第一章

一、判斷題

1.神經(jīng)網(wǎng)絡(luò)中基本的計(jì)算單元是神經(jīng)元。（A）

A正確

B錯(cuò)誤

2.神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的主要作用是提供網(wǎng)絡(luò)的非線性建模能力。（A）

A正確

B錯(cuò)誤

3.TanH函數(shù)也叫雙曲正確函數(shù)，其值域范圍在（0,1）之間。（B）

A正確

B錯(cuò)誤

4.神經(jīng)網(wǎng)絡(luò)可以只有輸入層和輸出層，沒有隱藏層。（A）

A正確

B錯(cuò)誤

二、選擇題

1.（單選）常用以下哪種類型的損失函數(shù)來衡量回歸模型效果。（D）

A準(zhǔn)確率（Accuracy）

B錢鏈損失函數(shù)（HingeLoss）

C階梯損失（ClassLoss）

D誤差損失（ErrorLoss）

2.（單選）conda常用命令操作中，以下哪個(gè)命令用于切換到其他虛擬環(huán)境。（C）

Aremove

Bcreate

Cactivate

Dupdate

3.（多選）以下哪些深度學(xué)習(xí)算法屬于無(wú)監(jiān)督學(xué)習(xí)。（BC）

A卷積神經(jīng)網(wǎng)絡(luò)

B白編碼網(wǎng)絡(luò)

C生成式對(duì)抗網(wǎng)絡(luò)

D循環(huán)神經(jīng)網(wǎng)絡(luò)

三、實(shí)訓(xùn)題

1.在自己電腦至少安裝TensorFlow2的CPU或GPU任一版本，并能在python中導(dǎo)入

tensorflow庫(kù)后打印出安裝的版本號(hào)。

第二章

一、判斷題

1.圖像、文本屬于常見的非結(jié)構(gòu)化數(shù)據(jù)。(A)

A正確

B錯(cuò)誤

2.數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換的主要目的是為了消除變量之間的量綱影響，讓經(jīng)過轉(zhuǎn)換后的不同變量

可以平等分析和比較。(A)

A正確

B錯(cuò)誤

3.數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)化常用手段之一為Min-Max標(biāo)準(zhǔn)化，轉(zhuǎn)換后各變量的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)

分布，即均值為0,標(biāo)注差為1。(B)

A正確

B錯(cuò)誤

4.使用OpenCV讀取圖像時(shí)，其通道順序?yàn)镽GB。(B)

A正確

B錯(cuò)誤

二、選擇題

1.(單選)使用cv2.imread()進(jìn)行圖像讀取時(shí)，當(dāng)取以下哪個(gè)值可以按灰度模式讀取圖像。

(C)

Acv2.WINDOW_NORMAL

Bcv2.IMREAD_COLOR

Ccv2.IMREAD_GRAYSCALE

Dcv2.IMREAD_UNCHANGED

2.(單選)使用cv2.resize()可進(jìn)行圖像縮放，當(dāng)取以下哪個(gè)值是基于局部像素的重采樣。

(D)

Acv2.INTER_NEARES

Bcv2.INTER_LINEAR

Ccv2.INTER_CUBIC

DCV2.INTER_AREA

3.(單選)tf.image.resize()可以實(shí)現(xiàn)圖像的縮放功能，參數(shù)method表示圖像縮放的方法，

當(dāng)取以下哪個(gè)值時(shí)表示按照最近鄰插值。(C)

Abilinear

BIanczos3

Cnearest

Darea

4.(單選)Jieba在進(jìn)行分詞時(shí)，可通過以下哪種方法在程序中動(dòng)態(tài)修改詞典。(B)

Aload_userdict()

Badd_word()

Cdel_word()

Dget_word()

5.(單選)tf.keras.preprocessing.sequence中的pad_sequences()函數(shù)可用于填充可變長(zhǎng)度

序列，使得文本集中的所有文本長(zhǎng)度相同?？梢允褂靡韵履膫€(gè)參數(shù)設(shè)置文本長(zhǎng)度。(C)

Avalue

Bpadding

Cmaxlen

Dtruncating

6.(多選)cv2.flip()可將圖像進(jìn)行翻轉(zhuǎn)變換，關(guān)于第二個(gè)參數(shù)描述正確的有。(ABC)

A1表示水平翻轉(zhuǎn)

B0表示垂直翻轉(zhuǎn)

C表示水平加垂直翻轉(zhuǎn)

D2表示水平加垂直翻轉(zhuǎn)

