硕士研究生《深度学习》期末试题

最新推荐文章于 2024-08-05 23:43:35 发布
最新推荐文章于 2024-08-05 23:43:35 发布
阅读量47 收藏
点赞数 1
文章标签： 深度学习 人工智能
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_51087794/article/details/140931730
版权
1.“人工智能”概念诞生的标志性事件是C


(A)1943 年第一个人工神经元模型 M-P 模型的提出
(B)1950 年阿兰·图灵发表《机器能思考吗?》，提出图灵测试
(C)1956 年达特茅斯会议召开
(D)1958 年罗森布拉特发明感知机

2. 以下哪个符合对当前人工智能水平的描述?B


(A)能存会算
(B)能感知会识别
(C)能理解会思考
(D)以上都符合

3. 以下哪种不是符号主义的代表性方法?D


(A)专家系统
(B)定理证明机
(C)知识图谱
(D)朴素贝叶斯

4.深度学习属于以下哪个范畴?C


(A)贝叶斯学派
(B)符号主义
(C)联结主义
(D)逻辑推理

认真学习冠军
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
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！
【深度学习】什么是混合精度训练？缩放因子 S 的选择
q742971636的博客
08-05 124
S。
深度学习-模型剪枝
chengbin20101的博客
08-05 367
模型剪枝是一种模型压缩技术，它通过移除神经网络中的“不必要”权重或偏差（weight/bias），减少模型的大小和计算量，从而提高模型的效率和速度。剪枝的主要目的是在保持模型性能的前提下，降低模型的复杂度和资源消耗。
卷积神经网络（CNN）简单原理与简单代码实现
chengbin20101的博客
08-05 275
这段代码首先定义了数据预处理步骤，然后定义了一个简单的CNN模型，该模型包含两个卷积层、两个池化层和一个全连接层。需要注意的是，测试模型的代码部分在这里被省略了，但通常包括关闭梯度计算、遍历测试集、计算模型输出与真实标签之间的损失或准确率等步骤。卷积操作是使用一个或多个可学习的滤波器（或称卷积核）在输入数据上滑动，计算滤波器与输入数据对应区域的点积，生成特征图（Feature Map）。局部连接：卷积层中的每个神经元仅与输入数据的一个局部区域相连，这有助于捕捉图像的局部特征。
【初学人工智能原理】【10】卷积神经网络：打破图像识别的瓶颈
古月居
08-02 655
本文教程均来自b站【小白也能听懂的人工智能原理】，感兴趣的可自行到b站观看。
基于深度学习的联邦学习
weixin_42605076的博客
08-03 544
基于深度学习的联邦学习（Federated Learning, FL）是一种分布式机器学习方法，允许多个参与者（如设备或组织）在不共享原始数据的情况下共同训练模型。它通过在本地设备上训练模型，并仅共享模型更新（如梯度或参数），保护数据隐私和安全。
贝叶斯优化算法（Bo）与长短期记忆网络（LSTM）结合的预测模型（Bo-LSTM）及其Python和MATLAB实现
qq_45441438的博客
08-05 470
然而，LSTM模型的性能往往依赖于超参数的选择，如隐藏层的单元数量、学习率等。- **模型性能评估**：通过比较优化前后的模型在验证集和测试集上的平均绝对误差（MAE）或均方误差（MSE），能够清晰地看到贝叶斯优化对LSTM超参数选择的提升。5. **模型训练与评估**：最终确定的超参数配置下，训练完整的LSTM模型，并在测试集上进行评估，比较其性能与未优化模型的差异。3. **代理模型构建**：创建高斯过程作为代理模型，对LSTM的性能进行建模，并定义目标函数（如验证集上的损失或准确率）。
深度学习DeepLearning Inference 学习笔记
m0_64089565的博客
08-02 681
应当选择正确的隐藏层数和每层隐藏神经元的数量，以达到这一层的输出是下一层的输入，逐层变得清晰，最终输出数据的目的。在人脸识别的应用中，我们将图片视作连续的像素值序列，隐藏层不断匹对信息，颗粒从小到大。
AI融合新突破：CNN与Transformer的强强联合！
m0_73122726的博客
08-05 223
同时，Transformer和CNN 被用作两个分支的编码器以捕获局部和全局特征。1）提出了ParaTransCNN网络，一个U形的医学图像分割架构，融合的CNN和Transformer组成的并行编码器。3）提出了一种新的融合模块，它将来自两个分支的信息进行组合和聚合，以获得最终的深度估计的全面表示，同时应用通道和空间注意来增强我们两个分支网络的表示能力。2）开发了一种有效的特征融合机制，名为相关加权融合（cwF），以协同整合由CNN和Transformer学习的局部和全局上下文特征，有效提高准确度。
改进YOLOv5：加入非对称卷积块ACNet，加强CNN 的内核骨架，包含VOC对比实验
qq_44224801的博客
08-02 82
改进YOLOv5：加入非对称卷积块ACNet，加强CNN 的内核骨架，包含VOC对比实验
基于深度学习的大规模模型训练
weixin_42605076的博客
08-05 652
基于深度学习的大规模模型训练涉及训练具有数百万甚至数十亿参数的深度神经网络，以处理复杂的任务，如自然语言处理、计算机视觉和语音识别。
