《人工智能深度學(xué)習(xí)技術(shù)》考試復(fù)習(xí)題庫（濃縮300題）

PAGEPAGE1《人工智能深度學(xué)習(xí)技術(shù)》考試復(fù)習(xí)題庫（濃縮300題）一、單選題1.在tf函數(shù)中,通常需將一個變量的值賦給另一個變量,可以使用編程語句是()A、tf.assign()B、tf.sub()C、tf.add()D、tf.eqeal()答案：A2.在前向傳播反向傳播過程中,例如求導(dǎo)結(jié)果為f(z)'=f(z)(1?f(z))那么這個激活函數(shù)最有可能會是下面選項中的那一個?()A、RelU函數(shù)B、tanhC、coshD、sigmoid答案：D3.Tf中placeholder是一個A、常量B、變量C、占位符D、函數(shù)答案：C4.編程中,通常要進行全局變量初始化操作,可以使用下列那一個語句()A、init_op=tf.global_variables_initializer()B、init_op=tf.variables_initializer()C、init_op=tf.initializer()D、init_op=np.global_variables_initializer()答案：A5.早期的機器學(xué)習(xí)算法中,如果有兩個超參數(shù),通常通過什么方式來選擇參數(shù)A、網(wǎng)格中取樣點,然后系統(tǒng)的研究這些數(shù)值B、比較參數(shù)的大小C、對參數(shù)進行迭代選擇D、對參數(shù)進行平均答案：A6.對于概率空間,集合的劃分,與下列最有關(guān)系的是A、距離空間B、概率空間C、向量空間D、排序答案：B7.執(zhí)行語句print(tf.__path__)后,結(jié)果是['C:\\ProgramFiles\\Anaconda3\\lib\\site-packages\\tensorflow'],則該語句實現(xiàn)的功能是?A、查詢tensorflow位置B、查看tensorflow安裝路徑C、查詢tensorflow版本D、測試tf模塊安裝是否正常答案：B8.樣本點數(shù)量相同的概率空間,可以等價互換。A、是B、不能C、部分能D、部分不能答案：A9.將多個LSTM組合成層,網(wǎng)絡(luò)中有多層,復(fù)雜的結(jié)構(gòu)能夠處理更大范圍的()A、動態(tài)性B、靜態(tài)性C、不穩(wěn)定性D、魯棒性答案：A10.池化核ksize=[1,2,2,1]將圖像A、縮小到1/2B、縮小到1/4C、擴大兩倍D、擴大四倍答案：B11.卷積定理指出,函數(shù)卷積的傅里葉變換是函數(shù)傅里葉變換的()。即,一個域中的卷積相當于另一個域中的(),例如時域中的卷積就對應(yīng)于頻域中的乘積。A、乘積,乘積B、乘積,范數(shù)C、范數(shù),乘積D、范數(shù),距離答案：A12.()就是在不同的訓(xùn)練過程中隨機扔掉一部分神經(jīng)元。也就是讓某個神經(jīng)元的激活值以一定的概率p,讓其停止工作,這次訓(xùn)練過程中不更新權(quán)值,也不參加神經(jīng)網(wǎng)絡(luò)的計算。但是它的權(quán)重得保留下來(只是暫時不更新而已)A、conv2dB、max_poolC、DropoutD、FC答案：C13.Batch歸一化即是A、批量歸一化B、僅對輸入數(shù)據(jù)進行歸一化C、僅對隱藏層進行歸一化D、提升了參數(shù)搜索難度答案：A14.有多個卷積核的原因是:A、同時提取多個圖像的特征B、提取某些圖像多個特征C、圖像有多個通道D、與多特征無關(guān)答案：B15.貝努力實驗的基礎(chǔ)概率空間是:A、均勻分布B、高斯分布C、0-1分布D、指數(shù)分布答案：C16.卡耐基梅隆大學(xué)的DeanPomerleau在上世紀80年代末基于()制造了一輛自動駕駛汽車A、BP算法B、神經(jīng)網(wǎng)絡(luò)C、前向算法D、NFC答案：B17.局部平均值又被稱為A、常規(guī)平均值B、柵格平均值C、移動平均值D、唯一平均值答案：C18.在數(shù)學(xué)模型開發(fā)過程中,經(jīng)常會使用例如數(shù)學(xué)符號、數(shù)學(xué)式子以及()來抽象和描述該模型A、范數(shù)B、程序或圖形C、卷積D、池化答案：B19.語句tf.nn.conv2d(),其中遇到的圖像張量,格式是A、[batch,in_height,in_width,in_channels]B、[Size,in_height,in_width,in_channels]C、[batch,in_width,in_height,in_channels]D、[batch,in_channels,in_height,in_width]答案：A20.Tanh函數(shù)的導(dǎo)數(shù)范圍是()A、(0,1]B、(0,0.1]C、(0,-1]D、(0,10]答案：A21.多層前饋網(wǎng)絡(luò)也稱為()A、BP網(wǎng)絡(luò)B、隱藏層網(wǎng)絡(luò)C、輸入層網(wǎng)絡(luò)D、輸出層網(wǎng)絡(luò)答案：A22.Tf.add(a,b)函數(shù)的作用是?A、除法B、加法操作C、減法操作D、乘法操作答案：B23.卷積神經(jīng)網(wǎng)絡(luò)中每層卷積層(Convolutionallayer)由若干卷積單元組成,每個卷積單元的參數(shù)都是通過反向傳播算法最佳化得到,其作用是()A、增強圖像B、簡化圖像C、特征提取D、圖像處理答案：C24.以下哪個是門控循環(huán)單元A、LSTMB、GRUC、CNND、RNN答案：B25.在tensorflow下創(chuàng)建的會話tf.Session(),當上下文管理器退出時會話tf.Session()在關(guān)閉的同時且會()釋放相關(guān)資源A、自動B、無法C、不清楚D、不能答案：A26.不能解決梯度消失的是:A、調(diào)整激活函數(shù)類型B、使用batchnormC、增大隱藏層數(shù)量D、訓(xùn)練值預(yù)處理答案：C27.卷積層的作用是A、增強圖像B、簡化圖像C、特征提取D、圖像處理答案：C28.TensorFlow、Keras框架為機器學(xué)習(xí)ML和()提供了靈活的數(shù)值計算核心A、MLB、算法重構(gòu)C、NPLD、深度學(xué)習(xí)答案：D29.Batch歸一化的特點不包括A、使參數(shù)搜索問題變得容易B、使神經(jīng)網(wǎng)絡(luò)對超參數(shù)的選擇更加穩(wěn)定C、超參數(shù)的范圍更加龐大D、僅作用于輸入層答案：D30.