深度学习及其应用（复旦大学） 中国大学mooc慕课答案2024版 m54822

第一单元 神经网络基础 第一单元 单元测验

1、 下面哪种结果不是利用机器学习算法从数据中得到的？

答案: 常识

2、 有关神经网络训练时使用的学习率参数说法错误的是？

答案: 学习率过大更容易导致训练陷入局部极小值。

3、 下面哪个选项不是神经网络训练过程中过拟合的防止方法？

答案: 增加学习率

4、 下面有关神经网络的说法，错误的是？

答案: 神经网络神经元的输出都是传给其他神经元，不能再反馈回来

5、 关于训练样本的描述中，正确的说法是哪些？

答案: 样本越少，模型的方差越大

6、  有关BP神经网络的说法，错误是哪个？

答案: 训练时新样本的加入对已经学习的样本没啥影响

7、 有关神经网络参数初始化的说法错误的是哪个？

答案: 权重和偏置都可以取全零初始化

8、 有关BP网络的说法，哪个是错误的？

答案: 交叉熵也可以作为回归预测问题的损失函数

9、 sigmoid激活函数y=1/(1+)的导数是以下哪一个？

答案: y(1-y)

10、 梯度消失问题的认识哪个是正确的？

答案: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新

11、 有关数据预处理对神经网络的影响，以下哪个说法是错误的？

答案: BP神经网络的输入属性不需要筛选，因为网络本身有特征获取能力

12、 下面关于单个神经元输入输出正确的是哪个？

答案:   一个神经元可以有多个输入和多个输出

13、 一个含有2个隐层的BP神经网络，神经元个数都为20，输入和输出节点分别有8和5个节点，这个网络的权重和偏置数分别是多少？

答案: 660，45

14、 以下不属于超参的是哪个因素？

答案: 输出编码形式

15、 有关神经网络训练过程的说法，正确的是？

答案: 使用增加训练次数的方法不一定可以减少代价函数的取值;
神经网络权重的初始化大小会对网络的训练结果影响;
对神经网络训练的优化需要综合考虑激活函数、网络结构、权重更新方法等多种因素

16、 激活函数通过具有以下哪些性质？

答案: 单调性;
非线性;
计算简单;
可微性

17、 关于模型参数（权重值）的描述，正确的说法是哪些？

答案: 每一次Epoch都会对之前的参数进行调整，迭代次数越多，损失函数一般越小;
训练好的神经网络模型存储于一定结构的神经元之间的权重和神经元的偏置中;
在训练神经网络过程中，参数不断调整，其调整的依据是基于损失函数不断减少

18、 减少神经网络过拟合的说法，以下哪些是正确的？

答案: 通过正则化可以减少网络参数的取值或个数，一定程度可能减少过拟合;
利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合;
在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

19、 有关数据增强的说法正确是哪些？

答案: 对于分类问题，数据增强是减少数据不平衡的一种方法。;
对于手写体的识别，对样本的反转、旋转、裁剪、变形和缩放等操作会提高神经网络的识别效果;
数据增强会增加样本的个数，因此可能会减少过拟合

第二单元 深度学习在人工智能中的应用 第二单元 单元测验

1、 以下哪种问题不适合使用深度学习解决？

答案: 银行信用卡客户欺诈检测

2、 有关人工智能、深度学习和机器学习的关系，以下哪个认识是错误的？

答案: 深度学习与机器学习是相对独立的技术

3、 有关深度学习的说法，哪个是正确的？

答案: 深度学习的基础是神经网络，因此深度学习算法基本可以使用梯度下降法

4、 与传统的分类机器学习算法相比，深度学习网络不同之处不是下面哪项？

答案: 深度学习算法不需要对数据进行预处理

5、 下面哪个不是深度学习的常见框架？

答案: MySQL

6、 在选择深度学习开源框架时，下面哪个不是主要考虑的因素？

答案: 价格

7、 深度学习算法的三要素是指以下哪些方面？

答案: 模型;
学习准则;
优化算法

8、 有关深度学习的不足，以下哪些看法是正确的？

答案: 深度学习算法对数据量的要求一般都比较高，当样本不足时往往效果不好;
深度神经网络一般要优化的参数众多，因此对计算资源的要求比较高;
深度学习算法可以获得图像、文本和声音等数据的特征，但难以解释这些特征

