深度学习笔试100题.pdf-资料库

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第1页.png

第1页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第2页.png

第2页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第3页.png

第3页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第4页.png

第4页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第5页.png

第5页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第6页.png

第6页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第7页.png

第7页 / 共35页

0b5badc3-f544-4e0f-8b43-df8f0f960ec5.pdf-第8页.png

第8页 / 共35页

2019/7/16 文章目录： 2_深度学习笔试100题.md https://www.julyedu.com/question/select/kp_id/26 ** 七月在线，笔试练习——深度学习** 1、梯度下降算法的正确步骤是什么？ 1.计算预测值和真实值之间的误差 2.重复迭代，直至得到网络权重的最佳值 3.把输入传入网络，得到输出值 4.用随机值初始化权重和偏差 5.对每一个产生误差的神经元，调整相应的（权重）值以减小误差 A、1, 2, 3, 4, 5 B、5, 4, 3, 2, 1 C、3, 2, 1, 5, 4 D、4, 3, 1, 5, 2 答案：D 解析： 2、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、加入更多层，使神经网络的深度增加 B、有维度更高的数据 C、当这是一个图形识别的问题时 D、以上都不正确答案：A 解析：更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型，目前如果有超过2层的隐层，那么也可以及叫做深度模型。 § 1/35

2019/7/16 2_深度学习笔试100题.md 3、训练CNN时，可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。这么说是对，还是不对？ A、对 B、不对答案：A 这题选错解析：如寒sir所说，训练CNN时，可以进行这些操作。当然也不一定是必须的，只是data augmentation扩充数据后，模型有更多数据训练，泛化能力可能会变强。 § 4、下面哪项操作能实现跟神经网络中Dropout的类似效果？ A、Boosting B、Bagging C、Stacking D、Mapping 答案：B 这题选错解析： Dropout可以认为是一种极端的Bagging，每一个模型都在单独的数据上训练，同时，通过和其他模型对应参数的共享，从而实现模型参数的高度正则化。 5、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、以上都不正确答案：B 解析：修正线性单元是非线性的激活函数。 § § 6、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？ A、学习率(learning rate)太低 B、正则参数太高 2/35

2019/7/16 C、陷入局部最小值 D、以上都有可能答案：D 解析： 2_深度学习笔试100题.md § 7、下列哪项关于模型能力（model capacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力） A、隐藏层层数增加，模型能力增加 B、Dropout的比例增加，模型能力增加 C、学习率增加，模型能力增加 D、都不正确答案：A 解析： § 8、如果增加多层感知机（Multilayer Perceptron）的隐藏层层数，分类误差便会减小。这种陈述正确还是错误？ A、正确 B、错误答案：B 解析：并不总是正确。层数增加可能导致过拟合，从而可能引起错误增加。 § 9、构建一个神经网络，将前一层的输出和它自身作为输入。下列哪一种架构有反馈连接？ A、循环神经网络 B、卷积神经网络 C、限制玻尔兹曼机 D、都不是答案：A 解析： § 3/35

2019/7/16 2_深度学习笔试100题.md § 10、在感知机中（Perceptron）的任务顺序是什么？ 1 随机初始化感知机的权重 2 去到数据集的下一批（batch） 3 如果预测值和输出不一致，则调整权重 4 对一个输入样本，计算输出值 A、1, 2, 3, 4 B、4, 3, 2, 1 C、3, 1, 2, 4 D、1, 4, 3, 2 答案：D 解析： § 11、假设你需要调整超参数来最小化代价函数（cost function），会使用下列哪项技术？ A、穷举搜索 B、随机搜索 C、Bayesian优化 D、都可以答案：D 这题选错，选了C 解析： § 12、在下面哪种情况下，一阶梯度下降不一定正确工作（可能会卡住）？答案： B 解析：这是鞍点（Saddle Point）的梯度下降的经典例子。另，本题来源于： https://www.analyticsvidhya.com/blog/2017/01/must-know-questions-deep-learning/ § 13、下图显示了训练过的3层卷积神经网络准确度，与参数数量(特征核的数量)的关系。从图中趋势可见，如果增加神经网络的宽度，精确度会增加到一个特定阈值后，便开始降低。 4/35

