深度学习与应用实践章节测验

2024-02-22 07:40

本文主要是介绍深度学习与应用实践章节测验,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

深度学习与应用实践章节测验

  • 第二章
  • 第三章
  • 第四章
  • 第五章
  • 第六章
  • 第七章
  • 第九章

第二章

1、以下_______问题不适合应用神经网络
A、预测电信客户流失的可能性
B、辅助确定是否给银行的客户贷款
C、对基金公司的客户进行分组,了解每组客户的特点
D、股票走势的预测
2、对前馈神经网络的描述是不正确的。
A、层与层之间通过“全连接”进行连接,即两个相邻层之间神经元完全成对连接
B、各个神经元接受前- -级神经元的输入,并输出到下一级
C、同一层内神经元之间存在全连接
D、同一层内的神经元相互不连接
3、神经网络训练时,数据的类别标签可以用独热编码,编码中____。
A、只有1个1,其他为0
B、只有1个0,其他为1
C、只要是二进制就可以
D、一般用8位二进制数
4、神经网络的一次误差反向传播算法可以____。
A、修改一层神经元的参数
B、修改相邻2层的神经元的参数
C、修改网络中所有神经元的参数
D、修改网络中所有神经元的激活函数
5、用来评估神经网络的计算模型对样本的预测值和真实值之间的误差大小。
A、优化函数
B、梯度下降
C、反向传播
D、损失函数
6、下面对感知机网络(Perceptron Networks)描述不正确的是

A、感知机网络没有隐藏层
B、感知机网络具有一层隐藏层
C、感知机网络不能拟合复杂数据
D、感知机网络是一种特殊的前馈神经网络
7、有关前馈神经网络的认识正确的是____。
A、神经网络训练过程是拟合训练数据模式的过程
B、神经网络训练后很容易得到分类的规则
C、一个结构明确的神经网络的训练结果是唯一的
D、神经网络模型的分类能力一定比决策树好
8、在前馈神经网络中,误差反向传播(BP算法)将误差从输出端向输入端进行传输的过程中,算法会调整神经网络的_____。
A、神经元和神经元之间连接的有无
B、相邻层神经元和神经元之间的连接权重
C、同一层神经元之间的连接权重
D、输入数据大小
9、以下____算法是基于规则的分类器
A、神经网络
B、k-means
C、逻辑回归
D、决策树
10、在神经网络学习中,每个神经元会完成若干功能,下面_____不是神经元所能够完成的功能。
A、将加权累加信息向后续相邻神经元传递
B、通过激活函数对加权累加信息进行非线性变换
C、向前序相邻神经元反馈加权累加信息
D、对前序相邻神经元所传递信息进行加权累加
11、
在这里插入图片描述
12、以下关于人工神经网络的描述正确的是____。
A、神经网络对训练数据中的噪声不敏感,因此不用考虑数据质量
B、神经网络训练后很容易得到分类的规则
C、训练人工神经网络是一个很耗时的过程
D、只能用于分类任务
13、在一个神经网络中,确定每一个神经元的权重和偏差是模型拟合训练样本的目标,比较有效的办法是____。
A、根据人工经验随机赋值
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,然后迭代更新权重,直至损失函数取得极小
D、下一层神经元继承上一层神经元的权重和偏差
14、梯度下降算法的正确计算步骤是____。
1)计算预测值和真实值之间的误差
2)迭代更新,直到找到最佳权重
3)把输入传入网络,得到输出值
4)初始化随机权重和偏差
5)对每一个产生误差的神经元,改变其权重值以减小误差
4)3)1)5)2)

15、下面_____图像是sigmoid激活函数。
在这里插入图片描述
图一
16、神经网络建模步骤一般是____。
1)模型评估
2)网络配置
3)模型训练
4)数据准备
5)模型预测
4)2)3)1)5)
多选
1、用于监督分类的算法有___。
A、线性回归
B、K-means
C、决策树
D、神经网络

2、神经网络的训练结果模型文件,一般包括___。
A、权重矩阵
B、偏置参数
C、超参数
D、计算图
3、神经网络的激活函数,通常具有非线性、可导特性。
4、如果神经网络的学习率太大,____。
网络可能无法收敛、网络收敛速度快
5、下列____可以使神经网络模型拟合复杂函数的能力增加。
A、隐藏层层数增加
B、Dropout的比例增加
C、加大学习率
D、增加神经元的数量
6、在神经网络中,以下____技术用于解决过拟合。
A、加大学习率
B、Dropout
C、正则化
D、规范化
7、训练样本中,正负样本数量的比例较大,这称为样本类别不平衡问题,可采用____解决。
A、过采样,即增加正样本数量,使正负样本接近再学习
B、欠采样,即去除反例样本数量,使正负样本接近再学习
C、设置阈值。基于原始数据集学习,当使用已训练好的分类器进行测试时,将正负样本数量的比例作为阈值嵌入到决策过程中
D、改变评价标准,用AUC/ROC来进行评价
8、神经网络由许多神经元组成,下列关于神经元的陈述中____是正确的。
A、一个神经元可以有多个输入和一个输出
B、一个神经元可以有一个输入和多个输出
C、一个神经元可以有多个输入和多个输出
D、一个神经元只能有一个输入和一个输出
判断
全连接神经网络输入层的神经元个数一般与一个输入样本的特征个数相同。True
神经网络被称为通用函数拟合器,所以它理论上可以表示任何决策边界。True

