2024春山东大学人工智能导论期末题库附答案_人工智能导论设计题

【B】 错误

答案：B

2、“参数共享”是使用卷积网络的好处。关于参数共享的下列哪个陈述是正确的？

【A】 它减少了参数的总数，从而减少过拟合。

【B】 它不允许在整个输入值的多个位置使用特征检测器。

【C】 它允许为一项任务学习的参数即使对于不同的任务也可以共享（迁移学习）。

【D】 它允许梯度下降将许多参数设置为零，从而使得连接稀疏。

答案：D

3、由于卷积神经网络在计算机视觉领域应用更广些，所以大多数人在谈及CNN时，默认输入的是图片。

4、CNNs作为深度学习框架是基于(最小化预处理)数据要求而产生的。

1、下列关于SVM的应用场景说法正确的是（多选）：（ABCD）

A. SVM在二分类问题上表现突出

B. SVM能够解决多分类问题

C. SVM能够解决回归问题

D. SVM能够完成异常值检测

2、根据机器智能水平由低到高，正确的是（A）

A.计算智能、感知智能、认知智能

B计算智能、感应智能、认知智能

C.机器智能、感知智能、认知智能

D机器智能、感应智能、认知智能

1. 3、隐马尔可夫模型的三个基本问题是：＿、＿和学习模型参数（估值问题、寻找状态序列）
2. 卷积神经网中，如果输入图像是32×32矩阵，卷积核心是5×5的矩阵，步长为1，那么卷积操作后的特征图是 （D）的矩阵
   A. 34×34
   B. 32×32
   C. 30×30
   D. 28×28

1/9  1/9  1/9

1/9  1/9  1/9

1/9  1/9  1/9

卷积核的卷积效果：（B）

A. 没有任何效果

B.均值滤波

C.高斯滤波

D.梯度

3.在卷积神经网络中，通常利用一个局部区域去扫描整张图象，在这个局部区域作用下，图像中所有的像素点会被线性变换组合，形成下一层的神经元节点。这个局部区域被称为卷积核

4.输入数据矩阵为    卷积核为

1 1 1 0 0             1 0 1

0 1 1 0 1             0 1 0

0 0 1 1 1             1 0 1

0 0 1 1 0

0 1 1 0 0

计算输出数据的第一行结果4 3 4.

1. 在如下公式

s(t)=f(t)*g(t)

中，星号表示卷积，把函数f称为输入函数，把g称为卷积核或滤波器，这两个函数叠加起来的结果叫做特征图或特征图谱。

5.有时候希望得到的特征图向量和长向量等长，在长向量两边都扩充一个”0“，这个操作叫做补零。

1. 通常情况下，一个典型的卷积神经网络通常由输入层、若干个（卷积层）、激活层、池化层及全连接层组成。

2.卷积层设计有两个核心概念，分别是局部连接和（权值共享）。

3.卷积层的核心参数有很多，下列选项中哪个不是卷积层的核心参数之一（D）。

A:卷积核的深度

B:卷积核的步幅

C:卷积核的补零

D:卷积核的参数共享

4.卷积层的作用是（C）。

A:增强图像

B:简化图像

C:特征提取

D:图像处理

一：选择题

1.池化，也称“亚采样”，就是将小区域的特征，整合得到新特征的过程，将下面的特征图矩阵采用最大池化后，得到的结果为（）

1	2	2	5
0	4	1	6
1	1	2	3
1	5	1	4

A.

4	6
5	4

B.

1	5
2	6

C.

5	6
3	5

D.

5	3
6	5

答案：A

2.sigmoid 函数是一种传统的非线性激活函数，函数形式为sigmoid(x)=1/（1+e-x）。作为激活函数，它有很多优良特质，而缺点是容易产生梯度消失现象。以下对sigmoid函数的说法中不正确的是（）

A.单调递增

B.反函数形式简单

C.相对于零点中心对称

D.可以将任意变量均映射在（0，1）区间，因此常被用作神经网络的阈值函数。

答案：C

二：填空题

标准Relu函数如下图，对于它构成的神经网络来说，当x=-3时，神经元处于—状态。（激活/抑制）

在CNN中，经过了卷积层、激活层、池化层后，进入____层，它将前面各个层预学习到的特征图，重新映射到样本标记空间，最后给出对象的分类预测。

（全连接层）

1.在CNN中，分类的工作是由(全连接层)完成的。

2.LSTM设计的关键是(神经元的状态)。

关于卷积神经网络叙述何者正确？（）

A.池化层会出现在每个隐藏层
B.池化层目的是做特征的题曲
C.池化层可以取代卷积层
D.第一层的卷积运算是在做图像边缘或纹理的特征提取
答案：D

关于AlexNet卷积神经网络的说法正确的是
A、从开始的层到后面的层，经过变换得到的特征图的尺寸逐渐变大
B、从开始的层到后面的层，经过变换得到的特征图的尺寸逐渐变小
C、从开始的层到后面的层，经过变换得到的特征图的尺寸大小不变
D、从开始的层到后面的层，经过变换得到的特征图的尺寸开始变小，后来变大
答案：B

