人工智能期末考試

一. 單選題（共13題，共26分）

1. 下列說法錯誤的是？ 2分

A.傳統機器學習和深度學習本質都是“參數估計”，即找到一組符合優化條件的參數值

B.給定一個輸入，通過擬合一個復雜的公式得到一個輸出。這就是機器學習的一個基本框架，適合各種問題

C.神經網絡有三個關鍵點：加權和、非線性變換、多層連接

D.深度學習的訓練過程包括前向計算和損失函數兩部分

 

2. 與傳統機器學習方法相比，深度學習的優勢在於 2分

A.深度學習可以自動學習特征

B.深度學習不需要做數據預處理

C.深度學習不提取底層特征，如圖像邊緣、紋理等

D.深度學習不需要調參

 

3. 已知一個由全連接層構成的前饋神經網絡，輸入層有5個神經元，第一隱層有10個神經元，第二隱層有10個神經元，輸出層有2個神經元，則神經模型中共有多少條連接（不考慮偏置） 2分

A.80 B.1000 C.170 D.27

 

4. 在深度學習調參過程中，哪組參數是可以人為調整的？ 2分

A.訓練輪數、權重 w 值 B.學習率、訓練數據批次數、偏置 b 值 C.權重 w 和偏置 b 值 D.隱藏層數、卷積核大小、每層的卷積核個數

 

5. 在前饋神經網絡中，誤差后向傳播（BP算法）將誤差從輸出端向輸入端進行傳輸的過程中，算法會調整前饋神經網絡的什么參數？ 2分

A.輸入數據大小 B.相鄰層神經元之間的連接權重 C.同一層神經元之間的連接權重 D.神經元個數

 

6. 以下現象屬於過擬合的是 2分

A.訓練集Loss下降，測試集Loss上升 B.訓練集Loss上升，測試集Loss上升 C.訓練集Loss下降，測試集Loss下降 D.訓練集Loss下降，測試集Loss不變

 

7. 已知兩層3×3的卷積核與一層5×5的卷積核具有相同的感受野，那么前者（3×3）和后者（5×5）的參數量和計算量是什么關系 2分

A.前者參數量小、后者計算量更小

B.前者計算量小、后者參數量更小

√ C.前者的參數量和計算量都更小

D.后者的參數量和計算量都更小

（這個題寫錯了）

 

8. 以下哪一個關於卷積神經網絡的說法是錯誤的 2分

A.在神經元總數相當的情況下，增加網絡的深度可以比增加網絡寬度帶來更強的網絡表示能力

B.多元神經網絡可看成是一個復合的非線性多元函數

C.采用Relu激活函數比采用sigmoid函數更能避免梯度消失

D.參數越多網絡擬合能力越強，從而泛化能力越強

 

9. 假設一個具有 3 個神經元和輸入為 [4, 3, 2] 的簡單多層感知機模型。輸入神經元的權重分別為 3, 6 和 9。假設激活函數是3x，輸出是（不考慮偏置）？ 2分

A.144 B.48 C.96 D.81

 

10. 如果以某種方法給出了神經元准確的權重和偏置，就可以近似任何函數。實現這個最佳的方法是 2分

A.搜索所有權重和偏置的組合，直到得到最佳值

B.賦予權重和偏置一組初始值，通過比較前饋計算結果和真實值之間的誤差，然后反向迭代更新權重和偏置

C.隨機賦值，希望它們是正確的

D.以上都不正確

 

11. 如果使用的學習率太大，會導致 2分

A.網絡收斂的慢 B.網絡收斂的快 C.網絡無法收斂 D.不確定

 

12. 在ResNet的殘差結構中，會涉及到特征的相加操作，即H(x) = F(x) + x，該操作對F(x)和x的維度（H×W×C）有什么要求？ 2分

A.特征圖的尺寸（H×W）相同即可

B.特征圖的通道數（C）相同即可

C.特征圖的尺寸和通道數都不必相同

√ D.特征圖的尺寸和通道數必須完全相同

（這個題寫錯了）

 

13. 下面對梯度下降方法描述不正確的是 2分

A.梯度方向是函數值下降最快方向 B.梯度反方向是函數值下降最快方向 C.梯度下降算法用來優化深度學習模型的參數 D.梯度下降算法是一種使得損失函數最小化的方法

 

二. 多選題（共2題，共4分）

1. 相對於深度神經網絡（DNN），卷積神經網絡（CNN）模型做了哪些改變 2分

A.權重共享 B.采用softmax函數 C.全連接層 D.局部連接

 

2. 解決過擬合問題的方法有 2分

A.增加訓練集樣本數量 B.采用正則化方法 C.減少網絡隱藏層層數D.增加網絡參數

（這個寫錯了）