在tf中,構(gòu)建交叉熵損失函數(shù)的語句是:A、cross_entropy=-tf.reduce_sum(y_actual*tf.log(y_predict))B、cross_entropy=-tf.reduce_all(y_actual*tf.log(y_predict))C、cross_entropy=-tf.reduce_max(y_actual*tf.log(y_predict))D、cross_entropy=-tf.reduce_s(y_actual*tf.log(y_predict))答案：A31.ActivationfunctionRectifiedLinearUnit即激活函數(shù)ReLU,它的作用是()A、引用了無效的單元格地址B、過濾無效神經(jīng)元C、不是激發(fā)函數(shù)D、將正數(shù)保留,將負數(shù)置0答案：D32.對于擬合的問題,下列說法正確的是:A、過擬合的現(xiàn)象是訓(xùn)練集準確率低,而測試集準確率高B、欠擬合的現(xiàn)象是訓(xùn)練集和測試集準確率相近C、盡量不要出現(xiàn)適度擬合,會造成新數(shù)據(jù)準確率低D、欠擬合是指驗證集和測試集的準確率都無法保證正常業(yè)務(wù)使用答案：D33.Tf.matmul(a,B,transpose_a=False,transpose_b=False,adjoint_a=False,adjoint_b=False,a_is_sparse=False,b_is_sparse=False,name=None)函數(shù)返回值是一個跟張量a和張量b類型一樣的張量且最內(nèi)部矩陣是a和b中的相應(yīng)矩陣的()A、相與B、乘積C、相除D、相加答案：B34.下列函數(shù)能實現(xiàn)對比兩個矩陣是否相等,或者向量是否相等的元素的函數(shù)是哪一個?A、c=tf.greater(a,b)B、a=tf.subtract(a,b)C、b=tf.equal(a,b)D、d=tf.matmul(a,b)答案：C35.通常,一個實數(shù)或復(fù)數(shù)向量空間加上長度和角度的概念,稱為()A、內(nèi)積空間B、賦范空間C、矢量空間D、希爾伯特空間答案：A36.Tf.nn.conv2d(),其中遇到的圖像張量,格式是A、[batch,in_height,in_width,in_channels]B、[Size,in_height,in_width,in_channels]C、[batch,in_width,in_height,in_channels]D、[batch,in_channels,in_height,in_width]答案：A37.一個32X32大小的圖像,通過步長為2,尺寸為2X2的池化運算后,尺寸變?yōu)锳、14X14B、2X2C、28X28D、16X16答案：D38.對一個概率空間,進行多種劃分,其信息熵是A、一定相等B、一定不等C、不確定無關(guān)聯(lián)D、互有關(guān)聯(lián)答案：C39.Tf.multiply(x,y,name=None),其中類型跟張量x相同的張量是A、yB、tfC、nameD、None答案：A40.深度學(xué)習(xí)典型應(yīng)用:人臉識別,指什么網(wǎng)絡(luò)架構(gòu)?A、LeNET5B、(CNN:AlexNet)C、VGGD、ResNet答案：B41.在機器學(xué)習(xí)和深度學(xué)習(xí)中,監(jiān)督學(xué)習(xí)算法有A、聚類B、降維C、回歸算法D、PCA答案：C42.連接主義的主要原理為神經(jīng)網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)間的連接機制與學(xué)習(xí)算法。其英文縮寫為()A、symbolicismB、actionismC、connectionismD、AI答案：C43.Multiply這個函數(shù)實現(xiàn)的是元素級別的相乘,也就是兩個相乘的數(shù)元素各自()A、相與B、相乘C、相除D、相加答案：B44.(e^x)*x^2的導(dǎo)數(shù)是A、(e^x)(x^2+2x)B、(e^x)C、(e^x)*cos(x)D、cosx答案：A45.動量梯度算法,是通過學(xué)習(xí)率和()控制梯度下降的A、指數(shù)加權(quán)平均數(shù)B、局部平均值C、全局平局值D、方差答案：A46.Siamese網(wǎng)絡(luò)試用與做驗證任務(wù),最常見的是針對()元組和三元組的二分支、三分支網(wǎng)絡(luò)A、一B、二C、三D、四答案：B47.Alf屬于[0,1],A,B是平面上點,alf*A+(1-alf)*B的意義是A、過AB兩點直線B、A和B構(gòu)成的線段C、A和B的向量和D、A和B構(gòu)成的集合答案：B48.Tf.equal(0,False)的結(jié)果是A、1B、0C、TrueD、False答案：C49.函數(shù)tf.constant()不正確的用法是那一個選項?A、tensor=tf.constant(1)B、tensor=tf.constant([1,2])C、tensor=tf.constant(-1,shape=[2,3])D、a=tf.constant([1.0,2.0],name="a)答案：D50.在深度學(xué)習(xí)中的目標檢測中會檢測出多個目標框,后期需要通過非極大值抑制去除得分低并且iou()閾值的目標框A、小于B、大于C、等于D、大于或小于答案：B51.語句W_conv1=weight_variable([5,5,8,32])b_conv1=bias_variable([X])兩句代碼實現(xiàn)卷積核,其中對應(yīng)偏置的數(shù)字X應(yīng)該是:A、32B、8C、5D、1答案：A52.Tensorflow中,哪個是與詞向量有關(guān)的函數(shù)?A、tf.nn.softmax_cross_entropy_with_logitsB、tf.nn.sigmoid_cross_entropy_with_logitsC、tf.nn.embedding_lookupD、tf.nn.dropout答案：C53.LSTM網(wǎng)絡(luò)通過精妙的()將短期記憶與長期記憶結(jié)合起來,并且一定程度上解決了梯度消失的問題A、RNN控制B、前饋控制C、BP控制D、門控制答案：D54.在典型的Batch歸一化運用中需要用什么來估算A、一個指數(shù)加權(quán)平均B、平均值C、方差D、最大值答案：A55.Tf.ones_like(tensor)該操作返回一個具有和給定tensor相同形狀(shape)和相同數(shù)據(jù)類型(dtype)A、dtypeB、tensorC、shapeD、int答案：B56.