文章目录

一、判断
二、单选
三、多选

一、判断

1、训练CNN时，可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。这么说是对，还是不对？（对）

2、深度学习与机器学习算法之间的区别在于，后者过程中无需进行特征提取工作，也就是说，我们建议在进行深度学习过程之前要首先完成特征提取的工作。这种说法是：（错）

二、单选

1、下列哪个函数不可以做激活函数（ D ）

A、y = tanh(x)
B、y = sin(x)
C、y = max(x,0)
D、y = 2x

2、列哪些项所描述的相关技术是错误的（ C ）

A、AdaGrad使用的是一阶差分(first order differentiation)
B、L-BFGS使用的是二阶差分(second order differentiation)
C、AdaGrad使用的是二阶差分

3、假设我们有一个使用ReLU激活函数(ReLU activation function)的神经网络，假如我们把ReLU激活替换为线性激活，那么这个神经网络能够模拟出同或函数(XNOR function)吗？（ D ）

A、可以
B、不好说
C、不一定
D、不能

4、深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵A，B，C 的乘积ABC,假设三个矩阵的尺寸分别为m∗n，n∗p，p∗q，且m <n < p < q，以下计算顺序效率最高的是（ A ）

A、(AB)C
B、AC(B)
C、A(BC)
D、所以效率都相同

5、梯度下降算法的正确步骤是什么（ D ）

a.计算预测值和真实值之间的误差

b.重复迭代，直至得到网络权重的最佳值

c.把输入传入网络，得到输出值

d.用随机值初始化权重和偏差

e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差

A、abcde
B、edcba
C、cbaed
D、dcaeb

6、下列哪一项属于特征学习算法（representation learning algorithm）（ C ）

A、K近邻算法
B、随机森林
C、神经网络
D、都不属于

7、下面哪项操作能实现跟神经网络中Dropout的类似效果（ B ）

A、Boosting
B、Bagging
C、Stacking
D、Mapping

8、caffe中基本的计算单元为（ B ）

A、blob
B、layer
C、net
D、solver

9、阅读以下文字：假设我们拥有一个已完成训练的、用来解决车辆检测问题的深度神经网络模型，训练所用的数据集由汽车和卡车的照片构成，而训练目标是检测出每种车辆的名称（车辆共有10种类型）。现在想要使用这个模型来解决另外一个问题，问题数据集中仅包含一种车（福特野马）而目标变为定位车辆在照片中的位置（ B ）

A、除去神经网络中的最后一层，冻结所有层然后重新训练
B、对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层
C、使用新的数据集重新训练模型
D、所有答案均不对

10、有关深度学习加速芯片，以下的说法中不正确的是：（ C ）

A、GPU既可以做游戏图形加速，也可以做深度学习加速
B、用于玩游戏的高配置显卡，也可以用于深度学习计算。
C、Google TPU已经发展了三代，它们只能用于推断（Inference）计算，不能用于训练（Training）计算
D、FPGA最早是作为CPLD的竞争技术而出现的

11、考虑以下问题：假设我们有一个5层的神经网络，这个神经网络在使用一个4GB显存显卡时需要花费3个小时来完成训练。而在测试过程中，单个数据需要花费2秒的时间。如果我们现在把架构变换一下，当评分是0.2和0.3时，分别在第2层和第4层添加Dropout，那么新架构的测试所用时间会变为多少？（ C ）

A、少于2s
B、大于2s
C、仍是2s
D、说不准

12、关于Attention-based Model，下列说法正确的是（ A ）

A、相似度度量模型
B、是一种新的深度学习网络
C、是一种输入对输出的比例模型
D、都不对

13、下列的哪种方法可以用来降低深度学习模型的过拟合问题？（ D ）

①增加更多的数据

②使用数据扩增技术(data augmentation)

③使用归纳性更好的架构

④ 正规化数据

⑤ 降低架构的复杂度

A、1 4 5
B、1 2 3
C、1 3 4 5
D、所有项目都有用

14、假设我们有一个如下图所示的隐藏层。隐藏层在这个网络中起到了一定的降纬作用。假如现在我们用另一种维度下降的方法，比如说主成分分析法（PCA）来代替这个隐藏层，那么，这两者的输出效果是一样的吗（ B ）

A、是
B、否

15、假设你需要调整超参数来最小化代价函数（cost function），会使用下列哪项技术？（ D ）

A、穷举搜索
B、随机搜索
C、Bayesian优化
D、都可以

16、现有一 1920 * 1080 的单通道图像，每个像素用 float32 存储，对其进行 4 个 3 * 3 核的卷积(无 padding)，卷积核如下：

1 1 1 1 1 0 0 1 1 0 1 0
1 0 1 1 1 1 1 1 1 1 1 1
1 1 1 0 1 1 1 1 0 0 1 0

若原图像由于量化问题出现了 100 个 INFINITY（无穷），而其他的值都在(-1,1)区间内，则卷积的结果至少有多少个 NaN? （ B ）

A、256
B、284
C、296
D、324

17、提升卷积核(convolutional kernel)的大小会显著提升卷积神经网络的性能，这种说法是（ B ）

A、正确的
B、错误的

18、如果我们用了一个过大的学习速率会发生什么？（ D ）

A、神经网络会收敛
B、不好说
C、都不对
D、神经网络不会收敛

19、神经网络模型（Neural Network）因受人类大脑的启发而得名，神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入，对输入进行处理后给出一个输出，如下图所示。请问下列关于神经元的描述中，哪一项是正确的？（ E ）