第三章

单选
1、实现标量回归预测任务的神经网络,损失函数一般选择MSE
2、实现多分类任务的神经网络,损失函数一般选择categorical_crossentropy
3、实现多分类任务的神经网络,输出层的神经元个数一般选择与类别数一致
4、如果神经网络的性能有_训练集精度升高、验证集精度下降___表现,说明出现过拟合
5、神经网络训练时采用k折交叉验证时依次选一份做验证集,其他份做训练集
6、当数据集各个特征的量纲不一致时,应该在数据预处理时对数据进行_标准化___处理
7、实现二分类任务的神经网络中,输出层激活函数一般选择sigmoid
8、神经网络训练时采用k折交叉验证时,依次选一份做验证集,其他份做训练集
9、实现标量回归预测任务的神经网络,评价指标一般选择平均绝对误差
多选
1、下列____方法可以用来降低深度学习模型的过拟合问题
增加更多的数据
减小网络
添加Dropout
对损失函数添加权重正则化
2、神经网络的数据预处理,一般包括____步骤。
将数据向量化
将数据值标准化
处理缺失值
将数据值转化为浮点数或整数
3、在进行神经网络训练之前,一般需要把训练集再分割为
训练集、验证集
判断
1、上海积累了历年的气候大数据,并使用这些数据训练建立了神经网络模型进行天气预测,那么这个模型也可用于其他地区的天气预测。错
2、神经网络模型训练中不应该出现过拟合,这网络结构不合理。错
3、特征工程的目标是减少数据集中特征的个数。错误

第四章

单选
1、使用预训练模型进行特征提取,要训练的部分是全连接分类器
2、卷积神经网络输入的彩色图像数据的张量格式为:(样本数,高度,宽度,通道数)
3、CNN网络中池化层的作用有减少隐层节点数,卷积层实现局部特征提取。
4、数据增强可以有效提升模型质量,最好在训练集进行数据增强。
5、要解决的问题只有少量的数据,但幸运的是有一个之前训练过的针对类似问题的神经网络模型。最佳方案是冻结除最后一层之外的所有层,重新训练最后一层
6、微调预训练模型,一般是指调整高层卷积层
7、预训练模型的卷积基一般包含卷积层和池化层
8、深度学习算法对于图像进行特征提取采用的方法是网络自动提取
9、假设我们需要训练一个卷积神经网络,来完成500种图像分类,类别采用独热编码。该卷积神经网络最后一层是分类层,则最后一层输出向量的维数大小可能是500
10、预训练模型是指已经在大数据集上训练好的一个模型
11、加入更多层,使神经网络深度加深情况下,神经网络模型被称为深度学习模型
12、Relu函数在神经网络中引入了非线性
13、CNN中,卷积层是局部连接,所以提取的是局部信息
多选
1、深度全连接神经网络在图像处理中有参数量太大、无法利用相邻像素关联弱点
2、通过数据增强可以减少过拟合的发生,常用的方法有以下:从数据源采集更多的数据;复制原有数据并添加随机噪声;根据现有样本估计样本的分布,然后按照此分布再产生一些样本
3、CNN网络中可能包含____层。输入层、卷积层、池化层、全连接层
4、Keras的图片生成器的主要作用是自动批量加载磁盘图像、实现数据的转换
5、对图片数据进行数据增强可以采用旋转图像、随机裁剪、增加噪声方法
6、在微调预训练模型时,____情况下,冻结层数越少
数据集越大、数据集与原始数据集相似性越小
7、在训练深度神经网络的过程中,如果泛化能力太差,则可以
调整网络结构、调整样本、调整优化器

第五章

单选
1、要解决的问题只有少量的数据,但幸运的是有一个之前训练过的针对类似问题的神经网络模型。最佳方案是冻结除最后一层之外的所有层,重新训练最后一层
2、微调预训练模型,一般是指调整高层卷积层
3、预训练模型是指已经在大数据集上训练好的一个模型
4、使用预训练模型进行特征提取,要训练的部分是全连接分类器
5、预训练模型的卷积基一般包含卷积层和池化层

多选
1、微调预训练模型时,需要进行两次训练:分类器训练和解冻层训练
2、类激活的热力图可以辅助观察:分类对象的位置、分类对象的激活强度分布
3、在微调预训练模型时,____情况下,冻结层数越少
数据集越大
数据集与原始数据集相似性越小

判断
1、卷积神经网络越高层次,提取到的特征越具有通用性。(F)
2、卷积神经网络越高层次,输出的特征图越大。(F)
3、卷积神经网络越高层次,输出的特征图稀疏度越大。(T)
4、类激活的热力图中热度最高的像素说明其对分类的贡献度越大。(T)