7.(多選)Jieba分詞結(jié)合了基于規(guī)則和基于統(tǒng)計(jì)這兩類方法。Jieba提供了以下哪些分詞

模式。(ABCD)

A精確模式

B全模式

C搜索引擎模式

Dpaddle模式

三、實(shí)訓(xùn)題

1.在本地文件夾image中有一去rose.jpg的玫瑰花圖片，分別使用OpencV和TensorFlow

兩種方式將其讀取并顯示，效果如下：

2.請(qǐng)利用Jieba庫(kù)對(duì)文本“深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理技術(shù)”進(jìn)行中文分詞，要求不同單詞之

間用分開，且“深度學(xué)習(xí)”需作為一個(gè)專有名詞，不能被分開。效果如下：

分詞前；深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理技術(shù)

分詞后：深度學(xué)習(xí)/的/數(shù)據(jù)/預(yù)處理/技術(shù)

第三章

一、判斷題

1.使用Keras創(chuàng)建深度模型時(shí)，當(dāng)定義好網(wǎng)絡(luò)架構(gòu)后即可進(jìn)行網(wǎng)絡(luò)訓(xùn)練。（B）

A.正確

B.錯(cuò)誤

2.使用tf.keras.layers.Dense可以創(chuàng)建神經(jīng)網(wǎng)絡(luò)層，其中參數(shù)units月于指定各網(wǎng)絡(luò)層的神

經(jīng)元數(shù)量。（A）

A.正確

B.錯(cuò)誤

3.定義好模型后可以使用summary。打卬完整的模型摘要，其中Non-trainableparams表

示神經(jīng)網(wǎng)絡(luò)中必須訓(xùn)練的全部參數(shù)數(shù)量。（B）

A.正確

B.錯(cuò)誤

4.Keras通過plot_model（）函數(shù)對(duì)網(wǎng)絡(luò)拓?fù)溥M(jìn)行可視化時(shí)，參數(shù)show_layer_names為True

時(shí)將顯示每層的名稱。（A）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選）tf.keras.layers.Dense創(chuàng)建神經(jīng)網(wǎng)絡(luò)層時(shí)，以下哪個(gè)參數(shù)月于指定網(wǎng)絡(luò)層的激活

函數(shù)。（C）

A.units

B.kerneljnitialize

C.activation

D.input_shape

2.（單選）使用pile。方法編譯模型時(shí)，以下哪個(gè)參數(shù)用于指定優(yōu)化器。（A）

A.optimizer

B.loss

C.metrics

D.verbose

3.（單選）使用modeLsave（）保存整個(gè)模型時(shí)，以下哪個(gè)目錄用于保存模型權(quán)重值。（D）

A.assets

B.keras_metadata.pb

C.saved_model.pb

D.variables

4.（多選）Keras通過plot_model（）函數(shù)對(duì)網(wǎng)絡(luò)拓?fù)溥M(jìn)行可視化時(shí)，以下哪些參數(shù)為必填

項(xiàng)。（AB）

A.model

B.to_file

C.show_shapes

D.show_layer_names

三、實(shí)訓(xùn)題

1.sklearn庫(kù)的datasets自帶iris數(shù)據(jù)集，我們可以通過以下命令將其導(dǎo)入：

fromsklearnimportdatasets

#導(dǎo)入iris數(shù)據(jù)集

dataset=datasets.load_iris()

x=dataset.data

Y=dataset.target

請(qǐng)按照以下要求創(chuàng)建并訓(xùn)練深度學(xué)習(xí)模型：

▲定義網(wǎng)絡(luò)：創(chuàng)建包含兩個(gè)隱藏層的深度學(xué)習(xí)模型，第一個(gè)隱藏層有4個(gè)神經(jīng)元，第

二個(gè)隱藏層有6個(gè)隱藏層，

▲編譯網(wǎng)絡(luò)：采用Adam優(yōu)化器，sparse_categorical_crossentropy,采用accuracy

作為評(píng)估指標(biāo)

▲訓(xùn)練網(wǎng)絡(luò)：迭代次數(shù)為50次，批次大小為5,并拆10%作為驗(yàn)證集。

2.請(qǐng)對(duì)實(shí)訓(xùn)1訓(xùn)練好的模型對(duì)iris數(shù)據(jù)集進(jìn)行評(píng)估，并輸出評(píng)估的準(zhǔn)確率結(jié)果。

