-
TensorFlow的特点有哪些( E )
A、灵活性
B、可移植性
C、高效
D、多语言支持
E、以上全部都是 -
下列有关张量和和变量的说法正确的是(B)
A、张量可以简单理解为多维度数组
B、以上都是
C、变量是一种特殊的张量
D、在TensorFlow中所有的数据都是通过张量的形式表示“ -
下列声明哪些是正确的?(C)
声明1:可以通过将所有权重初始化为0来训练网络
声明2:可以通过将偏差初始化为0来训练网络
A、1和2都错
B、1和2都对
C、1错2对
D、1对2错 -
下列哪个函数不可以做激活函数?(B)
A、y=tanh(x)
B、y=2x
C、y=sin(x)
D、y=max(x,0) -
在一个简单的MLP模型中,输入层有8个神经元,隐藏层有5个神经元,输出层有1个神经元。隐藏输出层和输入隐藏层之间的权重矩阵的大小是多少(D)
A、[1 X 5],[5 X 8]
B、[8×5],[1×5]
C、[5×8],[5×1]
D、[5×1],[8×5] -
对于前向神经网络,输入层中的节点数为10,隐藏层为5。从输入层到隐藏层的最大连接数是(B)
A、小于50
B、50
C、任意值
D、大于50 -
反向传播算法一开始计算什么内容的梯度,之后将其反向传播?(C )
A、各个输入样本的平方差之和
B、各个网络权重的平方差之和
C、预测结果与样本标签之间的误差
D、以上都不对 -
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?(D )
A、正则参数太高
B、陷入局部最小值
C、学习率太高
D、以上都有可能 -
数据规一化(Normalization)的好处都有啥?(A )
A、让每一层的输入的范围都大致固定
B、以上都不正确
C、它将权重的归一化平均值和标准差
D、它是一种非常有效的反向传播(BP)方法 -
以下哪些是CNN网络常用的模型?(B)
1 LeNet-5
2 AlexNet
3 VGGNet
4 Google Inception Net
A、2,3
B、1,2,3,4
C、1,2,3 -
输入图片大小为200×200,依次经过一层卷积(kernel size 5×5,same padding ,stride 2),pooling(kernel size 3×3,valid padding ,stride 1),又一层卷积(kernel size 3×3,same padding,stride 1)之后,输出特征图大小为(C)
A、96
B、97
C、98 -
梯度爆炸问题是指在训练深度神经网络的时候,梯度变得过大而损失函数变为无穷。在RNN中,下面哪种方法可以较好地处理梯度爆炸问题?(D)
A、Dropout
B、所有方法都不行
C、用改良的网络结构比如LSTM和GRUs
D、梯度裁剪 -
下列有关LSTM的细胞状态正确的是。(A)
A、以上都是
B、LSTM决定从细胞状态中丢弃什么信息
C、LSTM决定什么信息增加到细胞状态中
D、LSTM决定从细胞状态中输出什么信息 -
深度学习与机器学习算法之间的区别在于,深度学习过程中无需进行特征提取工作,也就是说,我们建议在进行深度学习过程之前要首先完成特征提取的工作。这种说法是(A)
A、错误的
B、正确的 -
神经网络模型(Neural Network)因受人类大脑的启发而得名,神经网络由许多神经元(Neuron)组成,每个神经元接受一个输入,对输入进行处理后给出一个输出,如下图所示。请问下列关于神经元的描述中,哪一项是正确的?(A)
A、以上都是
B、每个神经元可以有多个输入和一个输出
C、每个神经元可以有一个输入和多个输出
D、每个神经元可以有多个输入和多个输出
E、每个神经元可以有一个输入和一个输出 -
下图中的数据是线性可分的么?( B)
A、是
B、否 -
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。神经元组合起来形成了网络,可以拟合任何函数。为了得到最佳的神经网络,我们用梯度下降方法不断更新模型给定上述关于神经网络的描述,什么情况下神经网络模型被称为深度学习模型?(A)
神经网络与深度学习期末考试满分过题库!
最新推荐文章于 2024-08-05 17:10:10 发布
本文详细介绍了神经网络与深度学习的相关概念和实践,包括TensorFlow的特点、张量与变量的理解、网络训练中的关键点、激活函数的选择、卷积神经网络(CNN)的应用、梯度爆炸问题的解决以及深度学习模型的优化策略。通过对各类问题的解析,帮助读者巩固神经网络和深度学习的基础知识,为考试做好准备。
摘要由CSDN通过智能技术生成