歐幾里得空間標準內(nèi)積的另外一種表述是()?A、平方差B、和差化積C、內(nèi)積D、點積答案：D57.程序語句print(tf.__version__),有什么作用?A、顯示安裝的tensorflow的版本號B、保存安裝的tensorflow的版本號C、下載安裝的tensorflowD、下載上一個版本的tensorflow答案：A58.以下數(shù)據(jù)集分配方式錯誤的是:A、2億條數(shù)據(jù),測試集數(shù)量可以少于4千萬條B、數(shù)據(jù)量較少時,訓(xùn)練集和測試集可以按照7:3分配C、在一些情況下,可以將全部數(shù)據(jù)作為訓(xùn)練集D、小數(shù)據(jù)量時,訓(xùn)練,驗證,測試集比例可以按照6:2:2進行分配答案：C59.神經(jīng)網(wǎng)絡(luò)LenNet-5共有7層(不包括輸入層),主要有2個()、2個下抽樣層(池化層)、3個全連接層3種連接方式A、輸入層B、卷積層C、池化層D、FC層答案：B60.Sigmoid函數(shù)的缺點:導(dǎo)數(shù)值范圍為(0,0.25],反向傳播時會導(dǎo)致“梯度消失”。而()函數(shù)導(dǎo)數(shù)值范圍更大,相對好一點。A、coshB、sinC、tanhD、sigmoid答案：C61.通常歐幾里得距離,也叫A、非負距離B、平面距離C、絕對值距離D、平方范數(shù)距離答案：D62.加權(quán)平均值是通過()得到的A、局部平均值B、局部方差C、全局平均值D、全局方差答案：A63.Tf的全局變量初始化語句是A、tf.global_variables_initializer()B、tf.variables_initializerC、sess.run(w.initializer)D、tf.initializer()答案：A64.在TF框架中,激活函數(shù)tf.nn.relu的作用是?A、用于卷積后數(shù)據(jù)B、用于卷積核C、用于步長D、不能用到全連接層答案：A65.神經(jīng)風格遷移是指將()圖像的風格應(yīng)用于目標圖像,同時保留目標圖像的內(nèi)容。A、參考B、卷積C、池化D、腐蝕答案：A66.面部識別軟件可歸入名為生物識別的一大類技術(shù)。生物識別技術(shù)使用()來驗證身份A、生物信息B、特征點C、算法D、標識答案：A67.交叉熵使用了()梯度下降法A、sigmoid函數(shù)B、RELU函數(shù)C、tanh函數(shù)D、cosh函數(shù)答案：A68.LeNet-5網(wǎng)絡(luò)是針對灰度圖進行訓(xùn)練的,輸入圖像大小為32*32*1,不包含輸入層的情況下共有()層,即2層卷積,2層池化,3層全連接,每一層都包含可訓(xùn)練參數(shù)(連接權(quán)重)A、5B、7C、8D、16答案：B69.在TensorFlow中使用tf.log函數(shù)可以計算元素的自然對數(shù),自然對數(shù)以常數(shù)()為底數(shù)的對數(shù),A、eB、10C、2D、10^^答案：A70.在tf.nn.conv2d(a,B,C,d),其中填充操作是A、aB、bC、cD、d答案：D71.對于神經(jīng)網(wǎng)絡(luò),AW=Y,其中A是訓(xùn)練集合,Y是標簽集合,總體損失函數(shù)E一般表示為是:A、0.5乘(Y-AX)的范數(shù)平方B、(Y-AX)C、Y對X的偏導(dǎo)數(shù)D、(AX-Y)答案：A72.程序語句cost=tf.reduce_mean(tf.square(hypothesis-Y))通常是什么算法使用?A、線性回歸B、邏輯回歸C、SVMD、CNN答案：A73.Adam算法的tensorflow代碼是:A、tf.example.AdamOptimizerB、tf.train.AdamOptimizerC、tf.nn.AdamOptimizerD、tf.AdamOptimizer答案：B74.想要處理梯度消失,相對最好的激活函數(shù)是:A、sigmoidB、ReluC、tanhD、LeakyRelu答案：D75.Adam算法的核心是A、強化了RMSprop算法B、強化了動量梯度算法C、同時使用Momentum和RMSprop算法D、沒有核心答案：C76.年Rumelhart等人發(fā)展了()理論A、BP算法B、求偏導(dǎo)C、激活函數(shù)D、前向算法答案：A77.比()好用的激活函數(shù)是tanh函數(shù)(雙曲正切函數(shù))A、cosh函數(shù)B、Sigmoid函數(shù)C、RELU函數(shù)D、cosx函數(shù)答案：B78.圖像處理時,給定輸入圖像,在輸出圖像中每一個像素是輸入圖像中一個小區(qū)域中像素的加權(quán)平均,其中權(quán)值由一個函數(shù)定義,這個函數(shù)稱為()A、被卷積數(shù)據(jù)B、卷積核C、步長D、填充答案：B79.面部識別軟件還有其他幾個用途:()、取款身份驗證、計算機安全等A、消除投票欺詐B、身份證認證C、互聯(lián)網(wǎng)D、銀行答案：A80.以下哪個是長短期記憶網(wǎng)絡(luò)的縮寫A、LSTMB、GRUC、CNND、RNN答案：A81.對y=sigmoid(x)函數(shù)對x的導(dǎo)數(shù)可以寫成A、y(1+y)B、exp(-x)C、1-exp(-x)D、y(1-y)答案：D82.關(guān)于正則化,說法錯誤的是:A、過擬合可以通過正則化方式消除B、常用的正則化方式由L1,L2,以及dropoutC、欠擬合可以通過正則化方式消除D、正則化是損失函數(shù)的一個補償項答案：C83.如果數(shù)據(jù)集大小為m,mini-batch的大小為A、1B、mC、大于mD、大于2,小于m答案：D84.()是深度學(xué)習(xí)訓(xùn)練時的一種提高準確度的技術(shù)方法。英文全稱為“l(fā)ocalresponsenormalization”A、本區(qū)域B、局部響應(yīng)歸一化/標準化C、BP算法D、池化答案：B85.與Inception同年提出的優(yōu)秀網(wǎng)絡(luò)還有(),它相比于AlexNet有更小的卷積核和更深的層級A、VGG-NetB、InceptionC、ResNetD、LeNet-5答案：A86.帶泄露的ReLU函數(shù)是指?A、Sigmoid函數(shù)B、tanh函數(shù)C、ReLUD、leakyReLU答案：D87.在Mnist庫的四個文件意義是:A、圖像集、訓(xùn)練標簽集、測試集、測試標簽集B、原始集、訓(xùn)練集、標簽集、測試集C、訓(xùn)練集、訓(xùn)練標簽集、測試集、測試標簽集D、圖像集、附加圖像集、測試圖像集、測試附加集答案：C88.