深度学习从入门到精通 课后习题答案

第一章

一、判断题

1.神经网络中基本的计算单元是神经元。（A）

A正确

B错误

2.神经网络中激活函数的主要作用是提供网络的非线性建模能力。（A）

A正确

B错误

3.TanH函数也叫双曲正确函数，其值域范围在（0,1）之间。（B）

A正确

B错误

4.神经网络可以只有输入层和输出层，没有隐藏层。（A）

A正确

B错误

二、选择题

1.（单选）常用以下哪种类型的损失函数来衡量回归模型效果。（D）

A准确率（Accuracy）

B钱链损失函数（HingeLoss）

C阶梯损失（ClassLoss）

D误差损失（ErrorLoss）

2.（单选）conda常用命令操作中，以下哪个命令用于切换到其他虚拟环境。（C）

Aremove

Bcreate

Cactivate

Dupdate

3.（多选）以下哪些深度学习算法属于无监督学习。（BC）

A卷积神经网络

B白编码网络

C生成式对抗网络

D循环神经网络

三、实训题

1.在自己电脑至少安装TensorFlow2的CPU或GPU任一版本，并能在python中导入

tensorflow库后打印出安装的版本号。

第二章

一、判断题

1.图像、文本属于常见的非结构化数据。(A)

A正确

B错误

2.数据标准化转换的主要目的是为了消除变量之间的量纲影响，让经过转换后的不同变量

可以平等分析和比较。(A)

A正确

B错误

3.数据标准化转化常用手段之一为Min-Max标准化，转换后各变量的数据符合标准正态

分布，即均值为0,标注差为1。(B)

A正确

B错误

4.使用OpenCV读取图像时，其通道顺序为RGB。(B)

A正确

B错误

二、选择题

1.(单选)使用cv2.imread()进行图像读取时，当取以下哪个值可以按灰度模式读取图像。

(C)

Acv2.WINDOW_NORMAL

Bcv2.IMREAD_COLOR

Ccv2.IMREAD_GRAYSCALE

Dcv2.IMREAD_UNCHANGED

2.(单选)使用cv2.resize()可进行图像缩放，当取以下哪个值是基于局部像素的重采样。

(D)

Acv2.INTER_NEARES

Bcv2.INTER_LINEAR

Ccv2.INTER_CUBIC

DCV2.INTER_AREA

3.(单选)tf.image.resize()可以实现图像的缩放功能，参数method表示图像缩放的方法，

当取以下哪个值时表示按照最近邻插值。(C)

Abilinear

BIanczos3

Cnearest

Darea

4.(单选)Jieba在进行分词时，可通过以下哪种方法在程序中动态修改词典。(B)

Aload_userdict()

Badd_word()

Cdel_word()

Dget_word()

5.(单选)tf.keras.preprocessing.sequence中的pad_sequences()函数可用于填充可变长度

序列，使得文本集中的所有文本长度相同。可以使用以下哪个参数设置文本长度。(C)

Avalue

Bpadding

Cmaxlen

Dtruncating

6.(多选)cv2.flip()可将图像进行翻转变换，关于第二个参数描述正确的有。(ABC)

A1表示水平翻转

B0表示垂直翻转

C表示水平加垂直翻转

D2表示水平加垂直翻转

7.(多选)Jieba分词结合了基于规则和基于统计这两类方法。Jieba提供了以下哪些分词

模式。(ABCD)

