深度学习经典试题29道

最新推荐文章于 2024-03-13 08:14:02 发布
最新推荐文章于 2024-03-13 08:14:02 发布
阅读量2.7w 收藏 266
点赞数 38
分类专栏： 深度学习 文章标签： 深度学习 自然语言处理 神经网络 数据挖掘 机器学习
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/weixin_43645287/article/details/106958559
版权

所有试题来自公众号【读芯术】课后测试

  1. 深度学习中的“深度”是指
    A. 计算机理解深度
    B. 中间神经元网络的层次很多
    C. 计算机的求解更加精确
    D. 计算机对问题的处理更加灵活
    B

  2. 下列哪一项在神经网络中引入了非线性
    A. 随机梯度下降
    B. 修正线性单元(ReLU)
    C. 卷积函数
    D. 以上都不对
    B

  3. 下列哪个神经网络结构会发生权重共享
    A. 卷积神经网络
    B. 循环神经网络
    C. 全连接神经网络
    D. 选项A和B
    D

  4. 关于句子向量表示，下列说法正确的是
    A. 只能通过有监督学习获得
    B. 只能通过无监督学习获得
    C. 有监督和无监督学习都可以获得
    D. 以上都不对
    C

  5. 在神经网络中，下列哪种技术用于解决过拟合
    A. Dropout
    B. 正则化
    C. early stop
    D. Batch Normalizaiton
    ABCD

  6. 以下哪种不是自适应学习率方法
    A. Mini-batch SGD
    B. Adagrad
    C. RMSprop
    A

  7. 哪种策略可以加速词向量训练
    A. para2vect
    B. 层级softmax
    C. 最大似然估计
    D. 以上都不对
    B

  8. 关于梯度下降算法，以下说法正确的是
    A. 随机梯度下降算法是每次考虑单个样本进行权重更新
    B. Mini-Batch梯度下降算法是批量梯度下降和随机梯度下降的折中
    C. 批量梯度下降算法是每次考虑整个训练集进行权重更新
    D. 以上都对
    D

  9. 与传统机器学习方法相比，深度学习的优势在于
    A. 深度学习可以自动学习特征
    B. 深度学习完全不需要做数据预处理
    C. 深度学习完全不提取底层特征，如图像边缘、纹理等
    D. 深度学习不需要调参
    A

  10. 下列哪一项在神经网络中引入了非线性
    A. 随机梯度下降
    B. Sigmoid激活函数
    C. 增大权重和偏置的初始化值
    D. 以上都不对
    B

  11. 在其他条件不变的前提下，以下哪些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. 减少神经网络隐藏节点数
    C. 在损失函数中增加正则项
    D. SVM算法中使用高斯核/RBF核代替核性核
    D

  12. 下列模型，属于判别式模型的有
    A. 隐马尔可夫模型
    B. 支持向量机
    C. 朴素贝叶斯
    D. 神经网络
    BD

  13. 关于集成学习，下列说法错误的是
    A. 集成学习一定能提升个体学习器的性能
    B. Bagging方法中，个体学习器之间彼此独立
    C. Boosting是一种重视错误样本的学习方法
    D. Boosting方法中，个体学习器存在强依赖
    A

  14. 如果使用的学习率太大，会导致
    A. 网络收敛的快
    B. 网络收敛的快
    C. 网络无法收敛
    D. 不确定
    C

  15. 在一个神经网络里，知道每一个神经元的权值和偏差值是最重要的一步。如果以某种方法知道了神经元准确的权重和偏差，就可以近似任何函数。实现这个最佳的办法是
    A. 随机赋值，祈祷他们是正确的
    B. 搜索所有权重和偏差的组合，直到得到最佳值
    C. 赋予一个初始值，通过检查跟最佳值的差值，然后迭代更新权重
    D. 以上说法都不正确
    C

  16. 下列目标检测网络中，哪个是一阶段的网络
    A. Faster-rcnn
    B. RFCN
    C. YOLOV3
    D. SPP-net
    C

  17. SSD主要通过哪种方法来解决检测不同大小目标的问题
    A. 设置更多的anchor尺寸
    B. 设置更多的anchor纵横化
    C. 在不同的特征图上进行预测
    D. 使用图像金字塔作为输入
    C

  18. 当图像分类的准确率不高时，可以考虑以下哪种方法提高准确率
    A. 数据增强
    B. 调整超参数
    C. 使用预训练网络参数
    D. 减少数据集
    ABC

  19. 文字监测网络TextBoxes基于下列哪个网络
    A. Fast-rcnn
    B. Faster r-cnn
    C. SSD
    D. Y0L0
    C