非常經(jīng)典的LeNet-5神經(jīng)網(wǎng)絡(luò)其FC層處理完成以后,輸出的結(jié)果會再經(jīng)過那一個激活函數(shù)輸出()?A、RelUB、sigmoidC、tanhD、sin答案：B89.Tf中,第一層卷積核W_conv1=variable([5,5,1,32]),第二層卷積核是:A、variable([5,5,1,32])B、variable([3,3,1,32])C、variable([5,5,4,8])D、variable([5,5,32,6])答案：D90.Inception是一個()層的深度網(wǎng)絡(luò),它的質(zhì)量是在分類和檢測領(lǐng)域進行了評估A、5B、8C、22D、152答案：C91.從sigmoid函數(shù)的圖像中可以看到,如果x稍微大點的話,其值接近為1,則在進行反向傳播算法的過程中對其求導(dǎo)的導(dǎo)數(shù)非常的接近0,因此會導(dǎo)致梯度為0的()的現(xiàn)象A、梯度消失B、梯度上升C、梯度下降D、梯度發(fā)散答案：A92.從上升速度來看所有的函數(shù)的,上升最慢的是A、線性函數(shù)B、指數(shù)函數(shù)C、冪函數(shù)D、對數(shù)函數(shù)答案：D93.Inception網(wǎng)絡(luò)中,一個5×5的卷積在計算成本上是一個3×3卷積的()倍。所以疊加兩個3×3卷積實際上在性能上會有所提升A、2.78B、2.87C、7.28D、8.72答案：A94.Tf.nn.dropout是TensorFlow里面為了防止或減輕過擬合而使用的函數(shù),它一般用在()A、卷積層B、全連接層C、池化層D、激活函數(shù)層答案：B95.激活函數(shù)Sigmoid的值域范圍是在()之間A、0~1B、0~2C、-1~0D、-1~1答案：A96.Tensorflow中,tf.equal(tf.argmax(y_conv,axis=1),tf.argmax(y_,1))A、返回整數(shù)值B、返回布爾值C、返回浮點值D、返回字符答案：B97.一個數(shù)據(jù)集中有3萬條數(shù)據(jù),關(guān)于數(shù)據(jù)集分配哪一項說法正確:A、訓(xùn)練集數(shù)據(jù)可以分配1萬條B、測試集數(shù)據(jù)可以分配1000條C、可以不設(shè)置訓(xùn)練集D、可以不設(shè)置驗證集答案：D98.RMSprop算法的特點是A、指數(shù)加權(quán)平均數(shù)求和B、指數(shù)加權(quán)平均數(shù)先平方再開方C、指數(shù)加權(quán)平均數(shù)求微分D、指數(shù)加權(quán)平均數(shù)求均方誤差答案：B99.Alex在2012年提出的()網(wǎng)絡(luò)結(jié)構(gòu)模型引爆了神經(jīng)網(wǎng)絡(luò)的應(yīng)用熱潮,并贏得了2012屆圖像識別大賽的冠軍,使得CNN成為在圖像分類上的核心算法模型。AlexNet該模型一共分為八層,5個卷積層,,以及3個全連接層A、LeNetB、AlexNetC、VGGD、ResNet答案：B100.范數(shù)簡稱F-范數(shù),是一種矩陣范數(shù),記為()A、||*||FB、||·||FC、||-||FD、F||·||答案：B101.Batch歸一化步驟不包括A、求每個訓(xùn)練批次數(shù)據(jù)的均值B、求每個訓(xùn)練批次數(shù)據(jù)的方差C、使用求得的均值和方差對該批次的訓(xùn)練數(shù)據(jù)做歸一化,獲得0-1分布D、求每個訓(xùn)練批次的和答案：D102.研究發(fā)現(xiàn)Inception-ResNet模型可以在更少的epoch內(nèi)達到更()的準確率A、低B、高C、先高后低D、不確定答案：B103.步長張量strides=[1,2,2,1]能橫向縱向移動A、1像素B、2像素C、3像素D、4像素答案：B104.局部響應(yīng)歸一化即(),LRN一般是在激活、池化后進行的一中處理方法A、本區(qū)域B、localresponsenormalizationC、BP算法D、池化答案：B105.如果拋一個硬幣,拋一次算一個事件結(jié)果;拋兩次算一個事件結(jié)果;他們是A、一個概率空間B、兩個概率空間C、一個樣本空間D、一個概率空間,兩個事件答案：B106.語句euclideanmetric的意思是?A、歐幾里得B、歐幾里得度量C、歐幾里得范數(shù)D、歐幾里得空間答案：B107.縮寫ArtificialIntelligence是指A、AOB、AIC、ALD、AN答案：B108.卷積神經(jīng)網(wǎng)絡(luò)中,全連接層中,需要修改權(quán)重,修改的依據(jù)是:A、梯度反向傳播B、梯度正向傳播C、與梯度無關(guān)D、與損失函數(shù)無關(guān)答案：A109.特征臉方法利用()進行降維和提取特征A、次分量分析B、主分量分析C、主次分量分析D、矢量分析答案：B110.F=tf.Variable([[2.,5.,4.],[1.,3.,6.]]),tf.reduce_sum(f,axis=1)的值是A、[10.,11.]B、[10.,10.]C、[11.,11.]D、[11.,10.]答案：D111.下面能夠?qū)崿F(xiàn)激活函數(shù)操作的語句是:A、h_conv1=tf.nn.relu(conv_ret1)B、h_conv1=tf.nn.dropout(conv_ret1)C、h_conv1=tf.nn.lrn(conv_ret1)D、h_conv1=tf.nn.l2_loss(conv_ret1)答案：A112.RMSprop相比Momentum,可以選擇更大的()A、損失函數(shù)B、學(xué)習(xí)率C、激活函數(shù)D、樣本集答案：B113.Tf在圖像處理的4維度張量,按照次序,它的意義是:A、batch、height、weight、channelB、height、weight、channel,batchC、batch、height、width、channelD、channel、height、weight、batch答案：C114.A=tf.Variable(8.1)Sess.run(tf.assign_add(a,1))A的值是:A、8.1B、8.2C、9.1D、7.1答案：C115.在jupyternotebook中使用()以交互模式打開獨立的GUI窗口,對同一個figure的繪制都自動刷新到對應(yīng)的GUI窗口A、%matplotlibinlineB、matplotlibinlineC、%mptinlineD、%inline答案：A116.