深度學(xué)習(xí)智慧樹知到期末考試答案2024年深度學(xué)習(xí)目前深度學(xué)習(xí)采用的技術(shù)和下列()項智能技術(shù)的關(guān)系最緊密。

A:符號智能B:神經(jīng)網(wǎng)絡(luò)C:不確定智能D:知識表示答案:神經(jīng)網(wǎng)絡(luò)下面屬于BP的缺點的是（）

A:BP神經(jīng)網(wǎng)絡(luò)結(jié)果選擇不一B:BP網(wǎng)絡(luò)不會受到訓(xùn)練能力影響C:BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢D:適應(yīng)大部分數(shù)據(jù)訓(xùn)練模式答案:BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢###BP神經(jīng)網(wǎng)絡(luò)結(jié)果選擇不一計算圖從創(chuàng)建到真正執(zhí)行的過程中經(jīng)歷了多次處理，具體包括以下哪些步驟（）

A:計算圖分配B:計算圖剪枝C:計算圖切分D:計算圖優(yōu)化答案:計算圖剪枝###計算圖分配###計算圖優(yōu)化###計算圖切分BP算法的兩個階段（）

A:反向輸出傳播B:輸入模式正向計算傳播C:循環(huán)記憶訓(xùn)練D:誤差反向傳播E:學(xué)習(xí)結(jié)果判別答案:輸入模式正向計算傳播###誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)的基本特征有（）

A:非局限性B:非線性C:非凸性D:非常定性答案:非凸性###非局限性###非常定性###非線性VGG網(wǎng)絡(luò)架構(gòu)中，采用的卷積核的大小為（）

A:5x5B:3x3C:11x11D:1x1答案:3x3###1x1VGG網(wǎng)絡(luò)架構(gòu)中，常用的架構(gòu)為（）

A:VGG17B:VGG16C:VGG18D:VGG19答案:VGG16###VGG19CycleGAN的生成器網(wǎng)絡(luò)結(jié)構(gòu)由編碼層（Encoding）和轉(zhuǎn)換層（Transformation）構(gòu)成。（）

A:錯B:對答案:錯TensorFlow中引入了執(zhí)行流概念。對計算圖中的每個節(jié)點，執(zhí)行器將進行流分配，無數(shù)據(jù)依賴的節(jié)點分配到同一流中，有數(shù)據(jù)依賴的節(jié)點分配到不同流中。（）

A:對B:錯答案:錯TensorFlow中使用計算圖來描述機器學(xué)習(xí)算法的計算過程，展示機器學(xué)習(xí)算法中所有的計算和狀態(tài)。（）

A:對B:錯答案:對TensorFlow提供了本地分布式執(zhí)行和分布式本地執(zhí)行兩種執(zhí)行方式。（）

A:對B:錯答案:對數(shù)據(jù)預(yù)處理對數(shù)據(jù)進行整合，分訓(xùn)練營、測試集以及驗證集等。()

A:對B:錯答案:對TensorFlow中不同設(shè)備和機器間的通信都由Send和Recv節(jié)點進行，而Send和Recv使用Rendezvous機制完成數(shù)據(jù)交互Rendezvous是一個基于生產(chǎn)消費者—消費生產(chǎn)者模型設(shè)計的抽象類。（）

A:對B:錯答案:對占位符是TensorFlow特有的數(shù)據(jù)結(jié)構(gòu)，它本身沒有初值和內(nèi)存分配。（）

A:錯B:對答案:錯在DCGAN中，判別器中使用的激活函數(shù)為LeakyReLu。（）

A:錯B:對答案:對ResNet網(wǎng)絡(luò)結(jié)構(gòu)中，包括兩種類型的殘差塊，實線殘差結(jié)構(gòu)和虛線殘差結(jié)構(gòu)。（）

A:對B:錯答案:對自動求導(dǎo)是一種介于數(shù)值符號求導(dǎo)和符號數(shù)值求導(dǎo)之間的方法（類似于兩種方法的融合）。（）

A:錯B:對答案:對算子是TensorFlow的基本單元。()

A:錯B:對答案:對設(shè)備是TensorFlow運行時的實體，每個設(shè)備都負責(zé)一個子圖的運算。()

A:錯B:對答案:對神經(jīng)網(wǎng)絡(luò)中各個隱藏層能提取出和人類看到的一樣的特征。（）

A:錯B:對答案:錯AlexNet有兩個較大的創(chuàng)新點，一個是使用了Relu激活函數(shù)，加快了模型的學(xué)習(xí)過程，另一個就是加入了dropout，可以防止模型的過擬合。（）