第R1周：RNN-心脏病预测
最新发布
lihuhelihu的博客
08-05 492
学习了什么是RNN，怎么处理数据，如何构建简单的RNN模型。这个过程我们可以看到，输入 “time” 的时候，前面“what” 的输出也会对02的输出产生了影响（隐藏层中有一半是黑色的）。以此类推，我们可以看到，前面所有的输入产生的结果都对后续的输出产生了影响（可以看到圆形中包含了前面所有的颜色）RNN 跟传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练。然后，按照顺序将五个基本单元输入RNN网络，先将 “what”作为RNN的输入，得到输出 01。
深度学习------权重衰退
Einstein·Jun
08-02 869
权重衰退通过L2正则项使得模型参数不会过大，从而控制模型复杂度。正则项权重是控制模型复杂度的超参数。实现这一惩罚最方便的方法是对所有项求平方后并将它们求和。下面的代码将模型拟合训练数据集并在测试数据集上进行评估。线性网络和平方损失没有变化， 所以我们通过d2l.linreg和导入它们。唯一的变化是损失现在包括了惩罚项。# 用lambda匿名函数定义net，输入为X，输出为d2l.linreg(X, w, b)# lambd是L2正则化项系数，是为了调整正则化的强度# 增加了L2范数惩罚项，
基于机器学习和深度学习的时间序列分析和预测（Python）
weixin_39402231的博客
08-05 171
传统的时间序列预测方法大多是通过分析时间序列数据符合什么样的分布，或者说什么样的模型对此类数据拟合效果好等先验知识来建立数学模型，后进行参数求解来解决问题，然而随着近些年时间序列数据越来越呈现出大规模、复杂度高等特点，利用传统方法来对时序数据进行分析建模越来越难以达到一个让人理想的效果。
【深度学习】VITS中的条件VAE，VAE的隐变量z为何要服从正太分布（2）
q742971636的博客
08-02 95
是隐变量，假设X是由z生成的。表示成简单的高斯分布之后再加一个flow变换，音质会更好。由于D[Q(z|X) || P(z|X)部分恒大于0，故。其中，对齐信息是一个硬对齐矩阵，形状为。无关，因此可以移到期望公式之外。无关，因此可以移到期望公式之外。接下来复述一下视频里的带条件VAE理论。越大越好，也就是相当于希望解码器基于。的概率越大越好，同时先验分布。类似地，可以基于贝叶斯公式来改写。是解码器，第二项是先验分布。的期望值与目标数据的分布。，可以基于贝叶斯公式来改写。
基于粒子群优化GRU神经网络的多输入回归分析，基于粒子群优化GRU网络多输入回归分析，基于粒子群优化GRU神经网络
abc991835105的博客
08-05 207
LSTM原理，GRU原理，粒子群算法原理，MATALB编程粒子群优化GRU神经网络的多输入回归分析
简单的基于LSTM的黄金价格预测（Python）
weixin_39402231的博客
08-03 186
简单的基于LSTM的黄金价格预测（Python）
【深度学习】Accelerate和DeepSpeed有什么区别？
q742971636的博客
08-05 51
Accelerate和DeepSpeed是用于加速深度学习模型训练的两种工具，虽然它们有不同的设计目标和实现方式，但它们也可以互相配合使用，以提高大规模模型训练的效率和灵活性。
【深度学习】【语音】TTS效果排行榜
q742971636的博客
08-05 33
文本到语音（TTS）技术正以惊人的速度发展，为各种行业提供了更加自然和逼真的语音解决方案。本篇博客将详细介绍目前市场上表现最佳的TTS模型，深入探讨每个模型的技术特性和是否开源，帮助您更好地理解它们的优势和应用场景。
硕士研究生《深度学习》期末试题 (b卷答案
01-04
深度学习是一种机器学习的技术，它模仿人脑的神经网络，通过层层递进的方式来识别和学习数据中的模式和规律。在这门课程中，我学到了许多关于神经网络、卷积神经网络和循环神经网络等深度学习模型的知识，也学会了如何使用 TensorFlow 或 PyTorch 等工具来实现这些模型。 在期末试题中，有关深度学习的试题主要包括以下几个方面： 1. 对深度学习的理论知识的掌握，如神经网络的结构、损失函数、梯度下降等基本概念的理解； 2. 对深度学习模型的应用能力，如给定一个实际问题，能够设计合适的神经网络结构，选择合适的优化算法来解决问题； 3. 对深度学习工具的熟练程度，如能够使用 TensorFlow 或 PyTorch 来搭建、训练和评估神经网络模型。 根据这些考点，我在试题中回答了关于深度学习模型的理论问题，设计了一个卷积神经网络来解决图像分类问题，并使用 TensorFlow 进行了实现和训练。在实际操作中，我遇到了一些困难，但通过查阅资料和请教老师的建议，最终成功解决了问题。 通过这门课程的学习和期末试题的考核，我不仅对深度学习的理论有了更深入的了解，也提高了自己动手实践的能力。我相信这些知识和能力将在未来的研究工作或实际应用中发挥重要作用。
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

打赏作者

认真学习冠军

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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