人工智能期末考试

一. 单选题（共13题，共26分）

1. 下列说法错误的是？2分

A.传统机器学习和深度学习本质都是“参数估计”，即找到一组符合优化条件的参数值

B.给定一个输入，通过拟合一个复杂的公式得到一个输出。这就是机器学习的一个基本框架，适合各种问题

C.神经网络有三个关键点：加权和、非线性变换、多层连接

D.深度学习的训练过程包括前向计算和损失函数两部分

 

2. 与传统机器学习方法相比，深度学习的优势在于2分

A.深度学习可以自动学习特征

B.深度学习不需要做数据预处理

C.深度学习不提取底层特征，如图像边缘、纹理等

D.深度学习不需要调参

 

3. 已知一个由全连接层构成的前馈神经网络，输入层有5个神经元，第一隐层有10个神经元，第二隐层有10个神经元，输出层有2个神经元，则神经模型中共有多少条连接（不考虑偏置）2分

A.80B.1000C.170D.27

 

4. 在深度学习调参过程中，哪组参数是可以人为调整的？2分

A.训练轮数、权重 w 值B.学习率、训练数据批次数、偏置 b 值C.权重 w 和偏置 b 值D.隐藏层数、卷积核大小、每层的卷积核个数

 

5. 在前馈神经网络中，误差后向传播（BP算法）将误差从输出端向输入端进行传输的过程中，算法会调整前馈神经网络的什么参数？2分

A.输入数据大小B.相邻层神经元之间的连接权重C.同一层神经元之间的连接权重D.神经元个数

 

6. 以下现象属于过拟合的是2分

A.训练集Loss下降，测试集Loss上升B.训练集Loss上升，测试集Loss上升C.训练集Loss下降，测试集Loss下降D.训练集Loss下降，测试集Loss不变

 

7. 已知两层3×3的卷积核与一层5×5的卷积核具有相同的感受野，那么前者（3×3）和后者（5×5）的参数量和计算量是什么关系2分

A.前者参数量小、后者计算量更小

B.前者计算量小、后者参数量更小

√ C.前者的参数量和计算量都更小

D.后者的参数量和计算量都更小

（这个题写错了）

 

8. 以下哪一个关于卷积神经网络的说法是错误的2分

A.在神经元总数相当的情况下，增加网络的深度可以比增加网络宽度带来更强的网络表示能力

B.多元神经网络可看成是一个复合的非线性多元函数

C.采用Relu激活函数比采用sigmoid函数更能避免梯度消失

D.参数越多网络拟合能力越强，从而泛化能力越强

 

9. 假设一个具有 3 个神经元和输入为 [4, 3, 2] 的简单多层感知机模型。输入神经元的权重分别为 3, 6 和 9。假设激活函数是3x，输出是（不考虑偏置）？2分

A.144B.48C.96D.81

 

10. 如果以某种方法给出了神经元准确的权重和偏置，就可以近似任何函数。实现这个最佳的方法是2分

A.搜索所有权重和偏置的组合，直到得到最佳值

B.赋予权重和偏置一组初始值，通过比较前馈计算结果和真实值之间的误差，然后反向迭代更新权重和偏置

C.随机赋值，希望它们是正确的

D.以上都不正确

 

11. 如果使用的学习率太大，会导致2分

A.网络收敛的慢B.网络收敛的快C.网络无法收敛D.不确定

 

12. 在ResNet的残差结构中，会涉及到特征的相加操作，即H(x) = F(x) + x，该操作对F(x)和x的维度（H×W×C）有什么要求？2分

A.特征图的尺寸（H×W）相同即可

B.特征图的通道数（C）相同即可

C.特征图的尺寸和通道数都不必相同

√ D.特征图的尺寸和通道数必须完全相同

（这个题写错了）

 

13. 下面对梯度下降方法描述不正确的是2分

A.梯度方向是函数值下降最快方向B.梯度反方向是函数值下降最快方向C.梯度下降算法用来优化深度学习模型的参数D.梯度下降算法是一种使得损失函数最小化的方法

 

二. 多选题（共2题，共4分）

1. 相对于深度神经网络（DNN），卷积神经网络（CNN）模型做了哪些改变2分

A.权重共享B.采用softmax函数C.全连接层D.局部连接

 

2. 解决过拟合问题的方法有2分

A.增加训练集样本数量B.采用正则化方法C.减少网络隐藏层层数D.增加网络参数

（这个写错了）