第六章

单选
1、在学习词嵌入时,嵌入维度一般小于数据集总单词个数
2、语音识别中使用的语言模型一般是基于文本数据训练得到
3、如果要采用神经网络来对文本进行建模,必须先将文本向量化,这一过程是指将文本转换为数值张量
4、语音识别中对数据预处理时分帧将语音切割为有交叠的等长帧
5、在使用深度学习进行文本处理时,一个文本句子要被理解,首先需要做的是分词
6、在经过学习获得的词嵌入空间中,语法和语义上相近的词汇距离更近
7、要了解消费者对某个产品的总体观点,可以采用____对用户评论进行分析得到。情感分析
8、自动语音识别(Automatic Speech Recognition,ASR)的目标是从语音信号识别出话语对应的文本
9、传统语音识别方法中把____做为基本单元,它也是构成单词的基本单位。音素

多选
1、以下____神经网络适合处理序列数据。
LSTM、双向LSTM、一维CNN
2、以下____属于文本处理任务。
机器翻译、自动摘要、自动写诗
3、文本向量化的两种表示方法是
独热编码、词嵌入
4、通过拍照翻译可以将外文菜单、路牌等信息转换为自己熟悉的语言文字,这主要通过____技术实现。
图像识别、机器翻译
5、以下____属于循环神经网络。LSTM、GRU

判断
1、判断两个词汇是否具有相近的含义,可以计算两个词汇的词向量相似度获得。(对)
2、采用深度学习进行语音识别,可以直接实现speech-to-text。(对)
3、在语音识别应用设计时,待识别领域和训练文本的领域具有一致性,可以得到更好的识别效果。(对)
4、百度搜索引擎不需要使用自然语言处理技术,只需要关键字匹配即可。(错)
5、双向循环神经网络对输入数据进行正向和方向两次处理,再合并结果。(对)
6、预训练词嵌入是使用大规模文本训练得到的词向量,使用它一般可以提高模型性能。(对)

第七章

单选
1、声音是一种时序数据,是对连续声音信号的____进行采样获得。振幅
2、对于数值型时间序列数据的预测模型,应该采用____进行评估。MAE
3、在解决实际问题时,人工智能建模一般采用以下策略____从简单且计算代价低的模型开始
4、在循环神经网络中,通过堆叠多个循环层可以提高模型的表达能力,在堆叠时
可以堆叠不同类型的循环层,如LSTM、GRU等

多选
1、时间序列数据一般具有____特性。
趋势性,即某变量随时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。
周期性,即某因素由于外部影响随着自然或时节的交替出现高峰与低谷的规律。
随机性,即个别随机变动,但整体呈统计规律。
综合性,实际变化情况是几种变动的叠加或组合。
5、时间序列数据可以有不同的观察尺度,以下____可能作为观察尺度。月、天、分钟、季度
6、循环神经网络神经元带自反馈、适合处理序列数据、能处理任意长度的文本
7、时间序列数据一般包括属性值、时间戳
8、可以利用RNN对时间序列数据建模,实现____功能。回归预测、序列分类、异常检测

判断
1、文本是一种序列数据。对
2、在RNN网络中,recurrent_dropout是同一循环层内的失活比例。对
3、对于数据序列数据处理,如果整体顺序不重要,那么采用一维CNN建模更好,因为计算代价比RNN更小。对
4、处理非常长的序列数据时,可以在RNN之后使用一维CNN来减少计算代价。错
5、时间序列数据通常是连续产生的,数值会比较接近,因此不需要对数据进行标准化。错

第九章

单选
1、使用深度神经网络进行文本生成的最后一层任务是_字符或单词的分类
多选
1、深度学习进行文本生成时生成结果和训练集风格相似、模型学习得到的具有统计结构的潜在空间
2、GAN是一种生成式对抗网络,它采用____网络能迫使生成图像与真实图像在统计上几乎无法区分,从而生成相当逼真的图像。生成器、判别器
3、采用神经风格迁移创作图画是将____组合在一起,产生特殊效果。风格图像、内容图像
判断
1、深度学习在文本生成、乐曲创作和绘画等领域都有出色的表现,说明该类模型可以模拟人类情感和心智。错
2、对抗样本是指能提高深度学习模型学习能力的样本。错

这篇关于深度学习与应用实践章节测验的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/734570

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

hdu1394(线段树点更新的应用)

题意:求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质,在0到n-1这些数字组成的乱序排列,将第一个数字A移到最后一位,得到的逆序数为res-a+(n-a-1) 知道上面的知识点后,可以用暴力来解 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in

zoj3820(树的直径的应用)

题意:在一颗树上找两个点,使得所有点到选择与其更近的一个点的距离的最大值最小。 思路:如果是选择一个点的话,那么点就是直径的中点。现在考虑两个点的情况,先求树的直径,再把直径最中间的边去掉,再求剩下的两个子树中直径的中点。 代码如下: #include <stdio.h>#include <string.h>#include <algorithm>#include <map>#