3.請(qǐng)使用modeLsave()將實(shí)訓(xùn)1的整個(gè)模型保存到本地的iris_model文件夾中。

第四章

一、判斷題

1.對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作中，卷積核的移動(dòng)步長(zhǎng)默認(rèn)為1。（A）

A.正確

B.錯(cuò)誤

2.當(dāng)對(duì)圖像邊界進(jìn)行卷積，在采用邊緣填充技巧（padding）時(shí)，常采用1進(jìn)行填充。（B）

A.正確

B.錯(cuò)誤

3.在卷積神經(jīng)網(wǎng)絡(luò)中，池化層可對(duì)輸入的特征圖進(jìn)行壓縮。（A）

A.正確

B.錯(cuò)誤

4.在卷積神經(jīng)網(wǎng)絡(luò)中，池化層會(huì)改變通道數(shù)。（B）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選）利用tf.keras.layers.Conv2D進(jìn)行卷積層操作時(shí)，以下哪人參數(shù)用于指定卷積核

的數(shù)量。（A）

A.filters

B.kernel_size

C.strides

D.padding

2.（單選）利用tf.keras.layers.Conv2D進(jìn)行卷積層操作時(shí)，當(dāng)參數(shù)wadding為何值時(shí)表示

添加全0填充。（D）

A.True

B.False

C.valid

D.same

3.（多選）卷積神經(jīng)網(wǎng)絡(luò)的池億層具有以下哪些特征。（ABD）

A.沒有要學(xué)習(xí)的參數(shù)

B,通道數(shù)不發(fā)生變化

C.通道數(shù)會(huì)發(fā)生變化

D.對(duì)微小的位置變化具有魯棒性

4.（多選）常用的遷移學(xué)習(xí)方法有以下哪些。（ABCD）

A.基于樣本的遷移

B.基于特征的遷移

C.基于模型的遷移

D.基于關(guān)系的遷移

5.（多選）在強(qiáng)化學(xué)習(xí)中，可以進(jìn)行交互的對(duì)象有哪些。（AC）

A.智能體（agent）

B.狀態(tài)（state）

C.環(huán)境（environment）

D.獎(jiǎng)勵(lì)（reward）

三、實(shí)訓(xùn)題

1.構(gòu)建一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)對(duì)MNIST手寫數(shù)據(jù)集進(jìn)行識(shí)別，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)要求如下：

□卷積層，具有64個(gè)特征圖，卷積核大小為3X3,激活函數(shù)為relu。

□采樣因子(pool_size)為2x2的最大值池化層。

□Flatten層。

□具有256個(gè)神經(jīng)元和激活函數(shù)為relu的全連接層。

□具有10個(gè)神經(jīng)元的輸出層，激活函數(shù)為so代max。

編譯模型時(shí)，采用RMSProp優(yōu)化器，categorical_crossentropy作為損失函數(shù)，同時(shí)采用

準(zhǔn)確率(accuracy)來評(píng)估模型的性能。

訓(xùn)練模型時(shí)，訓(xùn)練周期迭代次數(shù)為20次，批次大小為256,并將訓(xùn)練集拆分20%作為

驗(yàn)證集。

請(qǐng)按照以上要求完成卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建及訓(xùn)練,并繪制訓(xùn)練周期的曲線圖，效果如下：

RainHistory,RainHistory

100

Q25

099

001550ZS10012.515.017.50025SO75100125150175

EpochEpoch

2.對(duì)實(shí)訓(xùn)1構(gòu)建模型的模型，對(duì)測(cè)試集進(jìn)行評(píng)估，并打印出準(zhǔn)確率。效果如下:

又如旅集評(píng)估的準(zhǔn)確率：0.9873

第五章

一、判斷題

1.詞嵌入（WordEmbedding）是一種自然語(yǔ)言處理技術(shù)，分學(xué)習(xí)詞掀入和預(yù)訓(xùn)練詞嵌入兩

種方式。其中預(yù)訓(xùn)練詞嵌入指的是在完成預(yù)測(cè)任務(wù)的同時(shí)學(xué)習(xí)詞嵌入。（B）

A.正確

B.錯(cuò)誤

2.tf.keras的Embedding層要求輸入數(shù)據(jù)是整數(shù)編碼。（A）

A.正確

B.錯(cuò)誤

3.在做令牌化（Tokenizer）后，可利用pad_sequences（）函數(shù)把各序列填充為相同長(zhǎng)度，其

參數(shù)padding為“post”表示將長(zhǎng)度不足的序列前面用0補(bǔ)全。（B）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選）tf.keras提供的layers.SimpleRNN層可用于定義簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)，具中用于控

