人工智能深度学习技术练习(习题卷16)

试卷科目：人工智能深度学习技术练习人工智能深度学习技术练习(习题卷16)PAGE"pagenumber"pagenumber/SECTIONPAGES"numberofpages"numberofpages人工智能深度学习技术练习第1部分：单项选择题，共47题，每题只有一个正确答案,多选或少选均不得分。[单选题]1.生成随机整数命令是（）。A)importB)random.random(C)random.randint(D)import答案:C解析:难易程度：易题型：[单选题]2.在下列哪些应用中，我们可以使用深度学习来解决问题?DA)蛋白质结构预测B)预测C)来粒子的检测D)所有这些答案:D解析:[单选题]3.在keras的自带模型中，XceptionV1模型的默认输入尺寸是（）A)229x229B)299x299C)224x224D)244x244答案:B解析:[单选题]4.在绘图时?m?表示那种颜色（）。A)红色B)蓝色C)青色D)以上都不是答案:D解析:难易程度：易题型：[单选题]5.DataLoader中batch_size的作用是A)批次大小B)是否乱序C)使用多进程读取数据，设置的进程数。D)是否丢弃最后一个样本数量不足batch_size批次数据。答案:A解析:[单选题]6.在函数的上升速度来看,最慢的是A)线性函数B)指数函数C)幂函数D)对数函数答案:D解析:[单选题]7.一个32X32大小的图像,通过步长为2,尺寸为2X2的池化运算后,尺寸变为A)14X14B)2X2C)28X28D)16X16答案:D解析:[单选题]8.Tf.add(a,b)函数的作用是?A)除法B)加法操作C)减法操作D)乘法操作答案:B解析:[单选题]9.从sigmoid函数的图像中可以看到,如果x稍微大点的话,其值接近为1,则在进行反向传播算法的过程中对其求导的导数非常的接近0,因此会导致梯度为0的()的现象A)梯度消失B)梯度上升C)梯度下降D)梯度发散答案:A解析:[单选题]10.深度学习模型训练，一个训练过程的完成可以不包含（）A)数据集加载B)优化器设置C)网络搭建D)学习率调整答案:D解析:进行深度学习模型训练，一个训练过程的完成包含以下几点：1.数据集加载2.网络搭建3.优化器设置4.学习率调整(可选)[单选题]11.实现矩阵与标量乘法的命令是（）。A)np.doc()B)np.matmul()C)np.dot()D)以上都不是答案:D解析:难易程度：易题型：[单选题]12.LSTM中,哪个门的作用是?决定我们会从细胞状态中丢弃什么信息??A)输入门B)遗忘门C)输出门D)更新门答案:B解析:[单选题]13.数据归一化处理是指将每个特征的取值缩放到（）。A)-1B)-1C)0D)1答案:C解析:难易程度：易题型：[单选题]14.神经风格迁移是指将()图像的风格应用于目标图像,同时保留目标图像的内容。A)参考B)卷积C)池化D)腐蚀答案:A解析:[单选题]15.以下不是RNN的特点有：A)当前输入值是上一次输出值B)使用tanh激活C)使用时间步作为计算数据D)每个处理的时间步对应的权重不同答案:D解析:[单选题]16.下列哪个神经网络结构会发生权重共享A)卷积神经网络B)递归神经网络C)全连接神经网络D)无正确选项答案:A解析:[单选题]17.正太分布的生成语句是（）。A)np.random.normal()B)np.standard_normal()C)np.random.standard_normal()D)np.random.standarb_normal()答案:C解析:难易程度：易题型：[单选题]18.在概率空间中,样本点的概率必须是:A)相等B)可以不等C)可以为0D)可以为1答案:A解析:[单选题]19.torch.nn.Conv2d中控制卷积尺寸的参数为A)strideB)kerner_sizeC)in_channelsD)out_channels答案:B解析:[单选题]20.以下选项中,Pyhon使用矩阵运算是调用的第三方库是（）。A)turtleB)matplotlibC)numpyD)time答案:C解析:难易程度：易题型：[单选题]21.Adam算法的tensorflow代码是:A)tf.example.AdamOptimizerB)tf.train.AdamOptimizerC)tf.nn.AdamOptimizerD)tf.AdamOptimizer答案:B解析:[单选题]22.通常对一个事物下定义,首先要将它放入(),然后再通过层层限定,收缩该事物的外延。A)包含该事物的的集合。B)边缘事物的集合C)它包含的更小的集合D)直接陈列它的属性A答案:A解析:[单选题]23.当使用predict()方法进行预测时，返回值是数值，表示样本()A)属于的类别B)类别大小C)属于每一个类别的概率D)预测准确率答案:C解析:[单选题]24.