《深度學(xué)習(xí)》課后習(xí)題,,,,10《深度學(xué)習(xí)》課后習(xí)題邏輯回歸模型與神經(jīng)網(wǎng)絡(luò)-邏輯回歸模型與神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí)1.機(jī)器學(xué)習(xí)中模型的訓(xùn)練誤差和測(cè)試誤差是一致的。*A.對(duì)B.錯(cuò)正確答案：B2.機(jī)器學(xué)習(xí)中選擇的模型越復(fù)雜越好。*A.對(duì)B.錯(cuò)正確答案：B3.解決模型過擬合問題的一個(gè)方法是正則化。*A.對(duì)B.錯(cuò)正確答案：A4.模型在訓(xùn)練階段的效果不太好稱之為欠擬合。*A.對(duì)B.錯(cuò)正確答案：A5.如果模型的誤差于偏差較大，可以采用以下措施解決。*A.給數(shù)據(jù)增加更多的特征B.設(shè)計(jì)更復(fù)雜的模型C.增加更多的數(shù)據(jù)D.使用正則化正確答案：A,B6.如果模型的誤差于偏差較大，可以采用以下措施解決*A.給數(shù)據(jù)增加更多的特征B.設(shè)計(jì)更復(fù)雜的模型C.增加更多的數(shù)據(jù)D.使用正則化正確答案：A,B深度學(xué)習(xí)概述-深度學(xué)習(xí)概述-深度學(xué)習(xí)1.一個(gè)神經(jīng)元的作用相當(dāng)于一個(gè)邏輯回歸模型。*A.對(duì)B.錯(cuò)正確答案：A2.神經(jīng)網(wǎng)絡(luò)可以看成由多個(gè)邏輯回歸模型疊加而成。*A.對(duì)B.錯(cuò)正確答案：A3.神經(jīng)網(wǎng)絡(luò)的參數(shù)由所有神經(jīng)元連接的權(quán)重和偏差組成。*A.對(duì)B.錯(cuò)正確答案：A4.一個(gè)結(jié)構(gòu)確定的神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)一組函數(shù)—，而該神經(jīng)網(wǎng)絡(luò)的參數(shù)確定后就只對(duì)應(yīng)一個(gè)函數(shù)。*A.對(duì)B.錯(cuò)正確答案：A5.深度神經(jīng)網(wǎng)絡(luò)的深度一般是網(wǎng)絡(luò)隱藏層的數(shù)量。*A.對(duì)B.錯(cuò)正確答案：A6.神經(jīng)網(wǎng)絡(luò)從計(jì)算上可以看成矩陣運(yùn)算和非線性運(yùn)算的多次疊加而組成的復(fù)合函數(shù)，且網(wǎng)絡(luò)疊加的層次可看成復(fù)合函數(shù)的嵌套深度。*A.對(duì)B.錯(cuò)正確答案：A7.神經(jīng)網(wǎng)絡(luò)的層次和每層神經(jīng)元的數(shù)量可以通過以下哪些方法確定？*A.可隨意設(shè)定B.可人為進(jìn)行設(shè)計(jì)C.可通過進(jìn)化算法學(xué)習(xí)出來D.可通過強(qiáng)化算法學(xué)習(xí)出來正確答案：B,C,D8.深度學(xué)習(xí)興起的標(biāo)志性—包括。*A.AlphaGo在圍棋上擊敗李世石B.在圖像識(shí)別領(lǐng)域的準(zhǔn)確率超過人類C.___識(shí)別達(dá)到人類的水平D.深藍(lán)在國(guó)際象棋上擊敗卡斯帕羅夫正確答案：A,B,C梯度下降與反向傳播-梯度下降與反向傳播-深度學(xué)習(xí)1.隨機(jī)梯度下降運(yùn)行速度要比梯度下降慢。*A.對(duì)B.錯(cuò)正確答案：B2.特征縮放(featurescaling)目的是使得不同的特征有相同的比例。*A.對(duì)B.錯(cuò)正確答案：A3.反向傳播算法的提出是為了解決深度神經(jīng)網(wǎng)絡(luò)中梯度計(jì)算的效率問題。*A.對(duì)B.錯(cuò)正確答案：A4.反向傳播算法由前向傳遞，反向傳遞，兩個(gè)階段構(gòu)成。*A.對(duì)B.錯(cuò)正確答案：A5?在反向傳播算法中，反向傳遞過程可以看成一個(gè)沒有激活函數(shù)的反向的神經(jīng)網(wǎng)絡(luò)。