制除了輸出之外是否還需返回最后一個(gè)狀態(tài)的參數(shù)為以下哪個(gè)。（C）

A.return_sequences

B.go_backwards

C.return_state

D.stateful

2.（多選）tf.keras提供的Embedding層可以有多種使用方式，包括（ABC）

A.可用于單獨(dú)訓(xùn)練詞嵌入模型

B,可用作深度學(xué)習(xí)模型的一部分

C.可用于加載預(yù)訓(xùn)練此嵌入模型

D.可用于數(shù)據(jù)展平

3.（多選）長(zhǎng)短期記憶網(wǎng)絡(luò)用以下哪些門控制通過存儲(chǔ)單元中的信息流動(dòng)（BCD）

A.重置門

B.輸入門

C.遺忘門

D.輸出門

三、實(shí)訓(xùn)題

SMSSpamCollection用于騷擾短信識(shí)別的經(jīng)典數(shù)據(jù)集，完全來自于真實(shí)短信內(nèi)容，包括

了4831個(gè)正常短信和747個(gè)騷擾短信。數(shù)據(jù)保存在一個(gè)SMSSpamCollection.txt文件中，每

行完整記錄一條內(nèi)容，每行可以通過ham和spam來標(biāo)識(shí)正常短信和騷擾短信。

1.創(chuàng)建簡(jiǎn)單訓(xùn)練神經(jīng)網(wǎng)絡(luò)SimpleRNN模型，對(duì)正常短信還是騷擾短信進(jìn)行預(yù)測(cè)，請(qǐng)輸出模

型評(píng)估結(jié)果。

2.創(chuàng)建長(zhǎng)短期記憶模型LSTM模型，對(duì)正常短信還是騷擾短信進(jìn)行預(yù)測(cè)，請(qǐng)輸出模型評(píng)估

結(jié)果。

3.創(chuàng)建門控循環(huán)單元GRU模型，對(duì)正常短信還是騷擾短信進(jìn)行預(yù)測(cè)，請(qǐng)輸出模型評(píng)估結(jié)

果。

4.利用KerasNLP創(chuàng)建Transformer模型，對(duì)正常短信還是騷擾短信進(jìn)行預(yù)測(cè)，請(qǐng)輸出模型

評(píng)估結(jié)果。

行、.立.

第八章

一、判斷題

1.自編碼器屬于有監(jiān)督學(xué)習(xí)。(B)

A.正確

B.錯(cuò)誤

2.自編碼器可用于數(shù)據(jù)去燥。（A）

A.正確

B.錯(cuò)誤

3.堆棧自編碼器就是一個(gè)無(wú)監(jiān)督預(yù)訓(xùn)練、有監(jiān)督微調(diào)進(jìn)行訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型。（A）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選）tf.keras.layers.GaussianNoise可用于加性高斯噪聲，其中以下哪個(gè)參數(shù)用于設(shè)置

噪聲分布的標(biāo)準(zhǔn)差。（A）

A.stddev

B.inputs

C.training

D.std

2.（多選）自編碼器有以下哪些特性。（ABD）

A.數(shù)據(jù)相關(guān)性

B.數(shù)據(jù)有損性

C.數(shù)據(jù)無(wú)損性

D.自動(dòng)學(xué)習(xí)性

三、實(shí)訓(xùn)題

1.構(gòu)建一個(gè)簡(jiǎn)單自編碼器，對(duì)FASHIONMNIST測(cè)試數(shù)據(jù)及進(jìn)行圖像重構(gòu)。自編碼器的網(wǎng)絡(luò)

有三層，其中輸入層有784個(gè)神經(jīng)元，陷藏層有128個(gè)神經(jīng)元，輸出層有784個(gè)神經(jīng)

元；在訓(xùn)練模型時(shí)，訓(xùn)練周期為10次，最后利用訓(xùn)練好的簡(jiǎn)單自編碼器對(duì)測(cè)試數(shù)據(jù)集

進(jìn)行預(yù)測(cè)，并繪制前15張的原始圖像（第一行）及重構(gòu)后的圖像（第二行），效果如下：

20020020020020020020020020200E200j2s00n200n20

0Ic20I0E20I0H20f0fiXl0s0Xn020n020

2.構(gòu)建一個(gè)卷積自編碼器，對(duì)FASHIONMNIST測(cè)試數(shù)據(jù)及進(jìn)行圖像重構(gòu)。卷積自編碼器網(wǎng)