A:錯B:對答案:對程序開發(fā)過程中，常見的編程方式有兩種：命令聲明式編程和聲明命令式編程。（）

A:對B:錯答案:對VGG模型的常用架構(gòu)是VGG16（數(shù)字“16”代表網(wǎng)絡(luò)有16個權(quán)重層（）

A:錯B:對答案:對人工神經(jīng)網(wǎng)絡(luò)層數(shù)增多后通常會遇到梯度爆炸、梯度出現(xiàn)等問題。（）

A:錯B:對答案:錯目標檢測是一類重要的計算機視覺算法，這類算法可以同時完成目標提取和目標提煉。（）

A:錯B:對答案:錯DenseNets有幾個引入注目的優(yōu)勢：緩解了梯度消失、加強了特征傳播、增強了特征復(fù)用和通過較少的通道數(shù)減少參數(shù)量。（）

A:錯B:對答案:對不同框架的區(qū)別為網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化器和函數(shù)等等都是大同小異()

A:對B:錯答案:對一個完整的人工神經(jīng)網(wǎng)絡(luò)包括多層分析層和多層隱藏層。（）

A:錯B:對答案:錯單個人工神經(jīng)元的動作特征是空間相加性。（）

A:對B:錯答案:錯人工神經(jīng)網(wǎng)絡(luò)發(fā)展大致經(jīng)歷過（3）個階段（）

A:錯B:對答案:錯人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的就是使得損失函數(shù)最小化。（）

A:對B:錯答案:對一個5x5卷積核需要25個參數(shù)，兩個3x3的卷積核需要18個參數(shù)。（）

A:錯B:對答案:對人工神經(jīng)網(wǎng)絡(luò)（ANN）可以處理冗余特征。（）

A:錯B:對答案:對計算圖優(yōu)化的哪種典型優(yōu)化方法是主要針對GPU運算的？（）

A:ArithmeticB:LayoutC:ConstFoldD:Remapper答案:AI參考:正確選項是【D:Remapper】。\n\nRemapper是一種典型的計算圖優(yōu)化方法，主要用于針對GPU運算進行優(yōu)化。它通過對計算圖中的節(jié)點進行重新映射，優(yōu)化計算圖的布局和拓撲結(jié)構(gòu)，以提高GPU的并行運算效率。其他選項如Arithmetic、Layout和ConstFold雖然也是計算圖優(yōu)化方法，但它們并不是主要針對GPU運算的優(yōu)化方法。'深度學(xué)習(xí)是在人工智能領(lǐng)域的哪一個研究流派基礎(chǔ)上發(fā)展起來的()

A:功能模擬B:行為模擬C:結(jié)構(gòu)模擬D:機制模擬答案:AI參考:正確選項是【C:結(jié)構(gòu)模擬】\n\n深度學(xué)習(xí)是在人工智能領(lǐng)域基于結(jié)構(gòu)模擬研究流派基礎(chǔ)上發(fā)展起來的。深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支，其目的在于模仿人腦神經(jīng)系統(tǒng)，使用層級結(jié)構(gòu)來處理和表征數(shù)據(jù)，以實現(xiàn)對復(fù)雜特征的建模。通過結(jié)構(gòu)模擬，深度學(xué)習(xí)算法可以在輸入和輸出之間建立更加復(fù)雜和精細的映射關(guān)系，從而實現(xiàn)對傳統(tǒng)機器學(xué)習(xí)方法無法處理的任務(wù)的優(yōu)化和提升。'TensorFlow的主要設(shè)計原則不包括：()

A:高性能B:易開發(fā)C:可移植D:健壯性答案:AI參考:正確選項是B：易開發(fā)。\n\nTensorFlow的主要設(shè)計原則包括高性能、可移植性和健壯性，這三個原則都是為了方便用戶使用和推廣TensorFlow，而不是為了簡化開發(fā)過程。雖然TensorFlow也提供了一些簡化的API，但總體上來說，它更注重功能和靈活性，而不是易開發(fā)。因此，B選項是不正確的。'機器學(xué)習(xí)方法如果按照使用訓(xùn)練數(shù)據(jù)的標簽信息的情況，可以分為無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和（）。