*A.對(duì)B.錯(cuò)正確答案：B6.在深度學(xué)習(xí)中采用梯度下降方法往往達(dá)不到最優(yōu)解，而是在以下哪些情況下停止了。*A.鞍點(diǎn)B.局部極值點(diǎn)C.高原(plateau)點(diǎn)D.早停點(diǎn)正確答案：A,B,C,D7.隨機(jī)梯度下降相對(duì)于梯度下降，損失函數(shù)會(huì)呈現(xiàn)較強(qiáng)的抖動(dòng)。*A.對(duì)B.錯(cuò)正確答案：A深度學(xué)習(xí)編程-深度學(xué)習(xí)編程-深度學(xué)習(xí)1.基于Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)需要首先創(chuàng)建模型對(duì)象。*A.對(duì)B.錯(cuò)正確答案：A2.在Keras模型中每添加一個(gè)網(wǎng)絡(luò)層都需要設(shè)置輸入維度和輸出維度。*A.對(duì)B.錯(cuò)正確答案：B3.在Keras中可選的優(yōu)化方法有哪些？*A.SGDB.RMSpropC.AdagradD.AdadeltaE.AdamF.AdaxG.Nadam正確答案：，A,B,C,D,E深度學(xué)習(xí)訓(xùn)練技巧-深度學(xué)習(xí)訓(xùn)練技巧-深度學(xué)習(xí)1.模型在測(cè)試集上效果不好，可以認(rèn)為模型過擬合了。*A.對(duì)B.錯(cuò)正確答案：B2.采用sigmoid函數(shù)作為激活函數(shù)的深層次網(wǎng)絡(luò)出現(xiàn)梯度消失的原因是。*A.靠近輸出層的網(wǎng)絡(luò)參數(shù)的梯度較大，而靠近輸入層的網(wǎng)絡(luò)參數(shù)梯度較小；B.靠近輸出層的網(wǎng)絡(luò)參數(shù)變化較快，而靠近輸入層的網(wǎng)絡(luò)參數(shù)變化較慢C.當(dāng)靠近輸出層的網(wǎng)絡(luò)參數(shù)收斂時(shí)，靠近輸入層的網(wǎng)絡(luò)參數(shù)仍然是隨機(jī)的值D.sigmoid函數(shù)有將較大的輸入___轉(zhuǎn)換為較小的輸出___的特性正確答案：A,B,C,D3.在深度神經(jīng)網(wǎng)絡(luò)中ReLu函數(shù)取代sigmoid函數(shù)作為激活函數(shù)的原因是？*A.計(jì)算速度較快B.有生物學(xué)基礎(chǔ)C.可以看成無限多個(gè)有不同偏差的sigmoid函數(shù)的疊加D.有效地減緩了梯度消失問題正確答案：A,B,C,D4.以ReLu函數(shù)為激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)可以看成由已激活的神經(jīng)元組成的比原網(wǎng)絡(luò)要瘦的線性神經(jīng)網(wǎng)絡(luò)，因此以ReLu函數(shù)為激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)只能擬合線性函數(shù)。5-1*A.對(duì)B.錯(cuò)正確答案：B5.ReLu函數(shù)的變種包括*A.LeakyReluB.ParametrieReluC.TanhD.Maxout正確答案：A,B,D6.RMSProp梯度優(yōu)化算法是在學(xué)習(xí)率的基礎(chǔ)上除以歷史梯度的均方根誤差，其中歷史梯度會(huì)以一定的比率衰減，并且越早的梯度衰減越快。5-1*A.對(duì)B.錯(cuò)正確答案：A7.基于動(dòng)量（momentum）的梯度優(yōu)化方法是指損失函數(shù)的優(yōu)化方向不僅要考慮梯度而且要考慮過去的優(yōu)化方向。5-1*A.對(duì)B.錯(cuò)正確答案：A8.Adam優(yōu)化方法結(jié)合以下哪些優(yōu)化方法*A.RMSPropB.AdagradC.MomentumD.VanillaGrantDesnt正確答案：A,C9.以下哪種方法有可能解決模型在測(cè)試集上效果不好的問題。