2019/7/16 2_深度学习笔试100题.md 造成这一现象的可能原因是什么？ A、即使增加卷积核的数量，只有少部分的核会被用作预测 B、当卷积核数量增加时，神经网络的预测能力（Power）会降低 C、当卷积核数量增加时，导致过拟合 D、以上都不正确答案：C 解析：网络规模过大时，就可能学到数据中的噪声，导致过拟合 § 14、假设我们有一个如下图所示的隐藏层。隐藏层在这个网络中起到了一定的降纬作用。假如现在我们用另一种维度下降的方法，比如说主成分分析法(PCA)来替代这个隐藏层。那么，这两者的输出效果是一样的吗？ A、是 B、否答案： B 解析： PCA 提取的是数据分布方差比较大的方向，隐藏层可以提取有预测能力的特征 § 15、下列哪个函数不可以做激活函数？ A、y = tanh(x) B、y = sin(x) C、y = max(x,0) D、y = 2x 答案是：D 这题选错啦，选择了 B （激活函数非线性）解析：线性函数不能作为激活函数。 § 16、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 5/35

2019/7/16 C、全连接神经网络 D、选项A和B 答案是：D 解析： 2_深度学习笔试100题.md § 17、批规范化(Batch Normalization)的好处都有啥？ A、让每一层的输入的范围都大致固定 B、它将权重的归一化平均值和标准差 C、它是一种非常有效的反向传播(BP)方法 D、这些均不是答案是：A 解析： § 18、在一个神经网络中，下面哪种方法可以用来处理过拟合？ A、Dropout B、分批归一化(Batch Normalization) C、正则化(regularization) D、都可以答案是：D 解析：对于选项A, Dropout 可以在训练过程中适度地删减某些神经元, 借此可以减小过拟合的风险. 对于选项B, 分批归一化处理过拟合的原理，是因为同一个数据在不同批中被归一化后的值会有差别，相当于做了data augmentatio。对于选项C，正则化(regularization)的加入,本身就是为了防止过拟合而做的操作. 因此答案是D § 19、如果我们用了一个过大的学习速率会发生什么？ A、神经网络会收敛 B、不好说 C、都不对 D、神经网络不会收敛 6/35

2019/7/16 2_深度学习笔试100题.md 答案是：D 这题选错啦，选择了 B 解析：可能是我考虑的有些极端啦，大部分情况下，会出现其在震荡，梯度长时间不更新，就是因为学习率较大导致的 § 20、下图所示的网络用于训练识别字符H和T，如下所示答案是：D 解析：不知道神经网络的权重和偏差是什么，则无法判定它将会给出什么样的输出。 § 21、神经网络模型（Neural Network）因受人类大脑的启发而得名 enter description here 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？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、每个神经元可以有一个输入和一个输出 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、上述都正确正确答案是：E，的选择是： B 解析：每个神经元可以有一个或多个输入，和一个或多个输出。 § 22、在一个神经网络中，知道每一个神经元的权重和偏差是最重要的一步。如果知道了神经元准确的权重和偏差，便可以近似任何函数，但怎么获知每个神经的权重和偏移呢？ 7/35

2019/7/16 2_深度学习笔试100题.md A、搜索每个可能的权重和偏差组合，直到得到最佳值 B、赋予一个初始值，然后检查跟最佳值的差值，不断迭代调整权重 C、随机赋值，听天由命 D、以上都不正确的正确答案是： B，您的选择是： B 解析：选项B是对梯度下降的描述。 § 23、基于二次准则函数的H-K算法较之于感知器算法的优点是()？ A、计算量小 B、可以判别问题是否线性可分 C、其解完全适用于非线性可分的情况正确答案是： B，您的选择是：A 解析： HK算法思想很朴实,就是在最小均方误差准则下求得权矢量. 他相对于感知器算法的优点在于,他适用于线性可分和非线性可分得情况,对于线性可分的情况, 给出最优权矢量,对于非线性可分得情况,能够判别出来,以退出迭代过程。来源：@刘炫320，链接：http://blog.csdn.net/column/details/16442.html § 24、输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3， padding 1，stride 1）之后，输出特征图大小为 A、95 B、96 C、97 D、98 正确答案是：C，您的选择是：C 解析：首先我们应该知道卷积或者池化后大小的计算公式，其中，padding指的是向外扩展的边缘大小，而stride则是步长，即每次移动的长度。这样一来就容易多了，首先长宽一般大，所以我们只需要计算一个维度即可，这样，经过第一次卷积后的大小为: 本题（200-5+2 * 1）/2+1 为99.5，取99，向下取整 8/35

资料库

深度学习笔试100题.pdf

相关推荐

人工智能

热门标签

最新资料