A、每个神经元可以有一个输入和一个输出
B、每个神经元可以有多个输入和一个输出
C、每个神经元可以有一个输入和多个输出
D、每个神经元可以有多个输入和多个输出
E、上述都正确

20、BatchNorm 层对于 input batch 会统计出 mean 和 variance 用于计算 EMA。如果input batch 的 shape 为(B, C, H, W)，统计出的 mean 和 variance 的 shape 为: （ B ）

A、B * 1 * 1 * 1
B、1 * C * 1 * 1
C、B * C * 1 * 1
D、1 * 1 * 1 * 1

21、ResNet-50 有多少个卷积层? （ B ）

A、48
B、49
C、50
D、51

22、下列哪一项在神经网络中引入了非线性（ B ）

A、随机梯度下降
B、修正线性单元（ReLU）
C、卷积函数
D、以上都不正确

23、如果增加多层感知机（Multilayer Perceptron）的隐藏层层数，分类误差便会减小。这种陈述正确还是错误？（ B ）

A、正确
B、错误

24、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？（ C ）

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、只对最后几层进行调参(fine tune)
D、对每一层模型进行评估，选择其中的少数来用

25、下列哪个神经网络结构会发生权重共享？（ D ）

A、卷积神经网络
B、循环神经网络
C、全连接神经网络
D、选项A和B

26、输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为（ C ）

A、95
B、96
C、97
D、98

27、已知：（1）大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。（2）每一个神经元都有输入、处理函数和输出。（3）神经元组合起来形成了网络，可以拟合任何函数。（4）为了得到最佳的神经网络，我们用梯度下降方法不断更新模型。给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？（ A ）

A、加入更多层，使神经网络的深度增加
B、有维度更高的数据
C、当这是一个图形识别的问题时
D、以上都不正确

28、下图显示了训练过的3层卷积神经网络准确度，与参数数量(特征核的数量)的关系。从图中趋势可见（先上升，后下降），如果增加神经网络的宽度，精确度会增加到一个特定阈值后，便开始降低。造成这一现象的可能原因是什么？（ C ）

A、即使增加卷积核的数量，只有少部分的核会被用作预测
B、当卷积核数量增加时，神经网络的预测能力（Power）会降低
C、当卷积核数量增加时，导致过拟合
D、以上都不正确

29、假设你有5个大小为7x7、边界值为0的卷积核，同时卷积神经网络第一层的深度为1。此时如果你向这一层传入一个维度为224x224x3的数据，那么神经网络下一层所接收到的数据维度是多少？（ A ）

A、218x218x5
B、217x217x8
C、217x217x3
D、220x220x5

30、混沌度(Perplexity)是一种常见的应用在使用深度学习处理NLP问题过程中的评估技术，关于混沌度，哪种说法是正确的？（ B）

A、混沌度没什么影响
B、混沌度越低越好
C、混沌度越高越好
D、混沌度对于结果的影响不一定

31、在CNN网络中，图A经过核为3x3，步长为2的卷积层，ReLU激活函数层，BN层，以及一个步长为2，核为2 * 2的池化层后，再经过一个3 * 3 的的卷积层，步长为1，此时的感受野是（ D ）

A、10
B、11
C、12
D、13

32、在训练神经网络时，损失函数(loss)在最初的几个epochs时没有下降，可能的原因是？（ D）

A、学习率(learning rate)太低
B、正则参数太高
C、陷入局部最小值
D、以上都有可能

33、下图是一个利用sigmoid函数作为激活函数的含四个隐藏层的神经网络训练的梯度下降图。这个神经网络遇到了梯度消失的问题。下面哪个叙述是正确的？（ A ）

A、第一隐藏层对应D，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应A
B、第一隐藏层对应A，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应D
C、第一隐藏层对应A，第二隐藏层对应B，第三隐藏层对应C，第四隐藏层对应D
D、第一隐藏层对应B，第二隐藏层对应D，第三隐藏层对应C，第四隐藏层对应A

34、基于二次准则函数的H-K算法较之于感知器算法的优点是 ( B )

A、计算量小
B、可以判别问题是否线性可分
C、其解完全适用于非线性可分的情况

35、有关深度神经网络的训练（Training）和推断（Inference），以下说法中不正确的是：（ B ）

A、将数据分组部署在不同GPU上进行训练能提高深度神经网络的训练速度。
B、TensorFlow使用GPU训练好的模型，在执行推断任务时，也必须在GPU上运行。
C、将模型中的浮点数精度降低，例如使用float16代替float32，可以压缩训练好的模型的大小。
D、GPU所配置的显存的大小，对于在该GPU上训练的深度神经网络的复杂度、训练数据的批次规模等，都是一个无法忽视的影响因素。

36、当在卷积神经网络中加入池化层(pooling layer)时，变换的不变性会被保留，是吗？（ C ）

A、不知道
B、看情况
C、是
D、否

37、在下面哪种情况下，一阶梯度下降不一定正确工作（可能会卡住）？（ B ）