*A.EarlyStoppingB.RegulizationC.DropoutD.AdaptiveLearningRate正確答案：A,B,C10.L2正則項(xiàng)的效果是使得參數(shù)相對(duì)偏小。*A.對(duì)B.錯(cuò)正確答案：A11.L1正則項(xiàng)的效果是使得參數(shù)比較稀疏，即0的個(gè)數(shù)較多。*A.對(duì)B.錯(cuò)正確答案：A12.Dropout以一定的概率關(guān)閉掉神經(jīng)元，從而改變網(wǎng)絡(luò)的結(jié)構(gòu)。*A.對(duì)B.錯(cuò)正確答案：A13.使用Dropout方法在訓(xùn)練階段以p的概率關(guān)閉神經(jīng)元的話，在測(cè)試階段則需要將權(quán)重乘以1-p。*A.對(duì)B.錯(cuò)正確答案:A14.Dropout方法可看成一種集成學(xué)習(xí)方法。*A.對(duì)B.錯(cuò)正確答案：A卷積神經(jīng)網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí)1.N圖像識(shí)別設(shè)計(jì)所考慮的三個(gè)準(zhǔn)則是。*A.圖像中存在遠(yuǎn)小于整個(gè)圖像大小的模式B.一個(gè)模式在不同圖像中可能位于不同的位置C.改變圖像的分辨率不會(huì)影響對(duì)圖像中物體的識(shí)別D.不采用全連接可以減少網(wǎng)絡(luò)參數(shù)正確答案：A,B,C2.由N構(gòu)成的分類模型中一般包含如下網(wǎng)絡(luò)層。*A.全連接層B.拉直層C.池化層D.卷積層正確答案：A,B,C,D3.N中池化層所起的作用包括。*A.識(shí)別圖像中的子模式B.識(shí)別圖像中位于不同位置的模式C.降低圖像采樣率D.獲取圖像的恒定表征正確答案：C,D4.以下屬于N可視化可解釋性方法的是。*A.可視化卷積神經(jīng)網(wǎng)絡(luò)的中間輸出B.可視化卷積神經(jīng)網(wǎng)絡(luò)的過濾器C.可視化網(wǎng)絡(luò)權(quán)重D.可視化圖像中類激活的熱力圖正確答案：A,C,D5.AlphaGo中用到了池化層。*A.對(duì)B.錯(cuò)正確答案：B6.在文本分析和—識(shí)別中都可以用到卷積神經(jīng)網(wǎng)絡(luò)。*A.對(duì)B.錯(cuò)正確答案：A深層網(wǎng)絡(luò)的意義-深層網(wǎng)絡(luò)的意義-深度學(xué)習(xí)1.深層神經(jīng)網(wǎng)絡(luò)和淺層神經(jīng)網(wǎng)絡(luò)從對(duì)函數(shù)的表示能力角度來看是差不多的。*A.對(duì)B.錯(cuò)正確答案：A2.對(duì)于同樣的機(jī)器學(xué)習(xí)任務(wù)，淺層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)所需要的數(shù)據(jù)量是一樣的。*A.對(duì)B.錯(cuò)正確答案：B3.對(duì)于同樣的機(jī)器學(xué)習(xí)任務(wù)，深層神經(jīng)網(wǎng)絡(luò)相對(duì)于淺層神經(jīng)網(wǎng)絡(luò)效率上更高。*A.對(duì)B.錯(cuò)正確答案：A4.對(duì)于同樣參數(shù)規(guī)模的淺層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)的準(zhǔn)確率是差不多的。*A.對(duì)B.錯(cuò)正確答案：B5.相比于淺層神經(jīng)網(wǎng)絡(luò)，深層神經(jīng)網(wǎng)絡(luò)實(shí)際上利用了模塊化的思想。*A.對(duì)B?錯(cuò)正確答案：A詞嵌入模型-詞嵌入模型-深度學(xué)習(xí)1.詞嵌入(WordEmbedding)是一種無監(jiān)督的學(xué)習(xí)方法。*A.對(duì)B?錯(cuò)正確答案：A2?詞嵌入不需要損失函數(shù)。*A.對(duì)B.錯(cuò)正確答案：B3.