編碼器-解碼器模式屬于以下哪種模式?A、一對一B、一對多C、多對一D、多對多答案：D117.Sigmoid激活函數(shù)的導(dǎo)數(shù)范圍是()A、(0,0.1]B、(0,0.2]C、(0,0.25]D、(0,0.5]答案：C118.“熊貓方式”和魚子醬方式的選擇主要是通過什么決定的A、計算機資源的充足與否B、測試集數(shù)量C、訓(xùn)練集數(shù)量D、隱藏層數(shù)量答案：A119.深度卷積神經(jīng)網(wǎng)絡(luò)中,()提取的特征往往是比較簡單的(如檢測點、線、亮度)?A、深層B、淺層C、最后幾層D、所有層答案：B120.激活函數(shù)tf.nn.relu能A、用于卷積后數(shù)據(jù)B、用于卷積核C、用于步長D、不能用到全連接層答案：A121.張量Tensor通常是操作()維數(shù)組進行傳送,形象地描述為從流圖的一端流動到另一端,即TensorFlow的組成A、NB、1C、0D、3答案：A122.(euclideanmetric歐幾里得度量)是一個通常采用的距離定義,在二維和三維空間中的歐氏距離就是兩點之間的實際()。A、誤差B、線段C、距離D、坐標答案：C123.經(jīng)典的網(wǎng)絡(luò)LeNet-5第七層是全連接層Output.這個層共有10個節(jié)點分別代表輸出數(shù)字范圍是()A、0和9B、0*9C、0到9D、0到10答案：C124.Batch歸一化在神經(jīng)網(wǎng)絡(luò)中的作用不包括A、減少了隱藏值分布變化的數(shù)量B、減少了輸入值改變的問題C、有輕微的正則化效果D、增加了輸入值改變的問題答案：D125.面部識別系統(tǒng)對面孔進行測量,并生成一個面紋,即面部的唯一數(shù)字代碼。每個面紋都存儲為一個()字節(jié)的文件。系統(tǒng)可以用每分鐘幾千萬張面孔的速度對內(nèi)存中的面紋數(shù)據(jù)進行匹配A、48B、84C、148D、841答案：B126.函數(shù)tf.log(),該函數(shù)返回的是一個()A、向量B、張量C、矢量D、范數(shù)答案：B127.在人臉檢測系統(tǒng)中,如函數(shù)caffe.set_mode_gpu()的含意是設(shè)置為什么模式?A、CPU模式B、GPU模式C、CPU+GPU模式D、TPU模式答案：B128.雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的英文縮寫是?A、RNNB、SRNNC、TRNND、Bi-RNN答案：D129.關(guān)于空間,向量空間也稱為(),它是線性代數(shù)的中心內(nèi)容和基本概念之一A、線性空間B、內(nèi)積空間C、賦范空間D、希爾伯特空間答案：A130.以下哪個余弦相似度值接近1?A、法國和意大利B、球和鱷魚C、體育和動物D、法國和足球答案：A131.函數(shù)tf.nn.relu的作用是?A、被卷積數(shù)據(jù)B、卷積核C、步長D、激活答案：D132.對于神經(jīng)網(wǎng)絡(luò)中超參數(shù)調(diào)試方法正確的是A、隨機選擇點來試驗超參數(shù)效果B、當你給超參數(shù)取值時,另一個慣例是采用由精細到粗糙的策略。C、只調(diào)試容易的D、給定默認值即可答案：A133.在深度學(xué)習(xí)中,前向算法就是有了聯(lián)結(jié)權(quán)重w和()H(x)之后,就可以由前往后面層計算A、激活函數(shù)B、正弦函數(shù)C、余弦函數(shù)D、Sigmoid函數(shù)答案：A134.Batch歸一化和神經(jīng)網(wǎng)絡(luò)中的什么功能類似A、reluB、dropoutC、sigmoidD、tanh答案：B135.Mini-batch指的是A、小批量梯度下降B、隨機梯度下降C、批量梯度下降D、小批量損失計算答案：A136.Relu()激活函數(shù)的作用是將大于0的數(shù)保持不變,小于()的數(shù)輸出為0A、-1B、0C、1D、x答案：B137.Session是Tensorflow為了控制,和輸出文件的執(zhí)行的語句.運行session.run()可以獲得你要得知的運算結(jié)果,或者是你所要運算的部分通常要創(chuàng)建Session對象,對應(yīng)的編程語句為:A、sess=tf.Session()B、sess.close()C、tf.add()D、tf.equal()答案：A138.在進入科學(xué)研究之前,第一步要對事物A、實驗準備B、下定義C、思想準備D、預(yù)測答案：B139.Tensorflow中,tensor=tf.constant([1,2,3,4,5,6,7,8]),sess.run(tf.reshape(tensor,[2,-1]))運行后,tensor的內(nèi)容變成?A、[[1,2,3,4],[5,6,7,8]]B、[[1,2,3],[4,5,6,7,8]]C、[[1,2,3],[4,5,6],[7,8]]D、[[1,2],[3,4],[5,6],[7,8]]答案：A140.根據(jù)實際問題來建立(),然后對它來進行求解A、架構(gòu)B、數(shù)學(xué)模型C、流程圖D、數(shù)據(jù)集答案：B141.雙曲正切函數(shù)指的是那一個函數(shù)?A、Sigmoid函數(shù)B、tanh函數(shù)C、ReLUD、leakyReLU答案：B142.輸入圖像有2個,經(jīng)過10個卷積核卷積后,輸出圖像有()個A、2B、5C、10D、不確定答案：C143.關(guān)于歸一化確定,下列說法正確的是:A、通過中值和均值進行確定B、通過平均值和最小值確定C、通過方差和均值確定D、通過標準差和均值確定答案：C144.局部響應(yīng)標準化,此該環(huán)節(jié)主要用于防止過擬合,簡稱是什么?A、本區(qū)域B、LRNC、BP算法D、池化答案：B145.從()、比較比對、逐漸逼近的循環(huán)過程就是建立數(shù)學(xué)模型A、測量B、校準C、回歸D、監(jiān)督答案：A146.為了屏蔽一些不必要的警告和錯誤,常使用編程語句例如os.environ['TF_CPP_MIN_LOG_LEVEL']='2'主要作用是屏蔽什么?A、警告B、錯誤C、警告和錯誤D、反匯編過程答案：C147.神經(jīng)網(wǎng)絡(luò)中超參數(shù)的調(diào)試中最重要的參數(shù)是A、mini-Batch的大小B、動量梯度下降的參數(shù)βC、學(xué)習(xí)率αD、隱藏層數(shù)目答案：C148.Tf.reshape(tensor,shape,name=None)函數(shù)的作用是將tensor變換為參數(shù)shape形式,其中的shape為一個()形式。