专业知识单选题练习系列（五）

最新推荐文章于 2025-06-09 23:54:15 发布
最新推荐文章于 2025-06-09 23:54:15 发布
阅读量111 收藏
点赞数
分类专栏： 机器学习算法工程师通关秘籍 文章标签： 人工智能 机器学习 考试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/good_coder/article/details/140503646
版权

21、 [单选] 假设 Theta1 是一个 5x3 矩阵，Theta2 是一个4x6 矩阵。令 thetaVec=[Theta1(:);Theta2(:)]。下列哪一项可以正确地还原 Theta2？

A：reshape(thetaVec(15:38),4,6)

B：reshape(thetaVec(16:24),4,6)

C：reshape(thetaVec(15:39),4,6)

D：Ereshape(thetaVec(16:39),6,4)

正确答案：A 

解析：Theta1 是一个 5x3 的矩阵，Theta2 是一个 4x6 的矩阵，因此Theta1 中有 15 个元素，Theta2 中有 24 个元素，thetaVec 的长度为39。Theta2 的元素在 thetaVec 中的位置是从第 16 个开始的，到第39 个结束。所以选 A。

22、 [单选] 在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题

A：增加训练集量

B：减少神经网络隐藏层节点数

C：删除稀疏的特征 S

D：SVM 算法中使用高斯核/RBF 核代替线性核

正确答案：D 

解析：过拟合问题是

了解本专栏 订阅专栏 解锁全文 超级会员免费看
专业知识单选题练习系列（二）
扈海波的博客
07-17 85
解析：根据混淆矩阵的定义可知，TP 表示实际为正例且被预测为正例的样本数，FP 表示实际为负例但被预测为正例的样本数，FN 表示实际为正例但被预测为负例的样本数，TN 表示实际为负例且被预测为负例的样本数。解析：解析：首先，对 X、Y、Z 进行变换，得到新的变量 X'，Y'，Z'：X'=X+2，Y'=Y-2，Z'=Z。Pearson 相关性系数是对变量的线性变换不变的，由于 X’是 X 的线性变换，Y'是 Y 的线性变换，而且 Z'和 Z相等，因此有：D1=C1，D2=C2，D3=C3。
专业知识单选题练习系列（四）
扈海波的博客
07-15 794
将有 100 万张图片的数据集分割为：有 60万张图片的训练集、有 20 万张图片的开发集和有 20 万张图片的测试集。将有 100 万张图片的数据集分割为：有 98万张图片的训练集、有 1 万张图片的开发集和有 1 万张图片的测试集。35、 [单选] 你所关心的数据的分布包含了你汽车的前置摄像头的图片，这与你在网上找到并下载的图片不同。• C：选择从互联网上的 90 万张图片和汽车前置摄像头的 8 万张图片作为训练集，剩余的 2 万张图片在开发集和测试集中平均分配。因此，选项 D 都可以是正确的。
专业知识单选题练习系列（一）
扈海波的博客
07-15 319
4、 [单选] 在 CNN 网络中，图 A 经过核为 3x3，步长为 2 的卷积层，ReLU 激活函数层，BN 层，以及一个步长为 2，核为 2*2 的池化层后，再经过一个 3*3的的卷积层，步长为 1，此时的感受野是（）2、 [单选] 你有一个 32x32x16 的输入，并使用步幅为 2、过滤器大小为 2 的最大池化，请问输出是多少？解析：相加后的 c 矩阵的维度应该和 a 矩阵的维度相同，即为(2,3)，因此正确答案为 C。风格图像 S 的像素值匹配，同时保留内容图像 C 的信息。
专业知识单选题练习系列（六）
扈海波的博客
07-17 132
ii：Leaveoneoutcrossvalidation，即留一法，是一种特殊的 K 折交叉验证，将样本划分为 n 份，每次留一份作为验证集，其余 n-1 份作为训练集，共进行 n 次，时间复杂度为 O(n^2)。解析：本题考查的是图论中的基础算法，需要对各个算法的系数矩阵是否为全幺模矩阵有所了解。解析：阈值越大，分类为 1 的概率就越小，所以分类为 1 的样本数量就会减少，而分类为 0 的样本数量就会增加，因此模型分类的召回率会降低或不变。因此，1 是正确的，2、3、4 是错误的，答案为 A。
专业知识单选题练习系列（七）
扈海波的博客
07-16 211
这是正确的，因为准确度是我们想要最大化的指标，而运行时间和内存大小是我们希望最小化的指标。选项 D 中，将准确度、运行时间和内存大小都视为令人满意的指标，这是不正确的。• D：GPU 所配置的显存的大小，对于在该 GPU 上训练的深度神经网络的复杂度、训练数据的批次规模等，都是一个无法忽视的影响因素。• D：我们使用它将向后传播计算的变量传递给相应的正向传播步骤，它包含用于计算计算激活的正向传播的有用值。• B：我们用它传递前向传播中计算的变量到相应的反向传播步骤，它包含用于计算导数的反向传播的有用值。
专业知识单选题练习系列（十一）
扈海波的博客
07-16 126
选项 A 中只重新训练最后一层，因为最后一层是根据具体问题的输出维度进行的定制，它需要根据具体问题进行训练。在迁移学习中，我们通常只需要对预先训练好的神经网络的最后几层进行微调(finetune)来适应特定的问题。22、 [单选] 假设你的输入是 300×300 彩色（RGB）图像，并且你使用卷积层和 100 个过滤器，每个过滤器都是 5×5 的大小，请问这个隐藏层有多少个参数（包括偏置参数）？24、 [单选] 在训练神经网络时，损失函数(loss)在最初的几个 epochs 时没有下降，可能的原因是？
专业知识单选题练习系列（九）
扈海波的博客
07-16 166
