【答案】《机器学习》(浙江大学)章节作业中国大学慕课答案

第一章引言单元小测1.单选题：以下学习策略中，使用的训练数据只有部分存在标签的是

选项：

A、半监督学习

B、无监督学习

C、监督学习

D、以上都是

答案：【半监督学习】2.单选题：“没有免费午餐定理”（NoFreeLunchTheorem）的核心观点是：

选项：

A、机器学习算法不需要任何成本就可以获得

B、如果不对数据的先验分布做假设，所有算法的期望性能相同

C、在某些数据集上表现好的算法在其他数据集上也一定表现好。

D、算法性能只取决于训练数据的数量。

答案：【如果不对数据的先验分布做假设，所有算法的期望性能相同】3.单选题：下面符合特征选择标准的是

选项：

A、越多越好

B、越少越好

C、选择能够反映不同事物差异的特征

D、以上均不对

答案：【选择能够反映不同事物差异的特征】4.单选题：给定一定数量的红细胞、白细胞图像以及它们对应的标签，设计出一个红、白细胞分类器，这属于（）问题

选项：

A、监督学习

B、半监督学习

C、无监督学习

D、以上都可以

答案：【监督学习】5.单选题：给定一定数量的红细胞、白细胞图像，但是并不知道图像与标签的对应关系，设计一个红白细胞分类器，这属于（）问题

选项：

A、监督学习

B、无监督学习

C、半监督学习

D、以上都可以

答案：【无监督学习】6.单选题：“没有免费的午餐定理”告诉我们

选项：

A、没有可以适应一切问题的算法

B、对于一个特定的问题，任何算法都是一样好的

C、设计好的算法是徒劳的

D、我们不能对问题有先验假设

答案：【没有可以适应一切问题的算法】7.单选题：实际机器学习算法有效的基本假设是：

选项：

A、所有特征的取值都是均匀分布的。

B、在特征空间中距离接近的样本更可能属于同一类别。

C、训练数据越多，算法性能一定越好。

D、深度学习算法在所有任务上都优于传统算法。

答案：【在特征空间中距离接近的样本更可能属于同一类别。】8.单选题：在“两个存储单元”的例子中，预测另一个单元类别的正确概率总是50%，这是因为：

选项：

A、计算机存储单元的数量太少。

B、我们假设了两种可能情况的先验概率相等。

C、没有使用支持向量机算法。

D、特征空间维度太低。

答案：【我们假设了两种可能情况的先验概率相等。】9.单选题：“没有免费午餐定理”（NoFreeLunchTheorem）的核心观点是：

选项：

A、机器学习算法不需要任何成本就可以获得

B、如果不对数据的先验分布做假设，所有算法的期望性能相同

C、在某些数据集上表现好的算法在其他数据集上也一定表现好。

D、算法性能只取决于训练数据的数量。

答案：【如果不对数据的先验分布做假设，所有算法的期望性能相同】10.多选题：下列关于“没有免费午餐定理”的理解中，哪些是正确的？

选项：

A、该定理意味着所有机器学习算法在实际应用中都是无用的。

B、该定理表明，不存在在任何问题上都最优的算法。

C、该定理成立的前提是“所有可能的数据分布等概率出现”。

D、该定理提醒我们，算法的有效性依赖于对数据分布的合理假设。

E、该定理说明只要数据足够多，任何算法都能达到相同性能。

答案：【该定理表明，不存在在任何问题上都最优的算法。;该定理成立的前提是“所有可能的数据分布等概率出现”。;该定理提醒我们，算法的有效性依赖于对数据分布的合理假设。】11.多选题：在6×6格子的例子中，人们倾向于将上方问号预测为○、下方预测为×，这反映了：

选项：

A、人类视觉系统对图形的偏好。

B、机器学习中常用的“平滑性假设”或“邻近性原则”。

C、先验分布并不总是均匀的，而是具有局部一致性。

D、算法必须依赖大量标注数据才能做出预测。

E、没有免费午餐定理在此情况下不再成立。

答案：【机器学习中常用的“平滑性假设”或“邻近性原则”。;先验分布并不总是均匀的，而是具有局部一致性。】12.多选题：下列关于“没有免费午餐定理”的理解中，哪些是正确的？

选项：

A、该定理意味着所有机器学习算法在实际应用中都是无用的。

B、该定理表明，不存在在任何问题上都最优的算法。

C、该定理成立的前提是“所有可能的数据分布等概率出现”。

D、该定理提醒我们，算法的有效性依赖于对数据分布的合理假设。

E、该定理说明只要数据足够多，任何算法都能达到相同性能。

答案：【该定理表明，不存在在任何问题上都最优的算法。;该定理成立的前提是“所有可能的数据分布等概率出现”。;该定理提醒我们，算法的有效性依赖于对数据分布的合理假设。】第二章支持向量机单元小测1.单选题：支持向量机选择最优超平面的标准是：