根据实际问题来建立(),然后对它来进行求解A)架构B)数学模型C)流程图D)数据集答案:B解析:[单选题]25.以下属于回归分析的损失函数的是（）A)交叉熵B)均方误差C)绝对值差D)求和答案:B解析:[单选题]26.下图中的数据是线性可分的么？A)是B)否C)图片有误D)可能可以答案:A解析:[单选题]27.灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色（）。A)亮度B)深度C)广度D)色度答案:B解析:灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。[单选题]28.下列描述有误的是（）。A)基本流程：创建画布，绘制图形，保存展示图形B)必须先保存图形才能展示图形C)添加图例必须在绘制图形之后D)创建子图时，默认会根据画布的大小平均分配答案:B解析:难易程度：中题型：[单选题]29.下列哪些项目是在图像识别任务中使用的数据扩增技术(dataaugmentationtechnique)?1水平翻转(Horizontalflipping)2随机裁剪(Randomcropping)3随机放缩(Randomscaling)4颜色抖动(Colorjittering)5随机平移(Randomtranslation)6随机剪切(Randomshearing)DA)1，3，5，6B)1，2，4C)2，3，4，5，6D)所有项目答案:D解析:[单选题]30.一个数据集中,没有哪一种类型的数据集:A)测试集B)确认集C)验证集D)训练集答案:B解析:[单选题]31.通过pandas中的()调用混淆矩阵，来查看哪些结果最容易混淆，对角线部分，为正确预测的部分，其它部分则是预测错误的部分。A)crosstabB)crossroadC)crosstroyD)crosslab答案:A解析:[单选题]32.下面哪项操作能实现跟神经网络中Dropout的类似效果?A)BoostingB)BaggingC)StackingD)Mapping答案:B解析:[单选题]33.优化算法计算用到了:A)标准差加权平均B)方差加权平均C)对数加权平均D)指数加权平均答案:D解析:[单选题]34.欧几里得空间标准内积的另外一种表述是()?A)平方差B)和差化积C)内积D)点积答案:D解析:[单选题]35.a=tf.constant([1,2,3,4])b=a.transpose(2,3,1,0)的结果是A)[1,2,3,4B)[4,3,2,1]C)[3,2,4,1]D)[3,4,2,1]答案:D解析:[单选题]36.A=10−121032−1，B=−210031002，求A⋅B=（）。A)21B)22C)23D)24答案:D解析:难易程度：难题型：[单选题]37.在深度神经网络中,全连接层的作用是A)滤波B)One-hot处理C)用于特征提取D)用于分类答案:D解析:[单选题]38.keras中模型编译的函数是A)optimizerB)addC)compileD)predict答案:C解析:[单选题]39.依据函数的曲线分布而命名的()激活函数中,就是指Sigmoid函数A)U型B)M型C)X型D)S型答案:D解析:[单选题]40.从上升速度来看所有的函数的,上升最慢的是A)线性函数B)指数函数C)幂函数D)对数函数答案:D解析:[单选题]41.不是LSTM的作用的是A)解决梯度消失B)解决梯度爆炸C)使用后面的时间步，预测前面时间步的结果D)关联很久以前的时间步答案:C解析:[单选题]42.考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个类似问题已经预先训练好的神经网络。可以用下面哪种方法来利用这个预先训练好的网络?A)把除了最后一层外所有的层都冻结，重新训练最后一层B)对新数据重新训练整个模型C)对每-层模型进行评估，选择其中的少数来用D)只对最后几层进行调参(finetune)答案:D解析:[单选题]43.深度学习的概念源于人工神经网络的研究，含多个（）的多层感知器就是一种深度学习结构。A)输入层B)特征层C)隐藏层D)输出层答案:C解析:深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。[单选题]44.sigmoid函数描述错误的是A)输出结果是-1~+1B)0.5是分类的阈值C)输出的结果为正类别概率D)导数范围为0~0.25答案:A解析:[单选题]45.卷积核的大小对于改进卷积神经网络的效果是必要的吗?CA)听说过B)是C)否D)知道答案:C解析:[单选题]46.常用的非监督学习算法有A)聚类B)K-近邻算法C)回归算法D)决策树答案:A解析:[单选题]47.表示数组维度的元组命令是（）。A)ndarray.ndimB)ndarray.shapeC)ndarray..sizeD)ndarray.dtype答案:B解析:难易程度：易题型：第2部分：多项选择题，共15题，每题至少两个正确答案,多选或少选均不得分。