1. 下列關於深度學習說法錯誤的是
a lstm在一定程度上解決了傳統rnn梯度消失或梯度**的問題
b cnn相比於全連線的優勢之一是模型複雜度低，緩解過擬合
c 只要引數設定合理，深度學習的效果至少應優於傳統機器學習演算法
2. 在包含 n 個文件的語料庫中，隨機選擇乙個文件。該檔案總共包含 t 個詞，詞條「資料」出現 k 次。如果詞條「資料」出現在檔案總數的數量接近三分之一，則 tf（詞頻）和 idf（逆文件頻率）的乘積的正確值是多少？
a kt * log(3)
b k * log(3) / t
c t * log(3) / k
d log(3) / kt
3. 想象一下，你有乙個28x28 的，並使用輸入深度為 3 和輸出深度為 8 在上面執行乙個 3x3 的卷積神經網路。注意，步幅padding是1，你正在使用相同的填充（padding）。當使用給定的引數時，輸出特徵圖的尺寸是多少
a 28 寬、28 高、8 深
b 13 寬、13 高、8 深
c 28 寬、13 高、8 深
d 13 寬、28 高、8 深
4. 請問以下和神經網路中的dropout作用機制類似的是？
a bagging
b boosting
c stacking
d 都不是
5. 關於神經網路中經典使用的優化器，以下說法正確的是
a adam的收斂速度比rmsprop慢
b 相比於sgd或rmsprop等優化器，adam的收斂效果是最好的
c 對於輕量級神經網路，使用adam比使用rmsprop更合適
d 相比於adam或rmsprop等優化器，sgd的收斂效果是最好的
6. 如果乙個神經網路用於**一種事物的分類，例如分為a,b,c,d四類，那麼下列哪乙個啟用函式適用於該神經網路的輸出層
a sigmoid
b tanh
c softmax
d relu
7. 影象挖掘中常用卷積神經網路（dnn）作為基礎結構，以下關於卷積操作 （conv）和池化 （ pooling）的說法正確的是？
a conv基於平移不變性，pooling基於區域性相關性
b conv和pooling都基於平移不變性
c conv基於區域性相關性，pooling基於平移不變性
d conv和pooling都基於區域性相關性
8. 下列關於神經網路的敘述中，正確的是
a 損失函式關於輸入一定是非凸或非凹的
b 存在某種深度神經網路（至少乙個隱藏層），使其每個區域性最優解都是全域性最優解
c 深度神經網路容易陷入區域性最優解
d 以上選項都不對
9. 神經網路，非線性啟用函式包括sigmoid/tanh/relu等
a 加速反向傳播時的梯度計算
b 只在最後輸出層才會用到
c 總是輸出0/1
d 其他說法都不正確
10. 以下關於深度神經網路的說法中錯誤的是
a 使用梯度裁剪(gradient clipping)有助於減緩梯度**問題
b 若batch size過小，batch normalization的效果會出現退化
c 在使用sgd訓練時，若訓練loss的變化逐漸平緩不再明顯下降時，通常可以通過減小learning rate的方式使其再進一步下降
d 增大l2正則項的係數有助於減緩梯度消失問題
獲取答案和詳細的答案解析：
深度學習題 含答案和解析
1.為節省神經網路模型的訓練時間，神經網路模型的權重和偏移引數一般初始化為 a 0.5 b 1 c 隨機值 2.神經網路模型是受人腦的結構啟發發明的。神經網路模型由很多的神經元組成，每個神經元都接受輸入，進行計算並輸出結果，那麼以下選項描述正確的是 a 每個神經元只有乙個單一的輸入和單一的輸出 b ...
深度學習題 含答案和解析
1.在乙個神經網路中，知道每乙個神經元的權重和偏差是最重要的一步。如果知道了神經元準確的權重和偏差，便可以近似任何函式，但怎麼獲知每個神經的權重和偏移呢？a 搜尋每個可能的權重和偏差組合，直到得到最佳值 b 賦予乙個初始值，然後檢查跟最佳值的差值，不斷迭代調整權重 c 隨機賦值，聽天由命 d 以上都...
機器學習題 含答案和解析
1.目標變數在訓練集上的7個實際值為 1,1,1,1,0,0,0 目標變數的熵近似值是 log3 7 0.847,log4 7 0.560 a 0.683 b 0.683 c 0.724 d 0.243 2.關於k means聚類演算法說法不正確的是 a 對大資料集有較高的效率並且具有可伸縮性。b ...