絡(luò)結(jié)構(gòu)如下：

□卷積層具有32個(gè)特征圖，卷積核大小為3x3,激活函數(shù)為relu：

□pool_size為2X2的最大值池化層（MaxPool2D）；

□卷積層具有32個(gè)特征圖，卷積核大小為3X3,激活函數(shù)為relu；

□pool_size為2x2的上采樣層（UpSampling2D）：

□輸出層為具有1個(gè)特征圖，卷積核大小為3x3,激活函數(shù)為relu的卷積層。

訓(xùn)練模型時(shí)，要求迭代次數(shù)為5,并利用訓(xùn)練好的卷積自編碼器對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè),

并繪制前15張的原始圖像（第一行）及重構(gòu)后的圖像（笫二行），效果如下：

0O200Q200H200H200Ii20l0H200^200H200S20L020I。S200S200D200n20

Q020W0200H200nX)H020r0a200E200fXB02S00DX)0EX>0sX0n200n30

第七章

一、判斷題

1.生成式對(duì)抗網(wǎng)絡(luò)（GAN）由生成器和判別器兩個(gè)神經(jīng)網(wǎng)絡(luò)生成。（A）

A.正確

B.錯(cuò)誤

2.判別器用于從噪聲中生成假樣本數(shù)據(jù)。（B）

A.正確

B.錯(cuò)誤

3.GAN模型在訓(xùn)練過程中，需要將判別器設(shè)置為凍結(jié)。（A）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選題）在卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行上采樣的目的是：（B）

A.得到更低分辨率的圖像

B,得到更高分別率的圖像

C.使得輸出尺寸比輸入尺寸變小

D.保持輸出尺寸與輸入尺寸一致

2.（單選題）在進(jìn)行反卷積計(jì)算時(shí)，假設(shè)輸入尺寸為2x2,卷積核大?。╧ernel_size）為

3x3,步長(zhǎng)（strides）為1,邊界擴(kuò)充（padding的值）為“valid"，那么反卷積的輸出

尺寸：（C）

A.2x2

B.3x3

C.4x4

D.5x5

三、實(shí)訓(xùn)題

本章實(shí)訓(xùn)題我們將使用FashonMNIST訓(xùn)練數(shù)據(jù)集，該訓(xùn)練數(shù)據(jù)集包含10個(gè)類別的

60,000個(gè)灰色圖像，這些圖像以低分辨率（28x28像素）展示了單件衣物，如下所示：

1.FashionMNIST數(shù)據(jù)集的類別標(biāo)簽為。9],其中數(shù)字1是Trouser（褲子）的灰色圖像，

請(qǐng)?zhí)崛∮?xùn)練數(shù)據(jù)集中所有標(biāo)簽為1的Trouser（褲子）的灰色圖像（共6000張），并可

視化展示前32張Trouser（褲子）的灰色圖像，如下所示。

IllDillIIIIII111HO

H111lilIII111111III11

liinMUIilFSIilLl

HliiMrilllJIilBI

2.讓我們使用tf.random_normal()函數(shù)創(chuàng)建一個(gè)形狀為(32,50)的服從均值為0、標(biāo)準(zhǔn)差為