A精确模式

B全模式

C搜索引擎模式

Dpaddle模式

三、实训题

1.在本地文件夹image中有一去rose.jpg的玫瑰花图片，分别使用OpencV和TensorFlow

两种方式将其读取并显示，效果如下：

2.请利用Jieba库对文本“深度学习的数据预处理技术”进行中文分词，要求不同单词之

间用分开，且“深度学习”需作为一个专有名词，不能被分开。效果如下：

分词前；深度学习的数据预处理技术

分词后：深度学习/的/数据/预处理/技术

第三章

一、判断题

1.使用Keras创建深度模型时，当定义好网络架构后即可进行网络训练。（B）

A.正确

B.错误

2.使用tf.keras.layers.Dense可以创建神经网络层，其中参数units月于指定各网络层的神

经元数量。（A）

A.正确

B.错误

3.定义好模型后可以使用summary。打卬完整的模型摘要，其中Non-trainableparams表

示神经网络中必须训练的全部参数数量。（B）

A.正确

B.错误

4.Keras通过plot_model（）函数对网络拓扑进行可视化时，参数show_layer_names为True

时将显示每层的名称。（A）

A.正确

B.错误

二、选择题

1.（单选）tf.keras.layers.Dense创建神经网络层时，以下哪个参数月于指定网络层的激活

函数。（C）

A.units

B.kerneljnitialize

C.activation

D.input_shape

2.（单选）使用pile。方法编译模型时，以下哪个参数用于指定优化器。（A）

A.optimizer

B.loss

C.metrics

D.verbose

3.（单选）使用modeLsave（）保存整个模型时，以下哪个目录用于保存模型权重值。（D）

A.assets

B.keras_metadata.pb

C.saved_model.pb

D.variables

4.（多选）Keras通过plot_model（）函数对网络拓扑进行可视化时，以下哪些参数为必填

项。（AB）

A.model

B.to_file

C.show_shapes

D.show_layer_names

三、实训题

1.sklearn库的datasets自带iris数据集，我们可以通过以下命令将其导入：

fromsklearnimportdatasets

#导入iris数据集

dataset=datasets.load_iris()

x=dataset.data

Y=dataset.target

请按照以下要求创建并训练深度学习模型：

▲定义网络：创建包含两个隐藏层的深度学习模型，第一个隐藏层有4个神经元，第

二个隐藏层有6个隐藏层，

▲编译网络：采用Adam优化器，sparse_categorical_crossentropy,采用accuracy

作为评估指标

▲训练网络：迭代次数为50次，批次大小为5,并拆10%作为验证集。

2.请对实训1训练好的模型对iris数据集进行评估，并输出评估的准确率结果。

3.请使用modeLsave()将实训1的整个模型保存到本地的iris_model文件夹中。

第四章

一、判断题

1.对卷积神经网络进行卷积操作中，卷积核的移动步长默认为1。（A）

A.正确

B.错误

2.当对图像边界进行卷积，在采用边缘填充技巧（padding）时，常采用1进行填充。（B）

A.正确

B.错误

3.在卷积神经网络中，池化层可对输入的特征图进行压缩。（A）

A.正确

B.错误

4.在卷积神经网络中，池化层会改变通道数。（B）

A.正确

B.错误

二、选择题

1.（单选）利用tf.keras.layers.Conv2D进行卷积层操作时，以下哪人参数用于指定卷积核

的数量。（A）

A.filters

B.kernel_size

C.strides

D.padding

2.（单选）利用tf.keras.layers.Conv2D进行卷积层操作时，当参数wadding为何值时表示

添加全0填充。（D）

A.True

B.False

C.valid

D.same

3.（多选）卷积神经网络的池亿层具有以下哪些特征。（ABD）

A.没有要学习的参数

B,通道数不发生变化

C.通道数会发生变化

D.对微小的位置变化具有鲁棒性

4.（多选）常用的迁移学习方法有以下哪些。（ABCD）

A.基于样本的迁移

B.基于特征的迁移

C.基于模型的迁移

D.基于关系的迁移

5.（多选）在强化学习中，可以进行交互的对象有哪些。（AC）

A.智能体（agent）

B.状态（state）

C.环境（environment）

D.奖励（reward）

三、实训题

1.构建一个简单的卷积神经网络对MNIST手写数据集进行识别，网络拓扑结构要求如下：

□卷积层，具有64个特征图，卷积核大小为3X3,激活函数为relu。

□采样因子(pool_size)为2x2的最大值池化层。

□Flatten层。

□具有256个神经元和激活函数为relu的全连接层。

□具有10个神经元的输出层，激活函数为so代max。

编译模型时，采用RMSProp优化器，categorical_crossentropy作为损失函数，同时采用

准确率(accuracy)来评估模型的性能。

训练模型时，训练周期迭代次数为20次，批次大小为256,并将训练集拆分20%作为

验证集。

请按照以上要求完成卷积神经网络的构建及训练,并绘制训练周期的曲线图，效果如下：

RainHistory,RainHistory

100

Q25

099

001550ZS10012.515.017.50025SO75100125150175

EpochEpoch

2.对实训1构建模型的模型，对测试集进行评估，并打印出准确率。效果如下:

又如旅集评估的准确率：0.9873

第五章

一、判断题

1.词嵌入（WordEmbedding）是一种自然语言处理技术，分学习词掀入和预训练词嵌入两

种方式。其中预训练词嵌入指的是在完成预测任务的同时学习词嵌入。（B）

A.正确

B.错误

2.tf.keras的Embedding层要求输入数据是整数编码。（A）

A.正确

B.错误

3.在做令牌化（Tokenizer）后，可利用pad_sequences（）函数把各序列填充为相同长度，其

参数padding为“post”表示将长度不足的序列前面用0补全。（B）

A.正确

B.错误

二、选择题

1.（单选）tf.keras提供的layers.SimpleRNN层可用于定义简单循环神经网络，具中用于控

制除了输出之外是否还需返回最后一个状态的参数为以下哪个。（C）

A.return_sequences

B.go_backwards

C.return_state

D.stateful

2.（多选）tf.keras提供的Embedding层可以有多种使用方式，包括（ABC）

A.可用于单独训练词嵌入模型

B,可用作深度学习模型的一部分

C.可用于加载预训练此嵌入模型

D.可用于数据展平

3.（多选）长短期记忆网络用以下哪些门控制通过存储单元中的信息流动（BCD）

A.重置门

B.输入门

C.遗忘门

D.输出门

三、实训题

SMSSpamCollection用于骚扰短信识别的经典数据集，完全来自于真实短信内容，包括

了4831个正常短信和747个骚扰短信。数据保存在一个SMSSpamCollection.txt文件中，每

行完整记录一条内容，每行可以通过ham和spam来标识正常短信和骚扰短信。

1.创建简单训练神经网络SimpleRNN模型，对正常短信还是骚扰短信进行预测，请输出模

型评估结果。

2.创建长短期记忆模型LSTM模型，对正常短信还是骚扰短信进行预测，请输出模型评估

结果。

3.创建门控循环单元GRU模型，对正常短信还是骚扰短信进行预测，请输出模型评估结

果。

4.利用KerasNLP创建Transformer模型，对正常短信还是骚扰短信进行预测，请输出模型

评估结果。

行、.立.

第八章

一、判断题

1.自编码器属于有监督学习。(B)