填空题：

1.循环神经网络是一种基于（时间）的反向传播算法

2.在循环神经网络“展开”的前馈网络中，所有层的参数是（共享）的，因此参数的 真实梯度是所有“展开层”的参数梯度之和

选择题：

1. 循环神经网络的主要用途是处理和预测（C）数据 A.连续时间信号 B.模拟信号 C.序列 D.数字信号

2. 基于时间的反向传播算法BPTT是针对循环层设计的训练算法，他的基本原理与反向 传播算法BP是一样的，同样包含三个步骤，其正确顺序为（A） (1)前向计算每个神经元的输出值; (2)反向计算每个神经元的误差项值，它是误差函数E对神经元j的加权输人的偏导数; (3)计算每个权重的梯度。 A(1)(2)(3) B.(2)(1)(3) C.(3)(1)(2) D.(1)(3)(2)

[单选题]关于循环神经网络以下说法错误的是?（B）

1. 循环神经网络可以根据时间轴展开

B、LSTM无法解决梯度消失的问题

C、LSTM也是—种循环神经网络

D、循环神经网络可以简写为RNN

[单选题]针对深度学习的梯度消失问题，哪种因素可能是无效的?（C）

1. 添加shortcut(skip) connection
2. 减少网络深度
3. 减少输入层词嵌入向量维度
4. 增大学习率

当时序数据比较长时，循环神经网络（RNN）容易产生长距离依赖问题，这是由网络训练时反向传播时的梯度消失引起的

RNN的损失函数度量所有时刻的输入与理想输出（导师值)的差异，需要使用梯度下降法调整参数不断降低损失函数

下列哪个应用领域不属于人工智能应用？ （ B ）

人工神经网络 B. 自动控制 C. 自然语言学习 D. 专家系统

人工智能研究的一项基本内容是机器感知， 以下列举中的 （ C ） 不属于机器感知

的领域。

A. 使机器具有视觉、 听觉、 触觉、 味觉、 嗅觉等感知能力。

B. 让机器具有理解文字的能力。

C. 使机器具有能够获取新知识、 学习 新技巧的能力

D. 使机器具有听懂人类语言的能力

人工神经网络具有的基本属性： 非线性 、 非局域性 、 非定常性 和 非凸性 。

双向循环神经网络由两层循环神经网络组成，它们的输入相同，信息传递的方向不同。

1、深度强化学习的经典算法有__（写出一种即可）

答案：深度Q网络算法，深度确定性策略梯度算法，A3C算法等

2、深度强化学习___（ 填有或无 ）标签信息。

答案：无

3、（）是一种利用标签数据的分类技术，它通常使用这些正确的且已标记过的数据（即教师或目标）来训练神经网络。

A.有监督学习   B.无监督学习

C.强化学习  D.以上都是

答案：A

4、整个强化学习系统由智能体(agent)、环境( environment)、奖赏( reward)、状态(state )、动作( action) 5部分组成。（）是整个强化学习系统的核心。

A.智能体(agent)   B.环境( environment)

C.奖赏( reward)  D.状态(state )

答案：A

1、生成对抗网络的核心思想源于（纳什均衡）。

2.生成对抗网络是（非监督学习）的一种深度学习模型，让两个“（生成模型 ）”和“（判别模型）”神经网络以互相博弈的方式进行学习。

3、下列哪个是生成对抗网络（GenerativeAdversarialNetwork）可能的应用（D）

A.输入一个人的侧脸照片，生成一个人的正脸照片

B.以大量的真实的明星的照片训练模型，生成新的明星照片

C.输入一个的照片，生成不同年龄的照片

D.以上都是

4、生成对抗网络包括哪两个网络（C）

A.“生成网络”和“鉴别网络”

B.“对抗网络”和“判别网络”

C.“判别网络”和“生成网络”

D.“对抗网络”和“生成网络”

1.许多领域中，能取得最好表现的系统都是基于深度神经网络的。深度神经网络这种方法也被称为（黑盒系统），是一种（端到端）的方法论。

2.下面属于深度学习不足的是（D）

1. 它不会判断数据的正确性
2. 它缺少理论的支持和引导。
3. 训练成本比较高
4. 以上都是

3、下列选项中哪一个不是关于深度学习可解释性的研究方向（C）

【A】 卷积神经网络的可视化

【B】 新的神经网络操作工具

【C】 利用经验学习来解释神经网络

【D】 信息瓶颈理论的研究

1.CapsNet由胶囊而不是神经元组成。“胶囊”就是在神经网络中构建和抽象出的子网络，它输出一个向量，该向量的长度表示被检测对象存在的（估计概率），而方向对被检测对象的（姿态参数）进行编码。

