人工智能导论题库

1. 音频的量化是指（ ） B

A、对频率进行采样                                                                                           B、对振幅进行采样

C、对音频进行编码                                                                                  D、对时域进行采样

1. 以下哪项硬件是Cuda加速模型训练的核心所在（ ）A

A、GPU                                                                                                          B、CPU

C、Memory                                                                                                  D、SSD

1. 反向传播算法的高效性依赖于（ ）A

A、链式求导                                                                                               B、递归求解

C、数值求解                                                                                                D、以上都不是

1. 学习率过大，则可能出现（ ） D

A、欠拟合                                                                                                    B、无法收敛

C、训练加快                                                                                                D、以上都是

1. 下列哪个不是人工智能的研究领域（ ） D

1. 机器证明                      B、模式识别         C、人工生命       D、编译原理

1. MFCC是（ ）的常用特征。B

1. 文本处理                      B、语音处理         C、图像处理       D、数据挖掘

1. 下列哪一项不属于自然语言处理的研究领域（ ） C

A、情感分析                                                                                               B、文本分类

C、人脸识别                                                                                                D、语音识别

1. 下列哪一项不属于机器学习的工作流程（ ） C

A、数据预处理                B、特征工程           C、模型部署            D、模型调优

1. 下列哪一项不属于激活函数（ ） D

A、Tanh                                                                                                B、LeakyReLU

C、ReLU                                                                                               D、Dropout

1. 训练模型使用Cuda的原因是（ ） B

A、提供数据处理                                                                                               B、加速运算

C、提供模型结构                                                                                                D、必不可缺

1. 下列哪一项是激活函数（ ） C

A、Dropout                                                                                         B、批归一化

C、ReLU                                                                                               D、池化

1. 强化学习的本质是智能体根据环境变化做出一系列的决策。 答案：对。
2. 遗传算法、模拟退火算法、蚁群算法都属于启发式搜索算法。 答案：对
3. ReLU激活函数常用于隐藏层的激活。 答案：对
4. 感知机属于线性模型。 答案：对
5. K-means是典型的回归算法。 答案：错
6. 文本分词仅用于构建词向量。 答案：错
7. 音频的采样是对模拟信号进行的间隔测量。 答案：对
8. Softmax回归的的最后输出是向量。 答案：对
9. Sigmoid激活函数常用于隐藏层的激活。 答案：错
10. TF-IDF的值是词频和和逆文本频率的减法结果。 答案：错
11. 提取音频特征时，无需先将模拟信号进行采样、量化，转为数字信号。 答案：错
12. 确定了一个卷积核的步长、填充、核大小，即可确定卷积的输出尺寸。 答案：错
13. 区块链的典型特征包括去中心化、匿名性、透明性等。 答案：对
14. 区块链的应用不限于金融领域。 答案：对
15. 强化学习中的奖励是环境对智能体动作的反馈。 答案：对
16. ReLU激活函数常用于输出层的激活。 答案：错
17. 卷积网络用于图像分类时，通常在卷积后跟随一个全连接网络。 答案：对
18. 音频的采样属于连续信号。 答案：错
19. 提取音频特征时，需先将模拟信号进行采样、量化，转为数字信号。 答案：对
20. 数字图像的像素值通常以整数进行记录。 答案：对
21. RGB图像是三通道的彩色图像。 答案：对
22. 逻辑回归的损失函数常用交叉熵。 答案：对

1. 机器学习的流程包括抽象问题、______、数据预处理、______、训练模型及调优、______、最终模型。 答案：获取数据、特征工程、模型评估

1. 生成对抗网络的______用于判断样本真假，______用于生成假样本。 答案：生成器、判别器。

1. ReLU激活函数的表达式是______。 答案：max(0, x)
2. 2个3x3大小的卷积核，等效于1个______的卷积核。 答案：5x5

1. 回归任务常用______损失函数。 答案：平方或均方
2. 设有10分类任务，则采用Softmax回归后，其输出向量维度为______。 答案：10
3. 区块链中的加密算法属于______算法。答案：非对称加密
4. 对一段音频进行切分，使其形成基本单元，叫做：______ 答案：分帧
5. 分类和回归可看作两种基本机器学习任务，则图像分割属于______任务、图像生成属于______任务。 答案：分类、回归
6. 表达式y=wx+b，一般称w为______、b为______。 答案：权重、偏置
7. 单个神经元包含______、______、______、______四部分。 答案：输入、权重、激活函数、输出
8. 设某次训练数据为(N, C, H, W)，则批归一化是在维度______上进行的归一化。 答案：N
9. Sigmoid激活函数的表达式是______。 答案：1/(1+e^-x)
10. 强化学习中，智能体的动作会同时获得______和改变______。 答案：奖励、环境