-1所代表的含義是我們不用親自去指定這一維的大小,函數(shù)會自動進行計算A、矢量B、向量C、列表D、凸集答案：C149.數(shù)量積(dotproduct;scalarproduct,也稱為()是接受在實數(shù)R上的兩個向量并返回一個實數(shù)值標量的二元運算,它是歐幾里得空間的標準內(nèi)積。A、平方差B、和差化積C、內(nèi)積D、點積答案：D150.一個向量空間加上拓撲學(xué)符合運算的(加法及標量乘法是連續(xù)映射)稱為()A、拓撲向量空間B、內(nèi)積空間C、矢量空間D、希爾伯特空間答案：A多選題1.深度學(xué)習(xí)的興起主要得益于三個方面的原因A、新方法的出現(xiàn),為神經(jīng)網(wǎng)絡(luò)深度的拓展解決了梯度彌散的問題;B、大量已標注數(shù)據(jù)的出現(xiàn),為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練做好了數(shù)據(jù)準備;C、GPU(圖形處理器)的使用,為卷積計算提供了高速解決方案D、深度學(xué)習(xí)等于人工智能答案：ABC2.關(guān)于正則化的正確說法有:A、要求在損失函數(shù)加正則化項B、是強制將w更新進行截止C、會減少過擬合D、會增加過擬合答案：ABC3.關(guān)于反向傳播算法,它也存在不足,其主要有:A、訓(xùn)練時間較長B、完全不能訓(xùn)練,訓(xùn)練時由于權(quán)值調(diào)整過大使激活函數(shù)達到飽和C、易陷入局部極小值D、“喜新厭舊”。訓(xùn)練過程中,學(xué)習(xí)新樣本時有遺忘舊樣本的趨勢答案：ABCD4.語句a=tf.Variable([1,2,3])和b=tf.Variable(a)這條語句:A、合法B、非法C、合法但a需要提前初始化D、合法但不夠安全答案：ACD5.Tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)意義:A、定義學(xué)習(xí)步長B、優(yōu)化器C、交叉熵損失函數(shù)D、開始訓(xùn)練答案：ABC6.如果是填充后求卷積,圖像尺寸不變化A、以0填充B、填充厚度為卷積核厚度減1的一半C、步長為1D、圖像尺寸變小答案：ABC7.Tensorflow中,哪些運算結(jié)果為TrueA、tf.equal(1.0,1)B、tf.equal(1.0,1.0)C、tf.equal(0,False)D、tf.equal(1,False)答案：ABC8.屬于卷積核K的參數(shù)是A、步長B、填充C、輸入通道D、輸出通道答案：CD9.下列屬于dropout特性的有:A、具有正則化功能B、具有激活函數(shù)功能C、常用于圖像處理D、機器學(xué)習(xí)算法答案：AC10.關(guān)于梯度消失,說法正確的是:A、可以通過激活函數(shù)防止梯度消失B、梯度消失對神經(jīng)網(wǎng)絡(luò)無影響C、盡量避免梯度消失D、梯度消失反向傳播時,由于梯度值過小或消失的現(xiàn)象答案：ACD11.程序語句例如conv2d(input_d,filter_d,strides=[1,3,3,1],padding='SAME'),這條語句的含意理解為()?A、步長在高度方向和寬度方向均為3B、填充圖像邊緣,使圖像尺寸不變C、input_d是待卷積的數(shù)據(jù)D、進行卷積操作答案：ABCD12.哪些屬于序列數(shù)據(jù)A、語音識別B、情感分類C、機器翻譯D、DNA序列分析答案：ABCD13.Adam算法結(jié)合了()算法于一身A、RMSprop算法B、均方誤差C、Momentum算法D、交叉熵答案：AC14.對于矩陣A可以求逆,那么A必須A、是方陣B、行列式不為零C、任意矩陣D、行列式為1答案：AB15.語句tf.variables_initializer語句可以A、初始化一個變量B、初始化多個變量C、初始化全部變量D、初始化常量答案：ABC16.哪些是tensorflow的算術(shù)運算函數(shù)?A、add()B、subtract()C、multiply()D、div()答案：ABCD17.范數(shù),在()、()及相關(guān)的數(shù)學(xué)領(lǐng)域,范數(shù)是一個函數(shù),是矢量空間內(nèi)的所有矢量賦予非零的正長度或大小。A、線性代數(shù)B、泛函分析C、腐蝕D、膨脹答案：AB18.語句t=tf.ones_like(a)的幾個意義是A、將t節(jié)點內(nèi)容用a替換B、t節(jié)點對應(yīng)張量維度和A相同C、t對應(yīng)張量值為1D、a需要預(yù)先初始化答案：BCD19.Tf.nn.conv2d(x,W,name1=[1,1,1,1],name2='SAME')其中name1和name2對應(yīng)單詞是:A、name1是strideB、name2是paddingC、name1是paddingD、name2是stride答案：AB20.人工智能是解決機器()的學(xué)科A、感知B、理解C、決策D、證明答案：ABC21.Momentum和RMSprop算法的特點是:A、RMSprop可以取更大學(xué)習(xí)率B、RMSprop是將指數(shù)平均值平方再開發(fā)C、RMSprop下降更好消除擺動D、RMSprop和Momentum都可以優(yōu)化算法答案：ABCD22.Sigmoid函數(shù)的性質(zhì)有哪些?A、將輸出數(shù)據(jù)壓縮到[0,1]集合范圍B、能解決非線性分類問題C、將負的權(quán)值映射到正值D、將正權(quán)值映射到負數(shù)答案：ABC23.(Non-maximumsuppression,NMS)的本質(zhì)是?A、搜索局部極大值B、抑制非極大值元素C、尋找出最小值D、尋找出閾值答案：AB24.對數(shù)坐標下,在[a,b]區(qū)間隨機隨機均勻地給r取值的說法正確的是A、取最小值的對數(shù)得到a的值B、取最小值的對數(shù)得到b的值C、取最大值的對數(shù)得到a的值D、取最大值的對數(shù)得到b的值答案：AD25.在h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])這條語句的意義有:A、卷積層的終極輸出是64幅圖B、卷積層輸出圖片size是7X7C、將64幅7X7張量改寫成一個向量D、h_pool2_flat是全鏈接層的輸入數(shù)據(jù)答案：ABCD26.在循環(huán)神經(jīng)網(wǎng)絡(luò)中,LSTM有哪幾個門?A、輸入門B、遺忘門C、輸出門D、更新門答案：ABC27.