)絡(luò)性能不佳，分類準(zhǔn)確度低

C、梯度爆炸使網(wǎng)絡(luò)訓(xùn)練時(shí)代價(jià)函數(shù)震蕩，不利于收斂

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

答案：【梯度爆炸會加快網(wǎng)絡(luò)訓(xùn)練，更易達(dá)到最優(yōu)解】4.單選題：ResNet的特點(diǎn)不包括以下哪一點(diǎn)？

選項(xiàng)：

A、減少深層網(wǎng)絡(luò)的梯度消失問題

B、特征的重用

C、增強(qiáng)特征的獲取能力

D、模型參數(shù)明顯增加

答案：【模型參數(shù)明顯增加】5.單選題：ResNet中引入shortcut的功能不包括以下哪一個(gè)？

選項(xiàng)：

A、ResNet的梯度通過shortcut回到更早的層，緩解了網(wǎng)絡(luò)因?yàn)樯疃仍龃髮?dǎo)致的梯度消失

B、引出了殘差模塊，簡化了學(xué)習(xí)

C、改善了網(wǎng)絡(luò)的特征獲取能力

D、減少了計(jì)算量

答案：【減少了計(jì)算量】6.單選題：對于GoogLeNet網(wǎng)絡(luò)，以下哪個(gè)說法是錯(cuò)誤的？

選項(xiàng)：

A、為適應(yīng)不同大學(xué)的圖形特征的獲取，采用了多種大小的卷積核

B、網(wǎng)絡(luò)的寬度和深度都得到了加強(qiáng)，特征獲得更充分

C、通過線性堆疊各種Inception模塊，在不明顯增加網(wǎng)絡(luò)課訓(xùn)練參數(shù)的情況下，提升網(wǎng)絡(luò)的性能

D、GoogLeNetL的兩個(gè)輔助分類器的主要目的是增加分類子模型，提高分類準(zhǔn)確度

答案：【GoogLeNetL的兩個(gè)輔助分類器的主要目的是增加分類子模型，提高分類準(zhǔn)確度】7.單選題：以下卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化的方法正確的是哪個(gè)？

選項(xiàng)：

A、卷積層使用卷積+ReLU+batchnormalization的結(jié)構(gòu)

B、mini-batch的batch值越大越好

C、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

D、激活函數(shù)盡量選擇Sigmoid等函數(shù)，提高網(wǎng)絡(luò)的非線性擬合能力

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】8.單選題：VGG對圖像的分類準(zhǔn)確度高于AlexNet的原因可能不是下面的哪一項(xiàng)？

選項(xiàng)：

A、較小的卷積核

B、更多的隱層（深度大）

C、訓(xùn)練次數(shù)多

D、多個(gè)卷積層組成的模塊

答案：【訓(xùn)練次數(shù)多】9.單選題：有關(guān)VGG網(wǎng)絡(luò)的說法，以下哪個(gè)說法是錯(cuò)誤的？

選項(xiàng)：

A、多個(gè)3X3小卷積的級聯(lián)效果與5X5和7X7的大卷積核功能相仿

B、使用了dropout減少過擬合

C、使用不同數(shù)量的卷積核拼成模塊，同一模塊特征圖的尺寸不變。

D、卷積層與池化層是一一配對的

答案：【卷積層與池化層是一一配對的】10.單選題：在池化中，當(dāng)步長小于卷積核的大小時(shí)會稱為重疊池化。與非重疊池化相比，下面哪個(gè)不是重疊池化的優(yōu)點(diǎn)？

選項(xiàng)：

A、損失信息少

B、獲得的圖像特更豐富

C、提高卷積神經(jīng)網(wǎng)絡(luò)的正確率

D、減少計(jì)算量

答案：【減少計(jì)算量】11.多選題：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？

選項(xiàng)：

A、He初始化

B、batchnormalization

C、dropout

D、任意隨機(jī)初始化

答案：【He初始化;dropout】12.多選題：以下有