深度学习题库大全-hr.docxVIP

选择题 1、梯度下降算法的正确步骤是什么？ 计算预测值和真实值之间的误差重复迭代，直至得到网络权重的最佳值 把输入传入网络，得到输出值用随机值初始化权重和偏差 对每一个产生误差的神经元，调整相应的(权重)值以减小误差A.abcdeB.edcbaC.cbaedD.dcaeb 2、什么情况下神经网络模型被称为深度学习模型？ A.加入更多层，使神经网络的深度增加B.有维度更高的数据C.当这是一个图形识别的问题时D.以上都不正确 3、下面哪项操作能实现跟神经网络中Dropoul的类似效果？ A.BoostingB.BaggingC.StackingD.M 叩 ping4、下列哪一项在神经网络中引入了非线性？ A.随机梯度下降B.修正线性单元(ReLU)C.卷积函数D.以上都不正确5、深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大虽的矩阵相乘，现在需要计算三个 稠密矩阵A, B, C的乘积ABC,假设三个矩阵的尺寸分别为n】*n, n*p, p*q,且tn n pq,以下计 算顺序效率最高的是() A^ (AB)CB、AC(B) C、A(BC)D、所有效率都相同6、输入图片大小为 200X200,依次经过一层卷积(kemei size5X5. padding 1, stride2), pooling (kernel size 3X3, paddingO, stride 1),又一层卷积(kernelsize3X3, padding I? stride I)之后，输出特征图 大小为 A、95 B、96 C、97 D、987、神经网络模型(Neural Network)因受人类大脑的启发而得名，神经网络山许多神经元(Neuron)组成， 每个神经元接受一个输入，对输入进行处理后给出一个输出，如卜图所示。请问卜.列关于神经元的描 述中，哪一项是正确的？ A、每个神经元可以有一个输入和一个输出B、每个神经元可以有多个输入和一个输出 ? ?* ■绞.LJI ■ 4U ■Amahhea 判断题 假设我们有一个如下图所示的隐藏层。隐藏层在这个网络中起到了一定的降维作用。假如现在我们用另-种维度下降的方法，比如说主成分分析法(PCA)来替代这个隐藏层。两者的输出效果是?样的吗？ X 使用降维技术的网络与隐层网络总是有相同的输出吗？ X主成分分析是一种有监督学习算法X PCA提取的是数据分布方差比较大的方向，隐藏层可以提取有预测能力的特征VMAImf?utfuttoyw K均值聚类算法是一种无监督学习算法J深度学习与机器学习算法之间的区别在于，后者过程中无需进行特征提取工作，也就是说，我们建议在 进行深度学习过程之前要首先完成特征提取的工作。X 提升卷积核(convolutional kernel)的大小会显著提升卷积神经网络的性能。X当在卷积神经网络中加入RAM (pooling layer)时，变换的不变性会被保留。J CNN采用最大池化能够产生一定程度上的平移不变性J线性方程(y = mx + c)可以说是一种神经元吗？ V 在监督学习任务中，输出层中的神经元的数量应该与类的数量(其中类的数虽大于2)匹配。XY = ax” + bx + c (二次多项式)这个方程可以用具有线性阈值的单个隐层的神经网络表示。X 卷积神经网络可以对一个输入完成不同种类的变换(旋转或缩放)。X可以用神经网络对函数(y=l/x)建模。J 增加卷积核的大小对于改进卷积神经网络的效果是必要。X (要考虑数据集)假设在ImageNet数据集(对象识别数据集)上训练卷积神经网络。然后给这个训练模型?个完全白色 的图像作为输入。这个输入的输出概率对于所有类都是相等的。X 训练CNN时，可以对输入进行旋转、平移、缩放(增强数据)等预处理提高模型泛化能力。V决策树是一种面向分类问题的有监督学习算法J 通过增加模型复杂度，那么模型的测试错误率总是会降低XBP算法仅适用于多层前馈神经网络X (RNN, CNN) 前馈神经网络的隐藏单元必须在所有的输入点都可微X如果在一个高度非线性且复杂的-些变量中，-个树模型可能比一般回归模型效果更好V 过拟合只在监督学习中出现，非监督以习没有过拟合X数据维数很高时，很多机器学习问题会变得相当困难，这种现象叫做维数灾难J 训练好的模型在测试集准确率100%,则在新的数据集上也会达到100% X欠拟合是模型不能在训练集上获得足够低的误差，过拟合是指训练误差和测试误差差距小X 一股而言，L2正则化可产生比L1正则化更稀疏的解X感知机学习一定收敛X (条件样本线性可分) 梯度为。的点不一定是局部极值V深度学习是?种特殊的发示学习方法J 多层神经网络本质是是一个复合函数J贝叶斯派统计方法比频率派统计方法估计模型参数更优？J RNN适用于序列数据的处