語句tf.nn.dropout(h_fc1,keep_prob)的意義是A、停止某些節(jié)點更新B、保留百分率為keep_prob的節(jié)點更新C、在全鏈接層有效D、可以停止任意層節(jié)點更新答案：ABCD28.Inception網(wǎng)絡(luò)都是頂尖的網(wǎng)絡(luò)代表,Inception細分種類有那幾種?()A、Inceptionv1B、Inceptionv2C、Inceptionv3,Inceptionv4D、Inception-ResNet答案：ABCD29.以下可以處理Mnist數(shù)據(jù)集的分類算法有A、KNNB、邏輯回歸C、卷積神經(jīng)網(wǎng)絡(luò)D、k-mean答案：ABC30.Tf中能實現(xiàn)兩個向量代數(shù)運算的語句是A、c=tf.greater(A,b)B、a=tf.subtract(A,b)C、b=tf.Equal(A,b)D、d=tf.matmul(A,b)答案：BD31.張量語句tf.concat()是:A、合并張量B、與張量維度有關(guān)C、實現(xiàn)代數(shù)運算D、輸入數(shù)據(jù)是一個張量答案：AB32.在tensorflow中,tf.reshape函數(shù)的參數(shù)是(tensor,shape,name=None),以下哪些描述是正確的?A、函數(shù)的作用是將tensor變換為參數(shù)shape形式B、其中的shape為一個列表形式C、name可省略D、-1所代表的含義是我們不用親自去指定這一維的大小,函數(shù)會自動進行計算答案：ABCD33.語句train_acc=accuracy.eval(feed_dict={x:batch[0],y_actual:batch[1],keep_prob:1.0})A、是訓(xùn)練過程B、是測試過程C、輸入訓(xùn)練集合D、輸入dropout比例答案：ACD34.通常所用的函數(shù),可以描述為?A、一個集合B、一個映射C、一個概率空間D、一個線性空間答案：AB35.哪些是Tensorflow的RNN中關(guān)于cell的類A、BasicRNNCellB、BasicLSTMCellC、GRUCellD、MultiRNNCell答案：ABCD36.關(guān)于正則化,描述正確的是:A、正則化可以防止欠擬合B、正則化可以防止過擬合C、dropout具有正則化效果D、relu函數(shù)具有正則化效果答案：BC37.()變換在數(shù)字圖像處理中通常是對于圖像的()提取A、BGRB、歐氏距離C、骨架D、RGB答案：BC38.以下哪些tensorflow的函數(shù)可以對張量進行邏輯運算A、equal()B、not_equal()C、less()D、greater()答案：ABCD39.人工智能的的三個主要流派是指A、符號主義B、連接主義C、行為主義D、機器學(xué)習(xí)答案：ABC40.以下哪條tf語句能夠描述損失函數(shù)A、loss=tf.reduce_mean(tf.square(y-y_datA.)B、loss=tf.reduce_sum(tf.square(y-y_datA.)C、loss=tf.reduce_mean(tf.add(y,y_datA.)D、loss=tf.reduce_mean(tf.subtract(y,y_datA.)答案：AB41.通過試驗超參數(shù)的不同取值可以A、選擇對訓(xùn)練集目標而言的最優(yōu)解B、對于開發(fā)集而言的最優(yōu)解C、超參搜索過程中最想優(yōu)化的東西D、簡化參數(shù)調(diào)試答案：ABC42.在tensorflow平臺中,可以實現(xiàn)兩個向量內(nèi)積運算的語句包括:A、tf.reduce_sumB、tf.multiplyC、tf.reduce_meanD、tf.norm答案：AB43.關(guān)于sigmoid函數(shù),它的性質(zhì)有什么?A、概率平均B、能解決非線性分類問題C、將負的權(quán)值映射到正值D、將正權(quán)值映射到負數(shù)答案：BC44.對于tf.nn.SoftMax函數(shù),它可以:A、用于多類別分類B、映射到概率空間C、壓縮數(shù)據(jù)D、用于卷積層答案：ABC45.語句tf.transpose(x).eval()的意義是:A、對x進行轉(zhuǎn)置B、從tf環(huán)境中獲取x的數(shù)據(jù)交給python環(huán)境C、不對x轉(zhuǎn)置D、不能獲知x的內(nèi)容答案：AB46.動量梯度下降算法是通過()和()控制梯度下降的A、平均值B、指數(shù)加權(quán)平均值C、學(xué)習(xí)率D、方差答案：BC47.語句a=np.array([1,2,3,45,22,100])S=tf.convert_to_tensor(A,name="sss")的正確斷言是:A、a是np指定的張量B、可以實現(xiàn)對tf張量的任意填充C、convert_to_tensor將a轉(zhuǎn)換成tf張量D、S是指向tf張量的結(jié)點答案：ABCD48.深度學(xué)習(xí)網(wǎng)絡(luò)的卷積部分的組成有A、卷積層B、RELUC、POOLING層D、pedding答案：ABC49.人臉檢測系統(tǒng)中,檢測出人臉后,可對人臉進行分析,獲得()等72個關(guān)鍵點A、眼B、口C、鼻D、輪廓答案：ABCD50.反向傳播算法的過程如下:A、初始化聯(lián)結(jié)權(quán)重Wij,對于輸入的訓(xùn)練樣本,求取每個節(jié)點輸出和最終輸出層的輸出值B、對輸出層求取偏導(dǎo)數(shù)C、對于隱藏層求取偏導(dǎo)數(shù)D、求取輸出誤差對于每個權(quán)重的梯度,更新權(quán)重答案：ABCD51.信息熵是對概率空間的整個系統(tǒng)描述,這里的概率空間描述正確的是:A、包含全部樣本點B、可能有多種劃分C、是核函數(shù)D、解決線性分類問題答案：AB52.人臉檢測項目中,使用的圖片格式通常有那幾種?A、PNGB、JPGC、JPEGD、BMP答案：ABCD53.被譽為近代人工智能領(lǐng)域的三駕馬車的人物是:A、楊立坤YanLeCuB、辛頓C、BenGioD、比爾·蓋茨答案：ABC54.對于w_data=np.mat([[1.0,3.0]]).T生成的張量維度是A、維度是(2,1)的張量B、是向量,值為[1,3]C、是矩陣[[1],[3]]D、是向量[[1,3]]的轉(zhuǎn)置答案：ACD55.Sigmoid激活函數(shù)的用途是:A、解決非線性分類B、數(shù)據(jù)壓縮至(0,1)C、是核函數(shù)D、解決線性分類問題答案：AB56.