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 以上都不正確的
2. 神經網路模型（neural network）因受人類大腦的啟發而得名
神經網路由許多神經元（neuron）組成，每個神經元接受乙個輸入，對輸入進行處理後給出乙個輸出，如下圖所示。請問下列關於神經元的描述中，哪一項是正確的？
a 每個神經元可以有乙個輸入和乙個輸出
b 每個神經元可以有多個輸入和乙個輸出
c 每個神經元可以有乙個輸入和多個輸出
d 每個神經元可以有多個輸入和多個輸出
e 上述都正確
3. 下圖所示的網路用於訓練識別字元h和t，如下所示
d 可能是a或b，取決於神經網路的權重設定
4. 如果我們用了乙個過大的學習速率會發生什麼？
a 神經網路會收斂
b 不好說
c 都不對
d 神經網路不會收斂
5. 在乙個神經網路中，下面哪種方法可以用來處理過擬合？
a dropout
b 分批歸一化(batch normalization)
c 正則化(regularization)
d 都可以
6. 批規範化(batch normalization)的好處都有啥？
a 讓每一層的輸入的範圍都大致固定
b 它將權重的歸一化平均值和標準差
c 它是一種非常有效的反向傳播(bp)方法
d 這些均不是
7. 下列哪個神經網路結構會發生權重共享？
a 卷積神經網路
b 迴圈神經網路
c 全連線神經網路
d 選項a和b
8. 下列哪個函式不可以做啟用函式？
a y = tanh(x)
b y = sin(x)
c y = max(x,0)
d y = 2x
9. 假設我們有乙個如下圖所示的隱藏層。隱藏層在這個網路中起到了一定的降維作用。假如現在我們用另一種維度下降的方法，比如說主成分分析法(pca)來替代這個隱藏層。
那麼，這兩者的輸出效果是一樣的嗎？
a 是
b 否
10. 下圖顯示了訓練過的3層卷積神經網路準確度，與引數數量(特徵核的數量)的關係。
從圖中趨勢可見，如果增加神經網路的寬度，精確度會增加到乙個特定閾值後，便開始降低。造成這一現象的可能原因是什麼？
a 即使增加卷積核的數量，只有少部分的核會被用作**
b 當卷積核數量增加時，神經網路的**能力（power）會降低
c 當卷積核數量增加時，導致過擬合
d 以上都不正確
獲取答案和詳細的答案解析：
深度學習題 含答案和解析
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...
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 ...
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 ...