[多选题]48.TensorFlow软件库可以轻松地将计算工作部署到多种平台()A)CPUB)GPUC)TPUD)SDK答案:ABC解析:[多选题]49.tensorflow2.0求最小值可以使用A)梯度词袋B)优化器C)梯度下降D)正规方程解答案:ABCD解析:[多选题]50.inception同一层可以同时使用（）尺寸的卷积核A)1*1B)3*3C)5*5D)11*11答案:ABC解析:[多选题]51.dropout描述正确的是A)将部分数据永久失活B)训练时数据失活，测试时数据激活C)每次运算失活的神经元不同D)属于正则化处理方式答案:BCD解析:[多选题]52.零填充描述正确的是A)可以给图像周边填充0B)保证卷积后的结果大小不变C)将卷积数据归零D)卷积池化中都可以使用答案:ABD解析:[多选题]53.深度学习中通过动物来形容训练模型有A)熊猫法B)鱼子酱法C)猫狗法D)大鱼法答案:AB解析:[多选题]54.深度学习的兴起主要得益于三个方面的原因A)新方法的出现,为神经网络深度的拓展解决了梯度弥散的问题;B)大量已标注数据的出现,为神经网络的训练做好了数据准备;C)GPU(图形处理器)的使用,为卷积计算提供了高速解决方案D)深度学习等于人工智能答案:ABC解析:[多选题]55.pytorch在gpu上跑数据时，需要将（）移动到gpu上A)模型B)数据C)tensorboardD)评估指标答案:AB解析:[多选题]56.CNN处理图像的三大优势是：A)图像不变性B)局部感知C)参数共享D)模型替换答案:ABC解析:[多选题]57.如果一个时间步很重要，但是要在很多个时间步后有效，可以使用什么模型进行处理A)RNNB)LSTMC)GRUD)BRNN答案:BC解析:[多选题]58.具有激活功能的函数有A)reluB)softmaxC)sigmoidD)tanh答案:ABCD解析:[多选题]59.tensorflow2.0中常见的两种数据为A)变量B)常量C)占位符D)全是答案:AB解析:[多选题]60.在深度学习中，模型出现过拟合的现象可能是（）A)训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；B)训练集和测试集特征分布不一致；C)样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系D)权值学习迭代次数足够多(Overtraining)，拟合了训练数据中的噪声和训练样例中没有代表性的特征答案:ABCD解析:[多选题]61.在关于解决棋类问题的方法中A)深蓝属于符号主义B)阿尔法go是连接主义C)深蓝是连接主义D)阿尔法go是行为主义答案:AB解析:[多选题]62.以下说法,关于tensorflow描述正确的是A)集成了主流的机器学习算法B)支持分布式部署C)支持Python语言开发D)不支持深度学习答案:ABC解析:第3部分：判断题，共22题，请判断题目是否正确。[判断题]63.人工智能（ArtificialIntelligence，缩写为AI）亦称机器智能，指由人制造出来的机器所表现出来的智能。A)正确B)错误答案:对解析:人工智能（ArtificialIntelligence，缩写为AI）亦称机器智能，指由人制造出来的机器所表现出来的智能。[判断题]64.卷积神经网络的前几层检查提取例如边缘这样的简单特征A)正确B)错误答案:对解析:[判断题]65.RMSprop算法是将指数加权平均数先平方再开方A)正确B)错误答案:对解析:[判断题]66.人工智能是研究、开发用于模拟、延伸、扩展人的智能理论、方法、技术及应用系统的一门新的技术学科。人工智能是计算机科学的一个分支。A)正确B)错误答案:对解析:[判断题]67.对于顺序结构的模型，优先使用Sequential方法构建。A)正确B)错误答案:对解析:[判断题]68.为节省神经网络模型的训练时间，神经网络模型的权重和偏移参数一般初始化为0A)正确B)错误答案:错解析:[判断题]69.RMSprop优化器很好的解决了Adagrad优化器过早结束的问题，很合适处理非平稳目标，对于RNN网络效果很好。A)正确B)错误答案:对解析:[判断题]70.PyTorch是亚马逊公司的深度学习平台。A)正确B)错误答案:错解析:[判断题]71.深度学习在不同的领域超参数的设定不能通用A)正确B)错误答案:错解析:[判断题]72.所谓积分运算,就是求和的极限A)正确B)错误答案:对解析:[判断题]73.CBOW(连续词袋)模型的特点是输入已知上下文,输出对当前单词的预测A)正确B)错误答案:对解析:[判断题]74.SOFTMAX函数,是用来将全数域函数结果映射到概率空间。A)正确B)错误答案:对解析:[判断题]75.开发软件Anaconda不可以在Win10平台安装A)正确B)错误答案:错解析:[判断题]76.梯度消失可以通过更好的激活函数来解决A)正确B)错误答案:对解析:[判断题]77.