  20. 下面哪些情况可能导致神经网络训练失败
    A. 梯度消失
    B. 梯度爆炸
    C. 激活单元死亡
    D. 鞍点
    ABCD

  21. 假定你现在在解决一个有着非常不平衡的分类问题，即主要类别占据了训练数据的99%。现在你的模型在测试集上表现为99%的准确率。下面表述正确的是
    A. 准确度并不适合于衡量不平衡类别问题
    B. 准确度适合于衡量不平衡类别问题
    C. 精确率和召回率适合于衡量不平衡类别问题
    D. 精确率和召回率不适合于衡量不平衡类别问题
    AC

  22. 假定在神经网络中的隐藏层中使用激活函数X。在特定神经元给定任意输入，会得到输出[-0.0001]。X可能是以下哪一个激活函数
    A. ReLU
    B. tanh
    C. Sigmoid
    D. 以上都不是
    B
    解析：该激活函数可能是 tanh，因为该函数的取值范围是 (-1,1)。

  23. 如果增加神经网络的宽度，精确度会增加到一个阈值，然后开始降低。造成这一现象的原因可能是
    A. 只有一部分核被用于预测
    B. 当核数量增加，神经网络的预测能力降低
    C. 当核数量增加，其相关性增加，导致过拟合
    D. 以上都不对
    C

  24. 假设只有少量数据来解决某个具体问题，但有有个预先训练好的神经网络来解决类似问题。可以用下面哪些方法来利用这个预先训练好的网络
    A. 把除了最后一层外所有的层都冻结，重新训练最一层
    B. 重新训练整个模型
    C. 只对最后几层进行微调
    D. 对每一层模型进行评估，只使用少数层
    C
    解析：如果有个预先训练好的神经网络, 就相当于网络各参数有个很靠谱的先验代替随机初始化. 若新的少量数据来自于先前训练数据(或者先前训练数据量很好地描述了数据分布, 而新数据采样自完全相同的分布), 则冻结前面所有层而重新训练最后一层即可;但一般情况下, 新数据分布跟先前训练集分布有所偏差, 所以先验网络不足以完全拟合新数据时, 可以冻结大部分前层网络, 只对最后几层进行训练调参(这也称之为fine tune)。

  25. 下列哪个不属于CRF模型对于HMM模型的优势
    A. 特征灵活
    B. 速度快
    C. 可以容纳较多的上下文信息
    D. 能够做到全局最优
    B

  26. 下列方法中，可以用于特征降维的方法包括
    A. 主成分分析
    B. 线性判别分析
    C. 自编码器
    D. 矩阵奇异值分解
    ABCD

  27. 以下说法中正确的是
    A. SVM对噪声鲁棒
    B. 在AdaBoost算法中，所有被分错的样本的权重更新比列相同
    C. Boosting和Bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率决定其权重
    D. 分类器集成一定能提升单分类器的性能
    B

  28. 关于集成学习，以下说法错误的是
    A. 集成学习一定能提升个体学习器的性能
    B. Bagging方法中，个体学习器之间彼此独立
    C. Boosting是一种重视错误样本的学习方法
    D. Boosting方法中，个体学习器存在强依赖
    A

  29. 比较基于深度学习的在线更新跟踪算法与在线不更新的跟踪算法，下列说法错误的是
    A. 一般来说，在线不更新的跟踪算法速度更快
    B. 一般来说，在线更新的跟踪算法，可以适应目标的变化，和背景信息的变化，对特征的要求较低
    C. 一般来说，在线更新的跟踪算法，在发生丢失和遮挡时，很容易找回
    D. 一般来说，在线不更新的跟踪算法，对特征的要求比较高，要求特征的表示能力鲁棒性更强
    C

