机器视觉与边缘计算应用-神经网络基础习题

神经网络的基础知识

返回

已经超过规定的测试次数或提交截止时间已过。你可以作为自我学习进行测验，但提交的结果将无法获得学分。

1单选(2分)

有关神经网络训练时使用的学习率参数说法错误的是？

• A.网络训练时刚开始学习率可以大一些，以便提高学习速度，随后应减少学习率，以免引起学习震荡

• B.学习率可以与其他网络参数一起训练，对降低代价函数是有利的

• C.学习率过大更容易导致训练陷入局部极小值

• D.学习率可以随着训练误差动态调整效果更好

2单选(2分)

下面哪个选项不是神经网络训练过程中过拟合的防止方法？

• A.提前终止

• B.L2正则化

• C.增加学习率

• D.dropout

3单选(2分)

有关BP神经网络的说法，错误是哪个？

• A.易陷入局部极小值

• B.训练时新样本的加入对已经学习的样本没影响

• C.学习效率低，收敛速度慢

• D.隐层的个数以及隐层节点的数量选取缺乏理论指导

4单选(2分)

有关神经网络参数初始化的说法错误的是哪个？

• A.Xavier初始化可以减少梯度消失

• B.使用正态分布初始化，但权重取太大或太小都会影响网络的训练

• C.权重和偏置都可以取全零初始化

• D.合适的权重初始化可以加快神经网络的训练和效果

5单选(2分)

有关BP网络的说法，哪个是正确的？

• A.在使用梯度下降时，加上冲量项会减少训练的速度，但可能会增加陷入局部极小值的可能

• B.与批量梯度下降法相比，使用小批量梯度下降法可以降低训练速度，但达到全局最优解可能需要更多的迭代次数

• C.交叉熵也可以作为分类预测问题的损失函数

• D.神经元的激活函数选择不影响神经网络的训练过程和最终性能

6单选(2分)

梯度消失问题的认识哪个是正确的？

• A.隐层的权重取值大容易导致梯度消失

• B.隐藏层神经元的个数太多导致

• C.隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新

• D.神经元处于Sigmoid等激活函数的饱和区工作，梯度值偏小

7单选(2分)

一个含有2个隐层的BP神经网络，神经元个数都为20，输入和输出节点分别有8和5个节点，这个网络的权重和偏置数分别是多少？

• A.3000，32

• B.660，45

• C.16000，48

• D.3200，45

8单选(2分)

AI的应用领域十分广泛，以下属于人工智能AI应用领域的是？

• A.视频监控

• B.公共交通

• C.商品零售业 

• D.其他都是

9单选(2分)

下面哪项不是机器视觉的功能？

• A.图像分类

• B.计算机写诗

• C.目标检测

• D.人体步态识别

10多选(3分)

下面哪些是深度学习快速发展的原因？

• A.可以获得更多的数据

• B.性能更好的算法

• C.神经网络是一个新领域

• D.更快的计算能力

正确答案：A、B、D

11多选(3分)

有关BP神经网络的不足的说法哪些是正确的？

• A.隐节点的个数可以随意取

• B.学习效率低

• C.易陷入局部极小

• D.检验时新样本与训练样本差别大泛化效果弱

正确答案：B、C、D

12多选(3分)

下面有关神经网络的说法，正确的是？

• A.神经网络的训练主要是针对神经元之间的权重和神经元的偏置进行一定的调整，使得代价函数极小化

• B.神经网络不同层次的神经元可以使用不同的激活函数

• C.均方差损失函数是神经网络常用的一种代价函数（损失函数

• D.神经网络神经元的输出都是传给其他神经元，不能再反馈回来

正确答案：A、B、C

13多选(3分)

关于模型参数（权重值）的描述，正确的说法是哪些？

• A.在训练神经网络过程中，参数不断调整，其调整的依据是基于损失函数不断减少

• B.每一次Epoch都会对之前的参数进行调整，迭代次数越多，损失函数一般越小

• C.模型参数量越多越好，但没有固定的对应规则

• D.训练好的神经网络模型存储于一定结构的神经元之间的权重和神经元的偏置中

正确答案：A、B、D

14多选(3分)

下面哪些场景适合目标检测？

• A.作业帮以图搜图查询答案

• B.车牌检测

• C.通过摄像头从一群人中搜索嫌疑犯

• D.把一行句子分词

正确答案：A、B、C

15判断(2分)

由于信息时代的快速发展，每天产生的数据与信息不计其数，所以人类寻求使用人工智能（AI）的方式，制造出智能系统来帮助人类自己做信息的处理与判断。

（正确）