語句中:tensorflow.truncated_normal(shape,mean,stddev)以下說法正確的是A、shape是張量形狀B、正態(tài)隨機數(shù)填充C、隨機數(shù)需截斷D、方差是stddev答案：ABC57.人臉檢測的圖片通常有那幾種類型?A、LIVE表示生活照;B、IDCARD表示身份證芯片照;C、WATERMARK表示帶水印證件照;D、CERT表示證件照片;答案：ABCD58.要抽象和展示MathematicalModel通常會使用()等方式A、數(shù)學(xué)符號B、數(shù)學(xué)式子C、程序D、圖形答案：ABCD59.以下哪些框架可以用于深度學(xué)習(xí)領(lǐng)域A、caffeB、torchC、tensorflowD、mxnet答案：ABCD60.在圖像處理中,在顏色RGB建立三維向量的距離空間,能A、實現(xiàn)顏色分類B、計算兩種顏色的差別C、計算兩個圖像差別D、與圖像內(nèi)容有關(guān)答案：ABC判斷題1.損失函數(shù),是個數(shù)量函數(shù),張量維度為0A、正確B、錯誤答案：A2.對于概率空間一個任意劃分,其結(jié)果依然是概率空間。A、正確B、錯誤答案：A3.判斷:除了沖激函數(shù),高斯函數(shù)的衰減速度最快。A、正確B、錯誤答案：A4.信息熵是針對有限個概率事件的。A、正確B、錯誤答案：A5.若沒有在超參數(shù)中作出正確的標尺決定,可以通過在均勻標出上選取多個數(shù)據(jù)進行彌補A、正確B、錯誤答案：A6.如果對多元數(shù)量函數(shù)求梯度,結(jié)果是個向量。A、正確B、錯誤答案：A7.Non-MaximumSuppression,簡稱NMS,理解為抑制不是極大值的元素,可以理解為局部最大搜索A、正確B、錯誤答案：A8.處理分類問題一般用神經(jīng)網(wǎng)絡(luò),處理預(yù)測問題用線性回歸。A、正確B、錯誤答案：A9.不論多大的數(shù)據(jù)集,測試集數(shù)量必須保持在30%A、正確B、錯誤答案：B10.BP算法是由學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。由于多層前饋網(wǎng)絡(luò)的訓(xùn)練經(jīng)常采用誤差反向傳播算法,人們也常把將多層前饋網(wǎng)絡(luò)直接稱為BP網(wǎng)絡(luò)A、正確B、錯誤答案：A11.框架TensorFlow靈活的數(shù)值計算用于許多科學(xué)領(lǐng)域A、正確B、錯誤答案：A12.用sigmoid函數(shù)不能將運算映射到概率空間。A、正確B、錯誤答案：B13.風格遷移可以被卷積神經(jīng)網(wǎng)絡(luò)不同激活的內(nèi)部相互關(guān)系所捕捉到。A、正確B、錯誤答案：A14.在古典概率空間,其樣本點對應(yīng)概率必須相等。A、正確B、錯誤答案：A15.張量維度或形狀,是用一個向量描述。A、正確B、錯誤答案：A16.RNN中,LSTM比GRU更加靈活。A、正確B、錯誤答案：A17.歐氏距離是一種很好的相似性度量標準A、正確B、錯誤答案：A18.實踐中,Batch歸一化通常和訓(xùn)練集的mini-batch一起使用A、正確B、錯誤答案：A19.Batch歸一化簡化參數(shù)搜索問題A、正確B、錯誤答案：A20.在使用SOFTMAX函數(shù)時,是將運算結(jié)果從向量空間轉(zhuǎn)化到概率空間。A、正確B、錯誤答案：A21.Tf.summary.histogram()函數(shù)功能是輸出一個直方圖的SummaryprotocolbufferA、正確B、錯誤答案：A22.過擬合是指由于訓(xùn)練樣本不足,導(dǎo)致測試結(jié)果不堪用A、正確B、錯誤答案：B23.RecurrentNeuralNetwork。神經(jīng)網(wǎng)絡(luò)是一種節(jié)點定向連接成環(huán)的人工神經(jīng)網(wǎng)絡(luò)A、正確B、錯誤答案：A24.BP網(wǎng)絡(luò)的輸入輸出關(guān)系實質(zhì)上是一種映射關(guān)系:一個n輸入m輸出的BP神經(jīng)網(wǎng)絡(luò)所完成的功能是從n維歐氏空間向m維歐氏空間中一有限域的連續(xù)映射,這一映射具有高度非線性。A、正確B、錯誤答案：A25.對于形如[[[],[]]]的張量,它的維度向量是[1,2,0]。A、正確B、錯誤答案：A26.深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示A、正確B、錯誤答案：A27.Sigmoid函數(shù)是一個良好的閾值函數(shù),連續(xù),光滑,嚴格單調(diào)A、正確B、錯誤答案：A28.均方損失函數(shù),是個數(shù)量函數(shù),張量維度為1A、正確B、錯誤答案：B29.全連接層無法實現(xiàn)卷積運算,他們互有分工。A、正確B、錯誤答案：A30.Dropout具有歸一化功能A、正確B、錯誤答案：B31.Tf.argmax(vector,1):返回的是vector中的最大值的索引號,如果vector是一個向量,那就返回一個值,如果是一個矩陣,那就返回一個向量,這個向量的每一個維度都是相對應(yīng)矩陣行的最大值元素的索引號A、正確B、錯誤答案：A32.損失函數(shù)中,基于信息熵的損失函數(shù),與平方范數(shù)損失函數(shù)互有矛盾。A、正確B、錯誤答案：B33.用卷積實現(xiàn)圖像特征提取,就是借用共振原理。A、正確B、錯誤答案：B34.在一次學(xué)習(xí)問題中,只能通過一個樣本進行學(xué)習(xí),以能夠認出同一個人。A、正確B、錯誤答案：A35.Padding(填充)屬性定義元素邊框與元素內(nèi)容之間的空間A、正確B、錯誤答案：A36.Yolo采用一個CNN網(wǎng)絡(luò)來實現(xiàn)檢測,是單管道策略,其訓(xùn)練與預(yù)測都是end-to-end,所以Yolo算法比較簡潔且速度快A、正確B、錯誤答案：A37.動量梯度下降法運行速度幾乎總是快于標準的梯度下降算法A、正確B、錯誤答案：A38.CBOW(連續(xù)詞袋)模型的特點是輸入已知上下文,輸出對當前單詞的預(yù)測A、正確B、錯誤答案：A39.在步長迭代運算中,連續(xù)函數(shù)與間斷函數(shù)比較,好處在于,能夠不間斷運算。A、正確B、錯誤答案：A40.T_scope()的含義是在另外一個命名空間來定義變量A、正確B、錯誤答案：A41.常見編碼中,ASC和Unicode的bit位相同。A、正確B、錯誤答案：B42.Print(sess.run(tf.sigmoid(a)))是邏輯回歸A、正確B、錯誤答案：B43.對于損失函數(shù),有多種函數(shù)形式可以表達。A、正確B、錯誤答案：A44