琴&
关注
  • 38
    点赞
  • 踩
  • 266
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习题库大全-hr.docx
06-30
深度学习期末考试复习，包含选择题65，判断题60和简答题15，一共150道题。
华南理工大学深度学习考试历年真题.zip
07-23
华南理工大学深度学习考试历年真题，五套真题试卷，18年和19年
智科 深度学习毕业设计选题100例
最新发布
kooerr的博客
03-13 891
Hi，大家好，这里是丹成学长，大四的同学马上要开始毕业设计啦，大家做好准备了没！学长给大家详细整理了最新的python计算机毕设相关选题，对选题有任何疑问，都可以问学长哦~毕设帮助，开题指导，资料分享，疑问解答(见文末)🧿选题指导, 项目分享：见文末学长限时开放开题指导，对开题有任何不明白的，对某项技术或算法不理解的，不知道怎么下手毕设的，都可以问学长，学长会根据你的情况提供帮助，希望能帮助到你。🧿选题指导, 项目分享：见文末。
深度学习面试题——实例必背【通过对比记忆】（一）
qq_38334677的博客
11-28 1027
卷积层主要用于从图像中提取特征，通过其局部感知能力和层级结构能够有效地捕捉图像中的局部模式和层次特征。全连接层则用于基于这些特征做出决策，它通过学习不同特征之间的组合来进行分类。在实际的图像分类任务中，这两种层的协同工作是至关重要的。卷积层负责提取有效的特征表示，而全连接层则负责将这些特征转化为最终的分类输出。随着深度学习的发展，一些现代的CNN架构甚至开始使用全局平均池化层替换传统的全连接层，以减少模型的参数数量和过拟合的风险，同时保持对全局信息的处理能力。批量归一化。
深度学习笔试题（一）
beyond谚语的博客
01-18 1642
深度学习笔试题（一）
深度学习面试100题（第1-10题）：经典常考点CNN
TEDDY的博客
03-14 8557
1、梯度下降算法的正确步骤是什么？ d.用随机值初始化权重和偏差 c.把输入传入网络，得到输出值 a.计算预测值和真实值之间的误差 e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差 b.重复迭代，直至得到网络权重的最佳值 A.abcde B.edcba C.cbaed D.dcaeb 解析：正确答案D，考查知识点-深度学习 2、已知： - 大脑是有很多个叫做神经元的...
[39题] 牛客深度学习专项题
Le0v1n 的博客
07-20 6809
牛客深度学习专项题，共39道
考察深度学习基础知识的45道题目（附答案）
热门推荐
zchang81的博客
05-04 6万+
考察深度学习基础知识的45道题目（附答案）
【机器学习】深度学习20个笔试题
BetterBench的博客
12-09 2986
在数据集中有4个变量，如A，B，C和D.执行了以下操作： 步骤1：使用上述变量创建另外两个变量，即E = A + 3 * B和F = B + 5 * C + D。数据科学家可能会同时使用多个算法（模型）进行预测， 并且最后把这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习说法正确的是。以下是目标变量在训练集上的 8 个实际值 [0,0,0,1,1,1,1,1]，目标变量的熵是所少？B、召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
深度学习 100 题
qq_27009517的博客
12-10 8336
1、梯度下降算法的正确步骤是什么？ a.计算预测值和真实值之间的误差 b.重复迭代，直至得到网络权重的最佳值 c.把输入传入网络，得到输出值 d.用随机值初始化权重和偏差 e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差 A.abcde B.edcba C.cbaed D.dcaeb 解析：正确答案D，考查知识点-深度学习。 2、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。 - 每一个神经元都有输入、处理函数和输出。 - 神...
深度学习+期末复习题+总结
06-21
我自己总结的一些题目，仅供参考！
JetsonNano深度学习实现图片分类(第一作者邮箱29[email protected]).docx
05-19
本文参照文章https://www.jianshu.com/p/898f8bd91f94（作者简书ID）在Jeston Nano平台上实现基于深度学习的图片分类的过程，包括 Nano系统安装与环境搭建，分类模型简介、构建与实现和目标检测简介与构建，若有相关代码问题可以查查我引用儿简书文章（链接https://www.jianshu.com/p/898f8bd91f94），也欢迎大家询问我这个小白，毕竟刚整理完，知识还是热乎的！ 注意：本着资源共享的初衷，因为这篇文章整理也是参照很多CSDN上文章内容收集而成，本人都会在文章中注明！请各位使用该文章时也请先联系本人（29[email protected])，并署名本人CSDN上的ID名后再引用该文，否则任何在网上发布该文章的内容都视为侵犯本人著作权！谢谢！ 文章中引用的文章： 1.https://blog.csdn.net/qqqzmy/article/details/96764071（作者ID——Mingyong_Zhuang）和https://blog.csdn.net/qqqzmy/article/details/96729609?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162134886416780262581708%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162134886416780262581708&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-3-96729609.first_rank_v2_pc_rank_v29&utm_term=jeston+nano&spm=1018.2226.3001.4187（CSDN作者ID——Mingyong_Zhuang） 2.1. https://blog.csdn.net/qq_33475105/article/details/106044929?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162134811516780274141776%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162134811516780274141776&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-2-106044929.first_rank_v2_pc_rank_v29&utm_term=nano%E5%AE%89%E8%A3%85ide&spm=1018.2226.3001.4187（CSDN作者ID——Colin.Tan）