3、 [单选] 已知：-大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。代入数据得：$$\frac{(63-7)}{2}+1=29$$ 因为使用了 32 个过滤器，所以最终的输出大小为29x29x32，故选项 A 为正确答案。1、 [单选] 你有一个 63x63x16 的输入，并使用大小为 7x7 的 32 个过滤器进行卷积，使用步幅为 2 和无填充，请问输出是多少？因为按行求和后得到的是一个$4\times1$的列向量，加上 keepdims=True 后，因此，正确答案为 B。
专业知识单选题练习系列（八）
扈海波的博客
07-17 143
解析：答案解析：k-NN 最近邻方法的基本思想是在训练集中寻找与测试样本最近的 k 个样本，根据这 k 个样本的类别进行投票或计算距离平均值，将得票最高或距离最小的类别作为测试样本的预测类别。解析：闵可夫斯基距离是一种距离度量方式，表示为$$D(x,y)=(\sum_{i=1}^{n}|x_i-y_i|^p)^{\frac{1}{p}}$$当 p=1 时，表示为曼哈顿距离，即$$D(x,y)=\sum_{i=1}^{n}|x_i-y_i|$$因此，当表示为曼哈顿距离时，p 为 1，故选项 A 正确。
专业知识单选题练习系列（十）
扈海波的博客
07-16 112
• A：如果你在 256 个例子的 mini-batch 上实现了批标准化，那么如果你要在一个测试例子上进行评估，你应该将这个例子重复 256 次，这样你就可以使用和训练时大小相同的 mini-batch 进行预测。正确答案是 D，因为在评估时，应该使用在训练期间通过指数加权平均值得出的$\mu$和$\sigma^2$来执行所需的标准化。• D：执行所需的标准化，使用在训练期间，通过指数加权平均值得出的$\mu$和$\sigma^2$解析：选项 A 是错误的，因为在评估时不需要使用 mini-batch。
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）
ak47maker的博客
06-05 570
本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的通道选择策略，避免了底层特征破坏带来的连锁反应。
yolo模型精度提升策略
最新发布
qq_47798402的博客
06-09 144
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
【python深度学习】Day 45 Tensorboard使用介绍
2203_75479908的博客
06-05 607
之前在神经网络训练中，为了帮助自己理解，借用了很多的组件，比如训练进度条、可视化的loss下降曲线、权重分布图，运行结束后还可以查看单张图的推理效果。tensorboard这个库，集成了以上所有可视化工具。
智能终端与边缘计算
wozaiwurenchu的博客
06-05 799
Cloudlet的定义和主要特征Cloudlet（微云）概念于2009年首次出现。它是一种成熟的边缘计算系统，旨在将移动计算的“端-云”两层架构转变为**“端-边-云”的三层架构** [对话历史]。Cloudlet通常部署在网络边缘，靠近接入点、基站或汇聚点，甚至可以直接运行在智能网联汽车或无人机上 [对话历史]。主要特征：可信且资源丰富的主机或机群。基于虚拟机技术，为移动终端提供服务。Cloudlet通过将与具体应用相关的数据部分从通用部分中抽离出来，形成VM Overlay与Base VM。
法律AI的“幻觉”治理：大模型如何重塑司法公正与效率
七刀的专栏
06-04 1117
在传统律师事务所中，一位律师审查一份50页的商业合同平均需要3小时；而在引入法律大模型后，这一时间被缩短至20分钟。效率提升的背后，是一场正在席卷全球法律体系的智能化革命——。
【oobabooga 本地AI模型搭建】
开心就好了啦
06-05 894
用于大型语言模型的 Gradio Web UI。其目标是成为文本生成的。
Langchain4j 文档处理（7）
m0_58617940的博客
06-05 1086
来自 langchain4j 模块的文件系统文档加载器（FileSystemDocumentLoader）来自 langchain4j 模块的类路径文档加载器（ClassPathDocumentLoader）来自 langchain4j 模块的网址文档加载器（UrlDocumentLoader）来自 langchain4j-document-loader-amazon-s3 模块的亚马逊 S3 文档加载器（AmazonS3DocumentLoader）
高效VLM：VisionZip
my的博客
06-04 643
《VisionZip：视觉语言模型中的高效视觉标记压缩方法》针对现有视觉语言模型(VLMs)存在的视觉标记冗余问题，提出了一种创新解决方案。研究发现，传统VLMs使用长序列视觉标记会导致计算成本高昂，且大量标记注意力权重趋近于零，存在显著冗余。VisionZip通过两阶段处理（保留主导标记+合并次要标记），在仅保留10%标记的情况下实现95%的原模型性能，并将LLaVA-NeXT模型的预填充时间减少8倍。该方法支持无训练应用、高效微调和从头训练三种模式。
OpenAI 即将推出 GPT-5：开启多模态、持续记忆对话新时代
Cha3043445754的博客
06-05 1460
提前学习多模态 AI 的接口设计与调用构建与 AI 协作的开发流程，如 Prompt Engineering + 工具链集成探索 AI 与硬件系统的联动，如边缘端 AI 控制与云协同GPT-5 不是一个模型，而是一种时代的信号。在这个 AI 正悄然重塑世界的时刻，我们既是使用者，也将成为协作者。
掌握项目管理：PMP精选练习题与答案解析
2. 考试题型：PMP考试包括200道单项选择题，考试时间为4个小时。题目的内容主要围绕项目管理过程中的五个过程组和十大知识领域进行设计。 3. 评分标准：考试不采用传统的固定分数线，而是使用“通过区”（PASSING ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值