A:啟發(fā)式學(xué)習(xí)B:半監(jiān)督學(xué)習(xí)C:有教師學(xué)習(xí)D:無教師學(xué)習(xí)答案:AI參考:正確選項是B：半監(jiān)督學(xué)習(xí)。\n\n機器學(xué)習(xí)方法按照使用訓(xùn)練數(shù)據(jù)的標簽信息的情況，可以分為無監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。其中，無監(jiān)督學(xué)習(xí)是不使用標簽信息，通過數(shù)據(jù)本身的結(jié)構(gòu)和關(guān)系進行學(xué)習(xí)；監(jiān)督學(xué)習(xí)是使用標簽信息，通過輸入的數(shù)據(jù)和標簽的匹配關(guān)系進行學(xué)習(xí)；而半監(jiān)督學(xué)習(xí)則是使用部分有標簽的數(shù)據(jù)進行學(xué)習(xí)，利用了部分有標簽數(shù)據(jù)和部分無標簽數(shù)據(jù)的優(yōu)勢，進行更準確的學(xué)習(xí)。因此，選項B是正確答案。其他選項A、C、D都不符合機器學(xué)習(xí)方法的分類。'下列編程框架中，哪種出現(xiàn)最早：()

A:CaffeB:MXNetC:TensorFlowD:PyTorch答案:AI參考:出現(xiàn)最早的編程框架是：Caffe。\n\n選項A、B、D都屬于近年來比較流行的深度學(xué)習(xí)框架，而Caffe是最早出現(xiàn)的深度學(xué)習(xí)框架之一，被廣泛應(yīng)用于學(xué)術(shù)研究和工業(yè)生產(chǎn)中。相比之下，MXNet、TensorFlow和PyTorch都是在Caffe之后出現(xiàn)的。因此，答案為A：Caffe。'TensorFlow程序簡單來說包括兩部分：構(gòu)建計算圖和()

A:解析計算圖B:分配計算圖C:優(yōu)化計算圖D:執(zhí)行計算圖答案:AI參考:正確選項是【執(zhí)行計算圖】。TensorFlow程序主要由兩部分組成：構(gòu)建計算圖和執(zhí)行計算圖。構(gòu)建計算圖是指創(chuàng)建TensorFlow計算結(jié)構(gòu)的過程，包括定義變量、創(chuàng)建操作等；執(zhí)行計算圖則是將構(gòu)建的計算圖運行起來，實現(xiàn)相應(yīng)的計算。在執(zhí)行計算圖的過程中，TensorFlow會自動優(yōu)化計算圖以達到高效運行的目的。因此，選項C“優(yōu)化計算圖”雖然與TensorFlow優(yōu)化有關(guān)，但不是TensorFlow程序的核心部分。其他選項都不完全符合題意。因此，正確答案是執(zhí)行計算圖（D）。'進行語音識別時，最適合的神經(jīng)網(wǎng)絡(luò)是（）

A:反饋神經(jīng)網(wǎng)絡(luò)B:生成對抗網(wǎng)絡(luò)C:循環(huán)神經(jīng)網(wǎng)絡(luò)D:卷積神經(jīng)網(wǎng)絡(luò)答案:AI參考:進行語音識別時，最適合的神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（C）。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種專門用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，特別適合于處理語音、文本等時間序列數(shù)據(jù)。它們能夠捕捉到輸入序列中的長期依賴關(guān)系，因此在語音識別等任務(wù)中表現(xiàn)優(yōu)異。其他選項中，反饋神經(jīng)網(wǎng)絡(luò)（A）通常用于處理反饋控制系統(tǒng)中的信號，生成對抗網(wǎng)絡(luò)（B）通常用于圖像識別等任務(wù)，卷積神經(jīng)網(wǎng)絡(luò)（D）則是一種適用于圖像處理和計算機視覺任務(wù)的神經(jīng)網(wǎng)絡(luò)。'以下哪一項是指人工神經(jīng)網(wǎng)絡(luò)的兩種主要功能，也是學(xué)習(xí)算法與學(xué)習(xí)規(guī)則的目標。（）