基于深度学习神经网络的SAR星上目标识别系统研究
02-07
星载合成孔径雷达(SAR)对地遥感成像具有全天候、全天时工作的优势，然而SAR图像的处理比光学图像复杂，降低了SAR图像应用的时效性。针对SAR图像的星上数据处理和目标识别问题，设计了基于卷积神经网络（CNN）的SAR图像目标智能识别系统，实现星地联合的星下增量学习、模型训练和星上目标检测功能。首先对SAR图像进行预处理，得到训练用的目标图像数据；然后设计了具有七层结构的CNN模型对SAR图像进行目标定位、识别和分类；最后，为了使训练后的CNN模型能部署到卫星上使用，设计了一种深度压缩算法对模型进一步压缩。与传统方法相比，该系统具有自动准确识别目标、易于部署等优点。在识别美国 “运动和静止目标获取与识别(MSTAR)”数据库中的11类军事目标的实验验证过程中，整体识别成功率达96.29%，设计的深度压缩算法能将模型数据量压缩13倍并且精度损失保持在2%以内。
【完整版】清华大学精品AI人工智能课程 第6章 深度学习 含习题 共42页.pptx
09-21
清华大学精品人工智能课程完整课程列表，由浅入深介绍整个人工智能领域的知识，并介绍了典型算法与典型应用 【完整版】清华大学精品人工智能课程 第1章 绪论 共41页.pptx 【完整版】清华大学精品人工智能课程 第2章 知识表示 共63页.pptx 【完整版】清华大学精品人工智能课程 第3章 智能搜索 共91页.pptx 【完整版】清华大学精品人工智能课程 第4章 自动推理 共64页.pptx 【完整版】清华大学精品人工智能课程 第5章 机器学习 共54页.pptx 【完整版】清华大学精品人工智能课程 第6章 深度学习 共42页.pptx 【完整版】清华大学精品人工智能课程 第7章 卷积神经网络 共51页.pptx 【完整版】清华大学精品人工智能课程 第8章 循环神经网络 共55页.pptx 【完整版】清华大学精品人工智能课程 第9章 自然语言处理 共42页.pptx 【完整版】清华大学精品人工智能课程 第10章 分布式智能 共30页.pptx 【完整版】清华大学精品人工智能课程 第11章 智能机器人 共47页.pptx 【完整版】清华大学精品人工智能课程 第12章 人工智能前沿 共29页.pptx
吴恩达深度学习选择题（带解析）
12-25
这是吴恩达老师deep learning.ai即深度学习课程的选择题整理，里面包含博主对每道题的解析，配合网易云课堂教学视频效果更佳，分享给大家！
Tutorial_HYLee_Deep.pdf 深度学习讲座
07-12
朴素贝叶斯分类 29 第七章 Logistic回归 32 第八章 SVM支持向量机 42 第九章 集成学习 (Esemble Learning) 43 第十一章 模型评估 46 第四部分 非监督学习 ---聚类与关联分析 50 第十二章 Kmeans聚类分析 50 第十三章...
Python基于深度学习的矿车装载状态计数系统（源码+项目说明）.zip
01-13
基于深度学习的计算机视觉方法可以有效地解决传统方法存在的问题。深度学习可以通过对大量数据的学习和训练，自动学习到图像中的特征和模式，并实现对图像的自动处理和分析。因此，基于深度学习的矿车装载状态计数...
【pytorch】双向LSTM实现文本情感分析
C+=UI~(Nip)
03-29 3193
整个个专栏记录一下深度学习的相关文章 (一)认识深度学习 (二)机器学习应用策略 (三)卷积神经网络 (四)序列模型 (五)pytorch从零实现手写数字识别 (六)认识NLP，RNN实现文本情感分析 (六)经典试题整合 循环神经网络 tokenization：分词 token：具体的词 常见工具 jieba THULAC(不推荐) 分词方法： 句子转为词语 句子转换为单个字 N-gram 准备词语特征的方法，N代表能够一起使用的词的数量 分词长度：len(cuted) -1 、获取分词（以.
Traceback (most recent call last): File "C:\Users\cypo\Desktop\学习笔记\深度学习\python\微调模型‘.py", line 7, in <module> conv_base = load_model('cats_and_dogs_small_3.h5') File "C:\Users\cypo\Desktop\学习笔记\深度学习\venv\lib\site-packages\keras\saving\saving_api.py", line 212, in load_model return legacy_sm_saving_lib.load_model( File "C:\Users\cypo\Desktop\学习笔记\深度学习\venv\lib\site-packages\keras\utils\traceback_utils.py", line 70, in error_handler raise e.with_traceback(filtered_tb) from None File "C:\Users\cypo\Desktop\学习笔记\深度学习\venv\lib\site-packages\tensorflow\python\lib\io\file_io.py", line 703, in is_directory_v2 return _pywrap_file_io.IsDirectory(compat.path_to_bytes(path)) UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb0 in position 29: invalid start byte
07-20
这个错误是由于在加载模型时使用了错误的文件路径或文件名导致的。请确保路径和文件名正确，并且文件存在。另外，如果您的模型文件是以二进制形式保存的，您可以尝试添加`compile=False`参数来加载模型，例如：`conv_base = load_model('cats_and_dogs_small_3.h5', compile=False)`。这个参数可以防止加载模型时出现编码错误。如果问题仍然存在，请提供更多的代码和上下文信息，以便我可以更好地帮助您解决问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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