←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
4.11 一维到三维推广 | 回到目录 | 1.1 为什么选择序列模型(第五课) |
总结
习题
第 131 题
面部验证只需要将新图片与1个人的面部进行比较,而面部识别则需要将新图片与K个人的面部进行比较。
A.正确 B.错误
第 132 题
在人脸验证中函数d(img1,img2)起什么作用?
A.只需要给出一个人的图片就可以让网络认识这个人
B.为了解决一次学习的问题
C.这可以让我们使用softmax函数来学习预测一个人的身份,在这个单元中分类的数量等于数据库中的人的数量加1
D.鉴于我们拥有的照片很少,我们需要将它运用到迁移学习中
第 133 题
为了训练人脸识别系统的参数,使用包含了10万个不同的人的10万张图片的数据集进行训练是合理的。
A.正确 B.错误
第 134 题
下面哪个是三元组损失的正确定义(请把 α \alpha α 也考虑进去)?
A.
m
a
x
(
∣
∣
f
(
A
)
−
f
(
P
)
∣
∣
2
−
∣
∣
f
(
A
)
−
f
(
N
)
∣
∣
2
+
α
,
0
)
max(||f(A)-f(P)||^2-||f(A)-f(N)||^2+\alpha,0)
max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0)
B.
m
a
x
(
∣
∣
f
(
A
)
−
f
(
N
)
∣
∣
2
−
∣
∣
f
(
A
)
−
f
(
P
)
∣
∣
2
+
α
,
0
)
max(||f(A)-f(N)||^2-||f(A)-f(P)||^2+\alpha,0)
max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2+α,0)
C.
m
a
x
(
∣
∣
f
(
A
)
−
f
(
N
)
∣
∣
2
−
∣
∣
f
(
A
)
−
f
(
P
)
∣
∣
2
−
α
,
0
)
max(||f(A)-f(N)||^2-||f(A)-f(P)||^2-\alpha,0)
max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2−α,0)
D.
m
a
x
(
∣
∣
f
(
A
)
−
f
(
P
)
∣
∣
2
−
∣
∣
f
(
A
)
−
f
(
N
)
∣
∣
2
−
α
,
0
)
max(||f(A)-f(P)||^2-||f(A)-f(N)||^2-\alpha,0)
max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2−α,0)
第 135 题
在下图中的孪生卷积网络(Siamese network)结构图中
上下两个神经网络拥有不同的输入图像,但是其中的网络参数是完全相同的
A.正确 B.错误
第 136 题
你在一个拥有100种不同的分类的数据集上训练一个卷积神经网络,你想要知道是否能够找到一个对猫的图片很敏感的隐藏节点(即在能够强烈激活该节点的图像大多数都是猫的图片的节点),你更有可能在第4层找到该节点而不是在第1层更有可能找到。
A.正确 B.错误
第 137 题
神经风格转换被训练为有监督的学习任务,其中的目标是输入两个图像 (x),并训练一个能够输出一个新的合成图像(y)的网络
A.正确 B.错误
第 138 题
在一个卷积网络的深层,每个通道对应一个不同的特征检测器,风格矩阵 G [ l ] G^{[l]} G[l] 度量了 l l l 层中不同的特征探测器的激活(或相关)程度
A.正确 B.错误
第 139 题
在神经风格转换中,在优化算法的每次迭代中更新的是什么?
A.神经网络的参数
B.生成图像G的像素值
C.正则化参数
D.内容图像C的像素值
第 140 题
你现在用拥有的是3D的数据,现在构建一个网络层,其输入的卷积是32×32×32×1632×32×32×16(此卷积有16个通道),对其使用3232个3×3×33×3×3的过滤器(无填充,步长为1)进行卷积操作,请问输出的卷积是多少?
A.30×30×30×32
B.不能操作,因为指定的维度不匹配,所以这个卷积步骤是不可能执行的
C.30×30×30×16
131-140题 答案
131.A 132.AB 133.B 134.A 135.A 136.A 137.B 138.A 139.B 140.A