卷积不可以处理序列模型A)正确B)错误答案:错解析:[判断题]78.梯度下降是训练机器学习算法中常用的优化技术。A)正确B)错误答案:对解析:[判断题]79.两个信号序列形状相似,其相关系数也大。A)正确B)错误答案:对解析:[判断题]80.LSTM(Longshort-termmemory),主要由四个Component组成:InputGate,OutputGate,MemoryCell以及ForgetGateA)正确B)错误答案:对解析:[判断题]81.Keras是一个单独的框架A)正确B)错误答案:对解析:第4部分：问答题，共16题，请在空白处填写正确答案。[问答题]82.计算图可以通过_______高效计算导数答案:反向传播解析:[问答题]83.Sigmoid激活函数将输入的数值映射到______区间内。答案:[0,1]；解析:[问答题]84.GAN算法用于图像_______答案:生成解析:[问答题]85.importtensorflowastfA=tf.Variable(3,name='l')B=tf.Variable(4,name='l2')a.assign_add(1)C=a+bInit=tf.global_variables_initializer()#替换成这样就好Sess=tf.Session()Sess.run(init)Sess.run(c)该程序输出结果为______。答案:8；解析:[问答题]86.编程：给定神经网络的输入，神经网络的结构以及边上权重，就可以通过前向传播算法来计算出神经网络的输出。答案:ImporttensorflowastfX=tf.constant([[0.7,0.9]])W1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))W2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))A=tf.matmul(x,w1)Y=tf.matmul(a,w2)withtf.Session()assess:init_op=tf.global_variables_initializer()sess.run(init_op)print(sess.run(y))解析:[问答题]87.state=tf.Variable(0,name='counter')New_value=tf.add(state,1)Update=tf.assign(state,new_value)Init=tf.global_variables_initializer()Withtf.Session()assess:sess.run(init)print(sess.run(state))for_inrange(5)sess.run(update)print(sess.run(state))该程序输出结果为_______。答案:0,1,2,3,4,5；解析:[问答题]88.训练过程中,若一个模型不收敛,那么是否说明这个模型无效?导致模型不收敛的原因有哪些?答案:并不能说明这个模型无效,导致模型不收敛的原因可能有数据分类的标注不准确,样本的信息量太大导致模型不足以fit整个样本空间。学习率设置的太大容易产生震荡,太小会导致不收敛。可能复杂的分类任务用了简单的模型。数据没有进行归一化的操作。解析:[问答题]89.按照学习方式分类，机器学习可以分为哪四种？答案:监督式学习，非监督学习，半监督学习，强化学习解析:[问答题]90.简述卷积神经网络卷积层的结构特点。答案:卷积层主要用来进行特征提取，常用的方式是进行卷积操作，在图片上采用合适大小的卷积核在每一个通道上进行扫描，卷积得到图像的邻域特征。解析:[问答题]91.假设你创建了一个包含变量w的图，然后在两个线程中分别启动一个会话，两个线程都使用了图g，每个会话会有自己对w变量的拷贝，还是会共享变量？答案:在本地TensorFlow中，会话用来管理变量的值，如果你创建了一个包含变量w的图g，然后启动两个线程，并在每个线程中打开一个本地的会话，这两个线程使用同一个图g，那么每个会话会拥有自己的w的拷贝。如果在分布式的TensorFlow中，变量的值则存储在由集群管理的容器中，如果两个会话连接了同一个集群，并使用同一个容器，那么它们会共享变量w。解析:[问答题]92.编程：用tensorflow实现线性模型。答案:Importtensorflowastf#创建变量W和b节点，并设置初始值W=tf.Variable([.1],dtype=tf.float32)B=tf.Variable([-.1],dtype=tf.float32)#创建x节点，用来输入实验中的输入数据X=tf.placeholder(tf.float32)#创建线性模型Linear_model=W*x+b#创建y节点，用来输入实验中得到的输出数据，用于损失模型计算Y=tf.placeholder(tf.float32)#创建损失模型Loss=tf.red