深度学习及其应用期末测试练习题及答案.pdf

一、单选题

1、对于某卷积层，关于卷积核大小的描述（假设通道数固定）正确

的是哪个？

A.卷积核越小，更新参数的计算量越少，但更容易得到局部的特征。

B.卷积核越大，其取得的特征越全面，得到的特征图越大。

C.卷积核越大，越容易提取细节特征

D.卷积核只能选择3、5、7等奇数值。

正确答案：A

2、下面有关神经网络梯度消失说法错误的是（）

​A.当神经网络的隐层增加时，就容易发生梯度消失问题，表现在靠

近输入层的权重难以更新。

B.网络梯度消失可以通过改变隐层和输出层的神经元激活函数减弱。

C.网络梯度消失可能导致有些权重难以更新，导致网路训练失败。

D.网络梯度消失可以通过减少隐层神经元的个数减弱。

正确答案：D

3、假设卷积神经网络某隐层的特征图大小是19*19*8，其中8是通

道数，使用大小为3*3的12个卷积核，步长为2，没有padding对此

隐层进行操作，得到的特征图大小是？

A.8*8*8

B.8*8*12

C.9*9*12

D.14*14*8

正确答案：C

4、卷积神经网络隐层神经元的数量与下面哪些因素无关？

A.输入图像大小

B.卷积核大小

C.步长

D.激活函数

正确答案：D

5、以下哪个有关卷积神经网络的说法是错误的？

A.输入一个300*300的彩色图，经过10个5*5的卷积核，隐层的参

数量是260（含偏置）

B.使用激活函数Relu的收敛速度比Sigmoid要快一些

C.隐层的神经元输入输出可以看成一个相关权重和偏置的复合非线

性多元函数。

D.在网络规模相同的情况下，增加网络深度比增加宽度能带来更强的

网络特征获取能力

正确答案：A

6、以下哪个关于卷积神经网络的说法是错误的？

A.卷积神经网络训练时值学习每层神经元的阈值

B.AlexNet是一个8层的卷积神经网络

C.目标检测网络Yolo网络结构中包含卷积层

D.典型的卷积神经网络是由卷积层、池化层和全连接层等组成

正确答案：A

7、下列对于生成式对抗网络的叙述，哪个是错误的？

A.训练可能不稳定

B.可以产生清晰且真实的样本

C.仅由一个生成网络与一个判别网络组成

D.属于无监督学习

正确答案：C

8、假设卷积神经网络某卷积层的输入和输出特征图大小分别为

63*63*16和33*33*64，卷积核大小是3*3，步长为2，那么Padding

值为多少？

A.0

B.3

C.2

D.1

正确答案：C

9、有关一般卷积神经网络的组成，下面哪种说法是正确的？

A.卷积神经网络的层次结构依次是由输入层、卷积层、池化层、激活

层和全连接层组成

B.卷积神经网络的层次结构依次是由输入层、池化层、卷积层、激活

层和全连接层组成

C.卷积神经网络的层次结构依次是由输入层、卷积层、激活层、池化

层和全连接层组成

D.卷积神经网络的层次结构依次是由输入层、激活层、卷积层、池化

层和全连接层组成

正确答案：C

10、有关卷积神经网络的说法哪个是正确的？

A.在卷积层后面使用池化操作，可以减少网络可以训练的参数量

B.1*1的卷积没有改变特征图的大小，因此没有获得新的特征

C.不同卷积层或同一卷积层只能用一种大小的卷积核

D.类似AlexNet网络使用的分组卷积可以增加卷积层的参数量，降低

网络训练速度

正确答案：A

11、有关循环神经网络激活函数的说法，以下哪个是错误的？

A.ReLU可以减少循环神经网络的梯度消失问题

B.Sigmoid函数相对于Tanh函数来说更容易导致梯度消失

C.取Tanh或Sigmoid函数作为激活函数，做梯度下降时，偏导数是一

堆小数在做乘法，容易导致网络梯度消失。

D.Tanh函数相对于Sigmoid函数来说梯度较小，收敛速度更快更慢

正确答案：D

12、在长短期记忆网络中，使用了两种激活函数，下面哪种说法是错

误的？

A.两种激活函数的作用是不同的

B.两种激活函数共同确定有多少学习到的信息可以流转下去

C.两种激活函数互换会影响网络的性能和可解释性

D.两种激活函数的作用是相似的

正确答案：D

13、有关生成对抗网络的训练，哪个说法是正确的？

A.在训练时，只要把判别网络的性能训练足够强，就可以生成高质量

的样本

B.因为生成对抗网络是无监督学习，其训练不需要很多真实的样本

C.判别网络和生成网络的损失函数是没有冲突的，两者共同构成生成

对抗网络的总损失函数

D.判别网络和生成网络的训练是交替进行的

正确答案：D