A:搜索與存儲B:搜索與映射C:建模與存儲D:存儲與映射答案:AI參考:正確答案是D：存儲與映射。\n\n人工神經(jīng)網(wǎng)絡(luò)的主要功能是存儲和映射，其中存儲功能是指將數(shù)據(jù)和信息存儲在神經(jīng)網(wǎng)絡(luò)中，而映射功能則是將輸入數(shù)據(jù)映射到輸出數(shù)據(jù)，通過學(xué)習(xí)算法與學(xué)習(xí)規(guī)則來調(diào)整神經(jīng)元之間的連接強度，從而實現(xiàn)更準確的映射。因此，選項D是正確的答案。選項A和B提到的搜索與存儲通常是指人工神經(jīng)網(wǎng)絡(luò)的設(shè)計和實現(xiàn)過程中需要解決的問題，而選項C提到的建模與存儲則是機器學(xué)習(xí)和人工智能領(lǐng)域中的通用術(shù)語，并不特指人工神經(jīng)網(wǎng)絡(luò)的功能。'神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)之一，ReLU函數(shù)的公式定義為（）。

A:B:C:D:答案:AI參考:正確答案是D：ReLU函數(shù)的公式定義為f(x)=max(0,x)。ReLU（RectifiedLinearUnit）是一種常用的神經(jīng)網(wǎng)絡(luò)激活函數(shù)，其作用是將負輸入置零，將正輸入保持不變。因此，ReLU函數(shù)的公式定義為f(x)=max(0,x)，表示當x大于等于零時，輸出x；當x小于零時，輸出零。'人工神經(jīng)網(wǎng)絡(luò)的英文（）

A:DNNB:CNNC:ANND:BNN答案:AI參考:正確選項是【C:ANN】。\n\n人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）的英文縮寫為ANN，因此選項C是正確答案。A選項DNN是深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork）的簡稱，B選項CNN是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork）的簡稱，D選項BNN是不正確的拼寫方式。'深度學(xué)習(xí)目前遇到的最大問題是（）

A:學(xué)習(xí)能力弱B:解釋能力弱C:不能解決識別分類問題D:網(wǎng)絡(luò)結(jié)構(gòu)簡單答案:AI參考:正確選項是【解釋能力弱】。\n\n深度學(xué)習(xí)目前遇到的最大問題是解釋能力弱，因為深度學(xué)習(xí)模型是由大量參數(shù)和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)組成的，這些參數(shù)和結(jié)構(gòu)很難理解，導(dǎo)致模型的行為和決策難以解釋。因此，在某些情況下，深度學(xué)習(xí)模型的可解釋性是一個重要的問題。'采用梯度下降法更新模型參數(shù)時，求導(dǎo)是非常重要的計算步驟。求導(dǎo)方法之一的“符號求導(dǎo)”存在的主要缺點是()

A:代碼無法通用或復(fù)用B:計算量巨大C:會引入舍入誤差和截斷誤差D:出現(xiàn)“表達式膨脹”答案:AI參考:在采用梯度下降法更新模型參數(shù)時，求導(dǎo)是非常重要的計算步驟。其中，“符號求導(dǎo)”是一種求導(dǎo)方法，但其存在的主要缺點是會導(dǎo)致“表達式膨脹”。這意味著在使用符號求導(dǎo)時，如果涉及的表達式非常復(fù)雜或包含大量的變量，可能會導(dǎo)致求導(dǎo)后的表達式變得非常大，難以理解和處理。因此，選項D“出現(xiàn)“表達式膨脹””是正確答案。其他選項如代碼無法通用或復(fù)用、計算量巨大、會引入舍入誤差和截斷誤差，雖然也是求導(dǎo)方法的一些潛在問題，但并不是“符號求導(dǎo)”所特有的缺點。'常規(guī)深度學(xué)習(xí)模型可以認為是人工智能的智能模擬方法中的（）

A:功能模擬B:機制模擬C:結(jié)構(gòu)模擬D:行為模擬答案:AI參考:正確選項是【C：結(jié)構(gòu)模擬】。\n\n常規(guī)深度學(xué)習(xí)模型是對人工智能的一種結(jié)構(gòu)模擬方法，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來模擬人類神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，從而實現(xiàn)智能行為。因此，常規(guī)深度學(xué)習(xí)模型屬于結(jié)構(gòu)模擬方法，而非功能、機制或行為模擬方法。'1.對分類算法的效果進行評估時，若有則其中，召回率是指（

）。

A:a/(a+b)B:c/(a+c)C:a/(a+c)D:b/(a+b)

答案:AI參考:正確答案是C:a/(a+c)。\n\n根據(jù)題意，分類算法的效果評估中，召回率是指被正確分類的樣本數(shù)占總樣本數(shù)的比例，即a/(a+c)。因此，選項C是正確的。其他選項A、B、D都