1. 给出多层人工神经网络需要激活函数的理由或证明。

激活函数互动作用：人工神经网络由若干层组成，每一层都包括一组神经元，而激活函数用来将这组神经元的输入映射为输出。

激活函数有助于避免单层神经网络的过拟合，这是因为它可以限制神经元的输入，从而使网络更加稳定。

激活函数也有助于简化网络，因为它可以减少神经元的数量，从而减少计算量。

激活函数对于多层神经网络来说是至关重要的，可以帮助网络更好地工作，减少计算量，同时避免过拟合和过度拟合。

如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

1. 什么是小批量随机梯度下降法，其有什么优势。

小批量随机梯度下降法是一种优化方法，它帮助在有限的时间内训练神经网络,对于深度学习模型而言，“随机梯度下降, SGD”，就是基于小批量（mini-batch）的随机梯度下降。

它通过使用比全局训练集更小的训练子集，来减少计算时间。

由于不是在全部训练数据上的损失函数，而是在每轮迭代中，随机优化某一条训练数据上的损失函数，这样每一轮参数的更新速度大大加快,它通常可以快速收敛，因此它可以降低神经网络的训练时间，从而使训练更快、更有效地完成。

此外，小批量随机梯度下降法还可以有效地减少模型训练中的噪声和错误，因为它不会完全依赖一次性从整个数据集中抽取的数据。

另外，由于在收敛之前，它可以避免陷入局部最小值，因此可以得到更精确的模型。

1. 什么是学习率，简述学习率过大和过小的影响。

学习率是一种控制学习速度的参数，它可以控制深度学习算法中更新参数的步幅，以启发学习系统在学习过程中如何优化模型参数。

当学习率过大时，它可能会导致模型抖动，并且容易陷入局部最优解，从而导致收敛性降低。

当学习率过小时，则可能导致模型收敛时间变得很长，甚至无法收敛，因此模型无法取得最优性能。

此外，学习率略微不同也会带来不同的结果，如迭代次数、模型性能、收敛情况、收敛速度等，因此有必要通过实验得出最佳学习率。

1. 简述训练人工神经网络的三大元素。

人工神经网络主要架构是由神经元、层和网络三个部分组成。整个人工神经网络包含一系列基本的神经元、通过权重相互连接。神经元是人工神经网络最基本的单元。

单元以层的方式组，每一层的每个神经元和前一层、后一层的神经元连接，共分为输入层、输出层和隐藏层，三层连接形成一个神经网络。

输入层只从外部环境接收信息，是由输入单元组成，而这些输入单元可接收样本中各种不同的特征信息。该层的每个神经元相当于自变量，不完成任何计算，只为下一层传递信息

隐藏层介于输入层和输出层之间，这些层完全用于分析，其函数联系输入层变量和输出层变量，使其更配适数据。

输出层生成最终结果，每个输出单元会对应到某一种特定的分类，为网络送给外部系统的结果值

整个网络由调整链接强度（学习拓扑的权重）的程序来达成学习的目的。

1. 简述反向传播算法的作用及其优势。

作用：反向传播是神经网络中用于计算代价函数梯度的一种算法。

反向传播的工作原理是计算代价函数相对于每个权重的梯度，然后在梯度的相反方向调整权重以降低代价。重复这个过程，直到成本达到最小值，简单来说就是计算出输出与标签间的损失函数值，然后计算其相对于每个神经元的梯度，根据梯度方向更新权值，是深度学习的基础技术。

反向传播算法可以减少公共子表达式的数量而不考虑存储的开销，避免了重复子表达式的指数爆炸。

使用反向传播的主要优点是快速高效，因为它可以轻松地通过网络传播并计算梯度，而无需推导复杂的方程，因此，反向传播可以实现更快的权重更新，从而提高训练神经网络的速度。此外，它利用了链式法则，允许网络的许多层同时训练。最后，反向传播在面对一些错误时是稳健的，并且能够在面对未知数据时做出明智的猜测。

1. 给定输入x=1，计算表达式a=log(z)、z=x*0.5+0.5。画出其计算图并

标识前向传播与反向传播的各节点值。

到时候看题吧，应该不会考反向传播手推，如果要考，那就是对最后的结果进行求偏导，不断往后求就Ok了