1.0的正態(tài)分布的二維數(shù)組，并使用GAN生成Trouser(褲子)的灰色圖像。

其中，生成器的網(wǎng)絡(luò)架構(gòu)如下：

□Dense層，其中神經(jīng)元數(shù)量為100個(gè)，激活函數(shù)為selu,輸入數(shù)據(jù)形狀大小為50：

□Dense層，其中神經(jīng)元數(shù)量為150個(gè)，激活函數(shù)為selu；

□Dense層，其中神經(jīng)元數(shù)量為784個(gè)，激活函數(shù)為sigmoid；

□Reshape層，通過keras.layers.Reshape形狀變?yōu)?28,28)。

其中，判別器的網(wǎng)絡(luò)結(jié)構(gòu)如下：

□Flatten層，通過keras.layers.Flatten進(jìn)行展平，輸入形狀為(28,28)；

□Dense層，其中神經(jīng)元數(shù)量為150,激活函數(shù)為selu；

□Dense層，其中神經(jīng)元數(shù)量為100,激活函數(shù)為selu；

□Dense層，其中神經(jīng)元數(shù)量為1,激活函數(shù)為sigmoid。

在模型編譯時(shí)，損失函數(shù)采用binary_crossentropy,優(yōu)化器采用rmsprop。在模型訓(xùn)練

時(shí)，批次大小為32,迭代次數(shù)為30次。請(qǐng)分別給出第1次迭代和第30次迭代生成的圖像

截圖。截圖如下所示：

Epoch1/30Epoch30/30

HEIHBEIIilHIilNIIEINMEISH

倒Mill

3.讓我們使用1皿句麗」。17^1()函數(shù)創(chuàng)建一個(gè)形狀為(32,100)的服從均值為0、標(biāo)準(zhǔn)差為

1.0的正態(tài)分布的二維數(shù)組，并使用DCGAN生成Trouser(褲子)的灰色圖像。

其中，生成器的網(wǎng)絡(luò)架構(gòu)如下：

□Dense層，其中神經(jīng)元數(shù)量有1372(7x7x28)個(gè)，輸入數(shù)據(jù)形狀大小為100；

□Reshape層，通過keras.layers.Reshape形狀變?yōu)?7,7,28)；

□批標(biāo)準(zhǔn)化層；

□2D反卷積層，其中濾波器數(shù)量參數(shù)filters為64,卷積核大小參數(shù)kernel_size為

5,步長(zhǎng)參數(shù)strides為2,邊界擴(kuò)充參數(shù)padding為SAME,激活函數(shù)參數(shù)activation

為selu。

□批標(biāo)準(zhǔn)化層；

□輸出為三維的2D反卷積層，激活函數(shù)參數(shù)activation為tanho

其中，判別器網(wǎng)絡(luò)架構(gòu)如下：

□2D卷積層，其中卷積核個(gè)數(shù)參數(shù)filters為64,卷積核大小參數(shù)kernel_size為5,

步長(zhǎng)參數(shù)strides為2,邊界擴(kuò)充參數(shù)padding為SAME,激活函數(shù)參數(shù)activation

為relu；

□Dropout層；

□2D卷積層，其中卷積核個(gè)數(shù)參數(shù)filters為128,卷積核大小參數(shù)kernel_size為5,

步長(zhǎng)參數(shù)strides為2,邊界擴(kuò)充參數(shù)padding為SAME,激活函數(shù)參數(shù)activation

為relUo

□Dropout層；

□Flatten層；

□Dense層，神經(jīng)元數(shù)量為1,激活函數(shù)為sigmoid。

在模型編譯時(shí)，損失函數(shù)采用binary_ciossentropy,優(yōu)化器采用rmsprop.,在模型訓(xùn)練

時(shí)，批次大小為32,迭代次數(shù)為5次。請(qǐng)分別給出第1次迭代和第5次迭代生成的圖像截

圖。截圖如下所示：

Epoch1/5

Epoch5/5

lillJElMlilllNIilnniiiiiihiiiiiHii

MlilLIlillllfllJU111MilIIII11IILI

HIilULlUHHMHiiniiMMiaH

HMfflBIMIJIfllflHlilUHIHliiniil

第八章

一、判斷題

1.分類模型的誤差大致分為兩種：訓(xùn)練誤差（trainingerror）和泛化誤差（generalization

error）o（A）

A.正確

B.錯(cuò)誤

2.縮小訓(xùn)練誤差和測(cè)試誤差的差距目的是為了降低模型的泛化能力。（B）

A.正確

B.錯(cuò)誤

3.混淆矩陣是概率預(yù)測(cè)（分類模型）的常用評(píng)估手段之一，但其僅能用于二元分類模型。

（B）

A.正確

B.錯(cuò)誤

二、選擇題

1.（單選）Scikit-Learn中的metrics子模塊中用于計(jì)算均方誤差函數(shù)是以卜哪個(gè)。（C）

A.max_error

B.mean_absolute_error

C.mean_squared_error

D.median_absolute_error

2.（單選）Scikit-Learn中的metrics子模塊中以下哪個(gè)函數(shù)不是用于分類模型的評(píng)價(jià)指標(biāo)。

（D）

A.accuracy_score

B.classification_report

C.confusion_matrix

D.median_absolute_error

3.（多選）模型參數(shù)優(yōu)化常用手段有以下哪幾種。（BCD）

A.繪制ROC曲線

B.數(shù)據(jù)分區(qū)

C.K折交叉驗(yàn)證

D.網(wǎng)格搜索

4.（多選）ROC又稱接收者運(yùn)行特征曲線，由以下哪兩個(gè)指標(biāo)繪制的曲線。（AD