A.正确

B.错误

2.自编码器可用于数据去燥。（A）

A.正确

B.错误

3.堆栈自编码器就是一个无监督预训练、有监督微调进行训练的神经网络模型。（A）

A.正确

B.错误

二、选择题

1.（单选）tf.keras.layers.GaussianNoise可用于加性高斯噪声，其中以下哪个参数用于设置

噪声分布的标准差。（A）

A.stddev

B.inputs

C.training

D.std

2.（多选）自编码器有以下哪些特性。（ABD）

A.数据相关性

B.数据有损性

C.数据无损性

D.自动学习性

三、实训题

1.构建一个简单自编码器，对FASHIONMNIST测试数据及进行图像重构。自编码器的网络

有三层，其中输入层有784个神经元，陷藏层有128个神经元，输出层有784个神经

元；在训练模型时，训练周期为10次，最后利用训练好的简单自编码器对测试数据集

进行预测，并绘制前15张的原始图像（第一行）及重构后的图像（第二行），效果如下：

20020020020020020020020020200E200j2s00n200n20

0Ic20I0E20I0H20f0fiXl0s0Xn020n020

2.构建一个卷积自编码器，对FASHIONMNIST测试数据及进行图像重构。卷积自编码器网

络结构如下：

□卷积层具有32个特征图，卷积核大小为3x3,激活函数为relu：

□pool_size为2X2的最大值池化层（MaxPool2D）；

□卷积层具有32个特征图，卷积核大小为3X3,激活函数为relu；

□pool_size为2x2的上采样层（UpSampling2D）：

□输出层为具有1个特征图，卷积核大小为3x3,激活函数为relu的卷积层。

训练模型时，要求迭代次数为5,并利用训练好的卷积自编码器对测试数据集进行预测,

并绘制前15张的原始图像（第一行）及重构后的图像（笫二行），效果如下：

0O200Q200H200H200Ii20l0H200^200H200S20L020I。S200S200D200n20

Q020W0200H200nX)H020r0a200E200fXB02S00DX)0EX>0sX0n200n30

第七章

一、判断题

1.生成式对抗网络（GAN）由生成器和判别器两个神经网络生成。（A）

A.正确

B.错误

2.判别器用于从噪声中生成假样本数据。（B）

A.正确

B.错误

3.GAN模型在训练过程中，需要将判别器设置为冻结。（A）

A.正确

B.错误

二、选择题

1.（单选题）在卷积神经网络中，进行上采样的目的是：（B）

A.得到更低分辨率的图像

B,得到更高分别率的图像

C.使得输出尺寸比输入尺寸变小

D.保持输出尺寸与输入尺寸一致

2.（单选题）在进行反卷积计算时，假设输入尺寸为2x2,卷积核大小（kernel_size）为

3x3,步长（strides）为1,边界扩充（padding的值）为“valid"，那么反卷积的输出

尺寸：（C）

A.2x2

B.3x3

C.4x4

D.5x5

三、实训题

本章实训题我们将使用FashonMNIST训练数据集，该训练数据集包含10个类别的

60,000个灰色图像，这些图像以低分辨率（28x28像素）展示了单件衣物，如下所示：

1.FashionMNIST数据集的类别标签为。9],其中数字1是Trouser（裤子）的灰色图像，

请提取训练数据集中所有标签为1的Trouser（裤子）的灰色图像（共6000张），并可

视化展示前32张Trouser（裤子）的灰色图像，如下所示。

IllDillIIIIII111HO

H111lilIII111111III11

liinMUIilFSIilLl

HliiMrilllJIilBI

2.让我们使用tf.random_normal()函数创建一个形状为(32,50)的服从均值为0、标准差为

1.0的正态分布的二维数组，并使用GAN生成Trouser(裤子)的灰色图像。

其中，生成器的网络架构如下：

□Dense层，其中神经元数量为100个，激活函数为selu,输入数据形状大小为50：

□Dense层，其中神经元数量为150个，激活函数为selu；

□Dense层，其中神经元数量为784个，激活函数为sigmoid；

□Reshape层，通过keras.layers.Reshape形状变为(28,28)。

其中，判别器的网络结构如下：

□Flatten层，通过keras.layers.Flatten进行展平，输入形状为(28,28)；

□Dense层，其中神经元数量为150,激活函数为selu；

□Dense层，其中神经元数量为100,激活函数为selu；

□Dense层，其中神经元数量为1,激活函数为sigmoid。

在模型编译时，损失函数采用binary_crossentropy,优化器采用rmsprop。在模型训练

时，批次大小为32,迭代次数为30次。请分别给出第1次迭代和第30次迭代生成的图像

截图。截图如下所示：

Epoch1/30Epoch30/30

HEIHBEIIilHIilNIIEINMEISH

倒Mill

3.让我们使用1皿句丽」。17^1()函数创建一个形状为(32,100)的服从均值为0、标准差为

1.0的正态分布的二维数组，并使用DCGAN生成Trouser(裤子)的灰色图像。

其中，生成器的网络架构如下：

□Dense层，其中神经元数量有1372(7x7x28)个，输入数据形状大小为100；

□Reshape层，通过keras.layers.Reshape形状变为(7,7,28)；

□批标准化层；

□2D反卷积层，其中滤波器数量参数filters为64,卷积核大小参数kernel_size为

5,步长参数strides为2,边界扩充参数padding为SAME,激活函数参数activation

为selu。

□批标准化层；

□输出为三维的2D反卷积层，激活函数参数activation为tanho

其中，判别器网络架构如下：

□2D卷积层，其中卷积核个数参数filters为64,卷积核大小参数kernel_size为5,

步长参数strides为2,边界扩充参数padding为SAME,激活函数参数activation

为relu；

□Dropout层；

□2D卷积层，其中卷积核个数参数filters为128,卷积核大小参数kernel_size为5,

步长参数strides为2,边界扩充参数padding为SAME,激活函数参数activation

为relUo

□Dropout层；

□Flatten层；

□Dense层，神经元数量为1,激活函数为sigmoid。

在模型编译时，损失函数采用binary_ciossentropy,优化器采用rmsprop.,在模型训练

时，批次大小为32,迭代次数为5次。请分别给出第1次迭代和第5次迭代生成的图像截

图。截图如下所示：

Epoch1/5

Epoch5/5

lillJElMlilllNIilnniiiiiihiiiiiHii

MlilLIlillllfllJU111MilIIII11IILI

HIilULlUHHMHiiniiMMiaH

HMfflBIMIJIfllflHlilUHIHliiniil

第八章

一、判断题

1.分类模型的误差大致分为两种：训练误差（trainingerror）和泛化误差（generalization

error）o（A）

A.正确

B.错误

2.缩小训练误差和测试误差的差距目的是为了降低模型的泛化能力。（B）

A.正确

B.错误

3.混淆矩阵是概率预测（分类模型）的常用评估手段之一，但其仅能用于二元分类模型。

（B）

A.正确

B.错误

二、选择题

1.（单选）Scikit-Learn中的metrics子模块中用于计算均方误差函数是以卜哪个。（C）

A.max_error

B.mean_absolute_error

C.mean_squared_error

D.median_absolute_error

2.（单选）Scikit-Learn中的metrics子模块中以下哪个函数不是用于分类模型的评价指标。

（D）

A.accuracy_score

B.classification_report

C.confusion_matrix

D.median_absolute_error

3.（多选）模型参数优化常用手段有以下哪几种。（BCD）

A.绘制ROC曲线

B.数据分区

C.K折交叉验证

D.网格搜索

4.（多选）ROC又称接收者运行特征曲线，由以下哪两个指标绘制的曲线。（AD