以下關(guān)于詞嵌入模型說___確的是。*A.國(guó)家和首都直接的關(guān)系在詞嵌入模型中可以保留B.英語詞匯的時(shí)態(tài)關(guān)系在詞嵌入模型中可以保留C.動(dòng)物類別及其亞種之間的關(guān)系在詞嵌入模型中可以保留D.“國(guó)王-王后”與“叔叔-阿姨”之間的類別關(guān)系在詞嵌入模型中可以保留正確答案：A,B,C,D4.以下關(guān)于詞嵌入模型說法不正確的是。*A.在多語言嵌入模型中，不同語言的具有相似語義信息的詞匯可以得到類似的嵌入表達(dá)B.在多領(lǐng)域嵌入模型中，不同領(lǐng)域（文本、圖像、___等）的具有相似語義信息的實(shí)體可以得到類似的嵌入表達(dá)C.整個(gè)文檔的嵌入表達(dá)可以由詞匯的嵌入表達(dá)構(gòu)成D.詞嵌入模型有考慮詞匯在句子中的先后關(guān)系。正確答案：D循環(huán)神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí)1.PCA也可以看成一種自編碼器模型。*A.對(duì)B.錯(cuò)正確答案：A2.深度自編碼器的解碼器和編碼器必須是對(duì)稱的。*A.對(duì)B.錯(cuò)正確答案：B3.在基于卷積的自編碼器中卷積運(yùn)算和反卷積運(yùn)算實(shí)際上是一回事。*A.對(duì)B.錯(cuò)正確答案：A4.PCA也可以看成一種自編碼器模型。*A.對(duì)B.錯(cuò)正確答案：A5.自編碼器分為編碼器、解碼器兩個(gè)部分。*A.對(duì)B.錯(cuò)正確答案：A6.深度自編碼器的解碼器和編碼器必須是對(duì)稱的。*A.對(duì)B.錯(cuò)正確答案：B7.自編碼器訓(xùn)練時(shí)的損失函數(shù)是通過對(duì)比輸入、輸出的差異來確定的。*A.對(duì)B.錯(cuò)正確答案：A8.在基于卷積的自編碼器中卷積運(yùn)算和反卷積運(yùn)算實(shí)際上是一回事。*A.對(duì)B.錯(cuò)正確答案：A自編碼器-自編碼器-深度學(xué)習(xí)1.循環(huán)神經(jīng)網(wǎng)絡(luò)給神經(jīng)網(wǎng)絡(luò)提供了時(shí)序記憶能力。*A.對(duì)B.錯(cuò)正確答案：A2.在循環(huán)神經(jīng)網(wǎng)絡(luò)的不同版本中，El___n網(wǎng)絡(luò)和Jordan網(wǎng)絡(luò)的差別在于隱藏層輸入—的不盡相同。*A.對(duì)B.錯(cuò)正確答案：A3.以下屬于循環(huán)神經(jīng)網(wǎng)絡(luò)的是？*A.El—n網(wǎng)絡(luò)B.Jordan網(wǎng)絡(luò)C.LSTMD.GRU正確答案：A,B,C,D4.循環(huán)神經(jīng)網(wǎng)絡(luò)的潛在應(yīng)用包括？*A.機(jī)器翻譯B.聊天機(jī)器人C.視頻字幕生成D.閱讀理解正確答案：A,B,C,D5.GRU相比于LSTM要復(fù)雜一些。*A.對(duì)B.錯(cuò)正確答案：B6.循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)采用的優(yōu)化算法是BPTT。*A.對(duì)B.錯(cuò)正確答案：A遷徙學(xué)習(xí)-遷徙學(xué)習(xí)-深度學(xué)習(xí)1.所謂遷徙學(xué)習(xí)是指將從源數(shù)據(jù)領(lǐng)域?qū)W到的知識(shí)遷徙到有一定相關(guān)性但不太相同的目標(biāo)數(shù)據(jù)領(lǐng)域。*A.正確B.錯(cuò)誤正確答案：A2.以下哪種遷徙學(xué)習(xí)屬于源數(shù)據(jù)和目標(biāo)數(shù)據(jù)都是有標(biāo)簽的。*A.微調(diào)(Fine-tuning)B.自學(xué)習(xí)(Self-taughtlearning)C.多任務(wù)學(xué)習(xí)(Multi-tasklearning)D.零樣本學(xué)習(xí)(Zero-shotlearning)正確答案：A,B3.