第三单元 CNN卷积神经网络 第三单元 单元测验

1、 关于深度学习的说法中，下面说法正确的是：

答案: 与Sigmoid函数相比，Relu较不容易使网络产生梯度消失

2、 下面关于池化的描述中，错误的是哪个？

答案: 池化的常用方法包括最大化池化、最小化池化、平均化池化、全局池化

3、 下面关于CNN的描述中，错误的是哪个？

答案: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变

4、 下面关于深度学习网络结构的描述，正确的说法是哪个？

答案: 深层网络结构中，学习到的特征一般与神经元的参数量有关，也与样本的特征多寡相关

5、 假设输入是一个300×300的彩色（RGB）图像，使用全链接神经网络。如果第一个隐藏层有100个神经元，那么这个隐藏层一共有多少个参数（包括偏置参数）？

答案: 27,000,100

6、 假设输入是一张300×300彩色图像，第一个隐藏层使用了100个5*5卷积核做卷积操作，这个隐藏层有多少个参数（包括偏置参数）？

答案: 7600

7、 有一个44x44x16的输入，并使用大小为5×5的32个卷积核进行卷积，步长为1，无填充（nopadding），输出是多少？

答案: 404032

8、 对于65x65x6的输入特征图，用32个55的卷积核（过滤器）进行卷积，步幅为2，padding值为2，得到的特征图大小是哪个？

答案: 3333*32

9、 对于32x32x6的输入特征图，使用步长为2，核大小为2的最大池化，请问输出特征图的大小是多少？

答案: 16166

10、 假设一个卷积神经网络，第一个全连接层前的池化层输出为1212250，其展开的向量长度为？

答案: 36000

11、 假设某卷积层的输入和输出特征图大小分别为63636和313112，卷积核大小是5*5，步长为2，那么Padding值为多少？

答案: 1

12、 假设某卷积层的输入特征图大小为36326，卷积核大小是53，通道为20个，步长为1，没有padding，那么得到的特征图大小为？

答案: 3230*20

13、 下面哪种操作不可以改善卷积网络训练的稳定性？

答案: 冲量项

14、 有关卷积核的大小对卷积神经网络的影响，哪个说法是正确的？

答案: 小的卷积核级联的效果等价于大卷积核的效果，但权重等参数会大大减少

15、 对于神经网络而言，哪个不是输入的标准化的作用？

答案: 减少网络的过拟合

16、 以下有关卷积神经网络的说法，哪些是错误的？

答案: 卷积核中的取值都是事先人工设计的，在网络的训练过程中不变化;
卷积核越大，即感受野越大，网络需要优化的参数越少，训练速度越快

17、 有关通道的说法，哪些说法是正确的？

答案: 通道数越多，获得的特征图越多，网络获得的特征越充分;
随着卷积网络深度的增加，一般使用更小的卷积核和更多的通道，兼顾训练速度和网络分类性能

18、 下面有关卷积神经网络的说法，哪些是正确的？

答案: 卷积核的高和宽不一定是相等的，且一般大小取奇数;
在特征图padding时，各方向的填充像素数不一定相同（不对称填充），也不一定补0;
卷积神经网络的输出层不一定用全连接网络，也可能得到比较好的性能

19、 以下哪些方法能改进卷积神经网络的训练质量？

答案: 权重归一化;
dropout;
batch nomalization

20、 下面关于池化的描述中，正确的的说法有哪些？

答案: 池化方法也可以自定义;
池化在CNN中没有增加可训练的参数，但减少较多的计算量，加快模型训练时间;
在人脸识别中采用较多池化的原因是为了获得人脸部的高层特征

21、 池化（下采样）层的神经元不具有需要优化的参数，但它们影响反向传播的计算。

答案: 错误

22、 在卷积网络中，卷积层的参数是卷积核和偏置，池化层没有参数，因此在误差反向传播时只要优化卷积层的参数。

答案: 正确

23、 以股票预测为例，在同样的条件下，二维卷积的准确度一定好好于一维卷积。

答案: 错误

第四单元 典型卷积神经网络算法 第四单元 单元测验

1、 梯度消失和梯度爆炸不会导致下面哪种情况？

答案: 梯度爆炸会加快网络训练，更易达到最优解

2、 以下哪个不是AlexNet的创新点？

答案: 共享权重

3、 AlexNet使用ReLU激活函数的好处不包括以下哪个方面？

答案: 梯度为0时神经元难以正常工作

4、 在池化中，当步长小于卷积核的大小时会称为重叠池化。与非重叠池化相比，下面哪个不是重叠池化的优点？

答案: 减少计算量

5、 有关VGG网络的说法，以下哪个说法是错误的？

答案: 卷积层与池化层是一一配对的

6、 VGG对图像的分类准确度高于AlexNet的原因可能不是下面的哪一项？

答案: 训练次数多

7、 以下卷积神经网络优化的方法正确的是哪个？

答案: 增加池化层的个数可以提高网络训练参数，但降低了网络性能

8、 对于GoogLeNet网络，以下哪个说法是错误的？

答案: GoogLeNetL的两个辅助分类器的主要目的是增加分类子模型，提高分类准确度

9、 ResNet中引入shortcut的功能不包括以下哪一个？

答案: 减少了计算量

10、 ResNet的特点不包括以下哪一点？

答案: 模型参数明显增加

11、 对于卷积神经网络而言，减少梯度消失可以采用以下哪些方法？

答案: 增大学习率;
减少网络深度（隐层个数）;
skip connection

下方是付费阅读内容：本平台商品均为虚拟商品，无法用作二次销售，不支持退换货，请在购买前确认您需要购买的资料准确无误后再购买，望知悉！

完整答案需点击上方按钮支付5元购买,所有答案均为章节测试答案，购买后上方矩形框将出现已付费的隐藏内容。

不知道怎么购买？点此查看购买教程！