典型卷积神经网络算法单元测试与答案

一、单选题1、梯度消失和梯度爆炸不会导致下面哪种情况？A.梯度爆炸使网络训练时代价函数震荡，不利于收敛B.梯度消失会导致网络训练变慢C.梯度爆炸会加快网络训练，更易达到最优解D.梯度消失使网络性能不佳，分类准确度低正确答案：C2、以下哪个不是AlexNet的创新点？A.dropoutB.共享权重C,双GPU训练D.Relu激活函数和重叠池化正确答案：B3、AlexNet使用ReLU激活函数的好处不包括以下哪个方面？A.开销小、计算快B.梯度为0时神经元难以正常工作C提高l网络训练速度口.缓解了梯度消失问题正确答案：B4、在池化中，当步长小于卷积核的大小时会称为重叠池化。与非重叠池化相比，下面哪个不是重叠池化的优点？A.损失信息少B.减少计算量C.获得的图像特更丰富D才是高卷积神经网络的正确率正确答案：B5、有关VGG网络的说法，以下哪个说法是错误的？A.多个3X3小卷积的级联效果与5X5和7X7的大卷积核功能相仿8.卷积层与池化层是一一配对的C.使用了dropout减少过拟合D.使用不同数量的卷积核拼成模块，同一模块特征图的尺寸不变。正确答案：B6、VGG对图像的分类准确度高于AlexNet的原因可能不是下面的哪一项？A.训练次数多B.更多的隐层（深度大）C.多个卷积层组成的模块D.较小的卷积核正确答案：A7、以下卷积神经网络优化的方法正确的是哪个？A.激活函数尽量选择Sigmoid等函数，提高网络的非线性拟合能力B.增加池化层的个数可以提高网络训练参数，但降低了网络性能C.mini-batch的batch值越大越好D卷积层使用卷积+ReLU+batchnormalization的结构正确答案：B8、对于GoogLeNet网络，以下哪个说法是错误的？从通过线性堆叠各种Inception模块，在不明显增加网络课训练参数的情况下，提升网络的性能B.为适应不同大学的图形特征的获取，采用了多种大小的卷积核C.网络的宽度和深度都得到了加强，特征获得更充分D.GoogLeNetL的两个辅助分类器的主要目的是增加分类子模型，提高分类准确度正确答案：D9、ResNet中引入shortcut的功能不包括以下哪一个？A.减少了计算量B.改善了网络的特征获取能力C.ResNet的梯度通过shortcut回到更早的层，缓解了网络因为深度增大导致的梯度消失D.引出了残差模块，简化了学习正确答案：A10、ResNet的特点不包括以下哪一点？A.减少深层网络的梯度消失问题8.特征的重用C.模型参数明显增加D.增强特征的获取能力正确答案：C二、多选题1、对于卷积神经网络而言，减少梯度消失可以采用以下哪些方法？A.增大学习率B.减少网络深度（隐层个数）C.skipconnectionD.减少通道数正确答案：A、B、C2、提高卷积神经网络分类准确性，以下哪些方法可能是有效的？A.增强特征获取能力对样本按照一定的方式排序B.增加可调整参数的隐层数目C.使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强D.采用小卷积核，提高通道的个数正确答案：B、C、D3、提升卷积神经网络对图像的特征获取能力有效的方法包括以下哪些方面？A.采用shortcut等方式，随着网络层次的加深，减少特征的损失B.多增加池化操作C.同一隐层组合不同大小的卷积核函数D.采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗大的特征，然后再后续的卷积层采用小卷积核获得细致的特征正确答案：A、C、D4、以下有关卷积神经网络的说法哪些是正确的？从卷积神经网络的特征图中的特征很容易归纳解释B.单纯增加卷积神经网络的深度不一定能获得比较好的性能C.增加卷积神经网络每层卷积核的多样性可以改善网络的性能D.采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能正确答案：B、C、D5、哪些权重的取值或调整方法可以改善卷积神经网络的训练和性能？A.任意随机初始化B.dropoutC.batchnormalizationD.He初始化正确答案：B、D三、判断题1、交叠池化(即池化核大小比步长大)可以减少特征图的信息损失，但增加了计算量正确答案：V2、batchnormalization(BN)可以改善网络训练的稳定性，但也会一定程度上影响卷积神经网络的分类性能正确答案：V3、卷积神经网络最后都需要2层或多层全连接层，才能起到分类的功能正确答案：X4、大的卷积核可以获