以下哪種遷徙學(xué)習(xí)屬于源數(shù)據(jù)和目標(biāo)數(shù)據(jù)分別是有標(biāo)簽和無標(biāo)簽的*A.對(duì)抗領(lǐng)域訓(xùn)練(DoinAdversarialTraining)B.自學(xué)習(xí)(Self-taughtlearning)C.多任務(wù)學(xué)習(xí)(Multi-tasklearning)D.零樣本學(xué)習(xí)(Zero-shotlearning)正確答案：A,D4.以下哪種遷徙學(xué)習(xí)屬于源數(shù)據(jù)和目標(biāo)數(shù)據(jù)分別是無標(biāo)簽和有標(biāo)簽的。*A.對(duì)抗領(lǐng)域訓(xùn)練(DoinAdversarialTraining)B.自學(xué)習(xí)(Self-taughtlearning)C.多任務(wù)學(xué)習(xí)(Multi-tasklearning)D.零樣本學(xué)習(xí)(Zero-shotlearning)正確答案：B5.以下哪種遷徙學(xué)習(xí)屬于源數(shù)據(jù)和目標(biāo)數(shù)據(jù)都是無標(biāo)簽的。*A.微調(diào)(Fine-tuning)B.自學(xué)習(xí)(Self-taughtlearning)C.多任務(wù)學(xué)習(xí)(Multi-tasklearning)D.自學(xué)習(xí)聚類(Self-taughtClustering)正確答案：D6.谷歌的多語言翻譯模型是一種零樣本學(xué)習(xí)。*A.正確B.錯(cuò)誤正確答案：A7.零樣本學(xué)習(xí)是指目標(biāo)任務(wù)中的數(shù)據(jù)利用與源數(shù)據(jù)的樣本的各個(gè)特征屬性的相似性以及源數(shù)據(jù)的標(biāo)簽推斷出目標(biāo)數(shù)據(jù)的類別。*A.正確B.錯(cuò)誤正確答案：A8.領(lǐng)域?qū)褂?xùn)練(DoinAdversarialTraining)與對(duì)抗生成網(wǎng)絡(luò)(GAN)有些類似。*A.正確B.錯(cuò)誤正確答案：A9.領(lǐng)域?qū)褂?xùn)練利用源數(shù)據(jù)訓(xùn)練好的模型中的特征提取部分提取特征，而目標(biāo)數(shù)據(jù)的分類部分則基于目標(biāo)數(shù)據(jù)而設(shè)計(jì)，并且加上一個(gè)領(lǐng)域分類器(區(qū)分源數(shù)據(jù)領(lǐng)域和目標(biāo)數(shù)據(jù)領(lǐng)域)，優(yōu)化目標(biāo)是一方面最大化目標(biāo)數(shù)據(jù)分類器的準(zhǔn)確性，另一方面減少領(lǐng)域分類器的準(zhǔn)確性。()*A.正確B.錯(cuò)誤正確答案：A10.多任務(wù)學(xué)習(xí)是指不同的學(xué)習(xí)任務(wù)共享神經(jīng)網(wǎng)絡(luò)的某些網(wǎng)絡(luò)層。*A.正確B.錯(cuò)誤正確答案：A11.多任務(wù)學(xué)習(xí)中不同的任務(wù)的特征提取層都是一樣的。*A.正確B.錯(cuò)誤正確答案：B12.—識(shí)別通?！磾?shù)據(jù)模型的前幾層，圖像識(shí)別通常___源數(shù)據(jù)模型的后幾層。*A.正確B.錯(cuò)誤正確答案：B集成學(xué)習(xí)-集成學(xué)習(xí)-深度學(xué)習(xí)1.1、集成學(xué)習(xí)中的Bagging機(jī)制本質(zhì)上利用不同模型往往不會(huì)同時(shí)出錯(cuò)的特點(diǎn)減少了模型的誤差。*A.正確B.錯(cuò)誤正確答案：A2.以下屬于Baggin模型的是。*A.決策樹B.隨機(jī)森林C.AdaBoostD.Stacking正確答案：B3.Bagging機(jī)制利用選舉或者平均的方式從多個(gè)嵌入的分類模型的輸出中得出集成模型的分類結(jié)果。*A.正確B.錯(cuò)誤正確答案：A4.隨機(jī)森林是將Baggi