2.神经胶囊网络由编码器和解码器两部分组成，下列结构不属于编码器的是（D）

1. 卷积层
2. 主胶囊层
3. 数字胶囊层
4. 全连接层

3.下列特点不是神经胶囊网络相对于CNN的优势的是（C）

1. 需要的训练数据少得多
2. 能较好地处理图像多义性表达
3. 识别速度快，识别效率高

物体之间的空间辨识度很强

1.欧式距离相似度算法需要保证各个维度指标在（相同）的刻度级别

2.(时间)和(状态)都离散的马尔科夫过程称为马尔科夫链

3.不属于三层神经网络的是a

a池化层

b输入层

c输出层

d隐藏层

4.人工智能的含义最早由一位科学家于

1950年提出，并且同时提出一个机器智能的测试模型，请问这个科学家是（C）。

A.明斯基

B.扎德

C.图灵

D.冯.诺依曼

云端人工智能，是将云计算的运作模式与_____深度融合，在云端集中使用和共享机器学习工具的技术。答案：人工智能

元学习的最终目的是使得模型获取一种学会学习调整（）的能力。
答案：参数

下列有关神经形态计算的相关说法，错误的是:
A.目前普遍采用哈佛体系结构。
B.神经形态计算的类生物本质使之拥有非常低的能耗。
C.该概念最早在1980年由美国计算机科学家卡福·米德提出。
D.神经形态计算是指在芯片上模拟生物神经元、突触，赋予机器感知和学习能力的技术。
答案：A

下列有关元学习的相关说法，错误的是
A.元学习是“学会学习”，是利用以往的知识经验来指导新任务的学习，具有学会学习的能力。
B.元学习是指利用训练好的开源网络模型，将自己的任务数据集在这些迁移过来的网络上进行训练或微调。
C.元学习是从旧任务中学习如何高效的学会新任务。
D.元学习大体分为两个阶段，训练阶段和测试阶段。
选B。

选择题：

搜索分为盲目搜索和（A）

A 启发式搜索    B模糊搜索

C 精确搜索      D大数据搜索

在深度优先搜索策略中：open表是（B）的数据结构

A 先进先出             B后进后出

C根据估价函数值重排    D随机出

填空题

广度优先搜索算法中，OPEN表的数据结构实际是一个二叉树，深度优先搜索算法中，OPEN表的数据结构实际是一个单链表。

选择题：

下列哪个算法不属于启发式搜索算法：©

A.A*算法  B.Dijkstra算法

C.广度优先算法  D.有序搜索算法

α－β剪枝技术是对下面哪个算法的优化(A)

A.极大极小分析法  B.蒙特卡洛树搜索法

C.以上说法都对  D.以上说法都不对

填空题：

Dijkstra算法主要特点是从起始点开始，采用（贪心算法/贪婪算法）的策略，每次遍历到始点距离最近且未访问过的顶点的邻接节点，直到扩展到终点为止。

蒙特卡洛树搜索大概可以被分为（4）步。

在与或图中，没有后裔的非终叶节点为不可解节点，那么含有或后继节点且后裔中至少由一个为可解的非终叶节点是（可解节点），含有与后继节点且后裔中至少由一个为不可解的非终叶节点是（不可解节点）

在语义网络中，用（B）来标明类与子类之间的关系。

A.实例联系 B.泛化联系 C.聚集联系 D.属性联系

在图搜索中，选择最有希望的节点作为下一个要扩展的节点，这种搜索方法叫做（ C）

A.宽度搜索 B.深度搜索 C.有序搜索 D.广义搜索

1.97年5月，著名的“人机大战”，最终计算机以3.5：2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为（A）

A.深蓝

B.IBM

C.深思

D蓝天

2.符合贝叶斯理论（连续特征）的选项（D）（单选）

a允许除分类以外的行动主要允许拒绝的可能性

b拒绝在接近或糟糕的情况下做出决定

c损失函数表示采取的每项行动的成本

d全部

1. 在启发式搜索中，（启发函数）通常用来表示启发性信息。

4.人工智能研究途径主要包括（符号主义）和（连接主义）两种观点。

1. 图灵测试的目的是（验证机器是否有智能）

2. 人工智能术语的提出是在（达特茅斯会议）

3. 神经网络是（B）学派的成果 A符号学派 B联接学派 C行为学派 D统计学派

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Go语言工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Go语言全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Golang知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

Go语言工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

因此收集整理了一份《2024年Go语言全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
[外链图片转存中…(img-AnJXh8w6-1712949118101)]
[外链图片转存中…(img-CglxJ2xS-1712949118103)]
[外链图片转存中…(img-vEARvCDK-1712949118103)]
[外链图片转存中…(img-ROxByUhu-1712949118104)]
[外链图片转存中…(img-4nqrpejz-1712949118104)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Golang知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Go）
[外链图片转存中…(img-w4TYVctY-1712949118105)]

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！