深度学习经典试题29道
所有试题来自公众号【读芯术】课后测试
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以下哪种不是自适应学习率方法
A. Mini-batch SGD
B. Adagrad
C. RMSprop
A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
CSSD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)。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)。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
深度学习经典试题29道相关推荐
- 深度学习 autoencoder_面试宝典之深度学习面试题(下)
点击上方"Python全家桶","星标"或"置顶" 关键时刻,第一时间送达 今天已经是三月十一号,金三银四的金三已经过了三分之一,不知道大家 ...
- 深度学习笔记(29) 1×1 卷积
深度学习笔记(29) 1×1 卷积 1. 1×1 卷积 2. 1×1 卷积的作用 3. 1×1 卷积的应用 1. 1×1 卷积 在架构内容设计方面,其中一个比较有帮助的想法是使用1×1卷积 过滤器为1 ...
- 劲爆!有人不用深度学习做强AI?道翰天琼认知智能机器人平台API接口大脑为您揭秘
劲爆!有人不用深度学习做强AI?道翰天琼认知智能机器人平台API接口大脑为您揭秘 认知智能是计算机科学的一个分支科学,是智能科学发展的高级阶段,它以人类认知体系为基础,以模仿人类核心能力为目标,以信息 ...
- [转载]机器学习深度学习经典资料汇总,全到让人震惊
自学成才秘籍!机器学习&深度学习经典资料汇总 转自:中国大数据: http://www.thebigdata.cn/JiShuBoKe/13299.html [日期:2015-01-27] 来 ...
- 深度学习经典教程:深度学习+动手学深度学习
作者:[美] Ian,Goodfellow(伊恩·古德费洛),[加] Yoshua,Bengio(约书亚·本吉奥)等 出版社:人民邮电出版社 品牌:异步图书 出版时间:2019-06-01 深度学习经 ...
- 深度学习经典论文汇总
CV-CNN AlexNet(2012):深度学习热潮的奠基作 VGG(2014):使用 3x3 卷积构造更深的网络 GoogleNet(2014):使用并行架构构造更深的网络 ResNet(2015 ...
- 深度学习经典网络解析图像分类篇(二):AlexNet
深度学习经典网络解析图像分类篇(二):AlexNet 1.背景介绍 2.ImageNet 3.AlexNet 3.1AlexNet简介 3.2AlexNet网络架构 3.2.1第一层(CONV1) 3 ...
- Github深度学习面试题答案
Github深度学习面试题答案(一)-- 深度学习相关 本文是对于github上一篇关于无人驾驶的深度学习方面提问的 ''部分个人见解+论坛内外对该问题的解答'' 本文属于搬运+整合的笔记贴,主要是为 ...
- 深度学习经典trick汇总
深度学习经典trick汇总 trick这个词或许有投机取巧的意味,但深度学习论文中出现的很多这个trick确实对模型更方面性能有所提高,而且它们中的很多还具有普适性,那么这种"trick&q ...
最新文章
- 服务器网盘系统怎么装,云服务器上怎么安装操作系统
- java8-2-Lambda表达式
- 谷歌浏览器怎么查找和改变编码格式
- 1.PHP 扩展开始以及内核应用(1) --- PHP 的生命周期
- CAD .Net 开发-快速入门
- 曲苑杂坛--修改数据库服务器名称
- Java 视频转码(转为MPEG-4格式)
- 解决:adb devices error protocol falut(no status)
- samba 本地设备名已在使用中 此连接尚未恢复
- java 判断偶数_java 判断奇偶数
- java 计算均值和标准差_java计算方差、标准差(均方差)实例代码
- uni-app 页面切换间的动画,页面跳转之中的动画
- 周杰伦等名人网站频被挂马 粉丝上网需警惕
- 我的前半生:多情剑客无情剑
- 5分钟使用ssl证书免费配置任意域名的 https
- 2021-2027全球及中国G Suite教学资源软件行业研究及十四五规划分析报告
- 【Pygame】细致讲解开发Flappy Bird小游戏
- 游玩3ds游戏的N种方法
- MATLAB三维图变黑 | shading interp作用
- RESS南方不动产权籍调查测绘软件,助力房地一体化测量(RESS V20)
热门文章
- 【Redis】初探Redis
- 书翻页效果php,Css实现翻书效果
- LaTex公式使用(Word中的公式编辑,尤其是方程组等联合公式)
- 【D2Det】《 D2Det:Towards High Quality Object Detection and Instance Segmentation》
- 【硬盘】2021-希捷叠瓦盘(SMR)、垂直盘(CMR/PMR)型号、容量大全
- php 字符串转 buffer,ArrayBuffer与字符串的互相转换
- 面试官:2 年招到 18 个前端教你怎么招人
- 倍福TwinCAT3导入TwinCAT2项目的方法
- 网络安全框架知多少?
- 【金融项目】尚融宝项目(八)