选项：

A、最小化分类错误

B、最大化间隔

C、最小化模型复杂度

D、最大化训练速度

答案：【最大化间隔】2.单选题：“支持向量”是指：

选项：

A、所有训练样本

B、距离超平面最近的样本

C、被错误分类的样本

D、随机选择的样本

答案：【距离超平面最近的样本】3.单选题：支持向量机的假设基于：

选项：

A、数据在高维空间中线性可分

B、数据在低维空间中线性可分

C、数据服从高斯分布

D、数据类别平衡

答案：【数据在高维空间中线性可分】4.单选题：支持向量机适用于：

选项：

A、仅线性可分数据

B、仅线性不可分数据

C、线性可分与不可分数据

D、仅二分类问题

答案：【线性可分与不可分数据】5.单选题：支持向量机处理非线性可分问题的主要方法是：

选项：

A、增加数据量

B、引入松弛变量

C、将特征映射到高维空间

D、调整超参数C

答案：【将特征映射到高维空间】6.单选题：对于在原空间中线性不可分的问题，支持向量机（）

选项：

A、在原空间中寻找线性函数划分数据

B、在原空间中寻找非线性函数划分数据

C、利用核函数把数据映射到高维空间

D、无法处理

答案：【利用核函数把数据映射到高维空间】7.单选题：与支持向量机相比，感知器算法的优势是：

选项：

A、计算和存储资源消耗少

B、分类精度更高

C、能处理非线性数据

D、理论更优美

答案：【计算和存储资源消耗少】8.单选题：感知器算法相比支持向量机的优势是：

选项：

A、资源消耗少，适合增量学习

B、分类精度更高

C、能处理非线性数据

D、理论保证更强

答案：【资源消耗少，适合增量学习】9.单选题：混淆矩阵中FN（FalseNegative）的含义是（）

选项：

A、将正样本识别为正样本的数量（或概率）

B、将正样本识别为负样本的数量（或概率）

C、将负样本识别为正样本的数量（或概率）

D、将负样本识别为负样本的数量（或概率）

答案：【将正样本识别为负样本的数量（或概率）】10.单选题：利用混淆矩阵计算识别率的公式是（）

选项：

A、TP/（TP+FP）

B、TP/（TP+FN）

C、（TP+TN）/（TP+TN+FP+FN）

D、都不对

答案：【（TP+TN）/（TP+TN+FP+FN）】11.多选题：支持向量机的三个条件包括：

选项：

A、超平面分开两类

B、最大化间隔

C、超平面位于间隔中间

D、所有样本满足yi(WTXi+b)≥1

E、使用核函数

答案：【超平面分开两类;最大化间隔;超平面位于间隔中间】12.多选题：支持向量机的优点包括：

选项：

A、理论优美

B、适用于高维数据

C、无需调参

D、对噪声鲁棒

E、计算效率高

答案：【理论优美;适用于高维数据;对噪声鲁棒】13.多选题：支持向量机中的“间隔”是指：

选项：

A、两个类别之间的距离

B、支持向量到超平面的距离之和

C、两个平行超平面之间的距离

D、所有样本到超平面的平均距离

E、超平面到最近样本的距离的两倍

答案：【两个平行超平面之间的距离;超平面到最近样本的距离的两倍】14.多选题：支持向量机对噪声的鲁棒性源于：

选项：

A、使用核函数

B、最大化间隔

C、引入松弛变量

D、使用对偶问题

E、支持向量的选择

答案：【最大化间隔;引入松弛变量】15.多选题：支持向量的重要性体现在：

选项：

A、决定决策边界

B、预测阶段仅需支持向量

C、减少存储需求

D、提高训练速度

E、所有样本都是支持向量

答案：【决定决策边界;预测阶段仅需支持向量;减少存储需求】16.多选题：支持向量机可用于：

选项：

A、二分类

B、多分类

C、回归

D、聚类

E、降维

答案：【二分类;多分类;回归】17.多选题：支持向量机的优化问题中，限制条件的作用是：

选项：

A、确保所有样本被正确分类

B、定义间隔边界

C、控制模型复杂度

D、避免过拟合

E、提高训练速度

答案：【确保所有样本被正确分类;定义间隔边界】18.多选题：关于支持向量，正确的是：

选项：

A、对应αi>0

B、位于间隔边界上

C、决定决策边界

D、数量通常很少

E、所有样本都是支持向量

答案：【对应αi>0;位于间隔边界上;决定决策边界;数量通常很少】19.单选题：一个凸优化问题可以有多个极值点

选项：

A、正确

B、错误

答案：【错误】20.单选题：支持向量机不会受到噪声的影响

选项：

A、正确

B、错误

答案：【错误】21.单选题：支持向量机只能解决数据线性可分的问题。

选项：

A、正确

B、错误

答案：【错误】22.单选题：人为改变支持向量机的阈值可以同时增大TP、FP，从而提升算法的性能。

选项：

A、正确

B、错误

答案：【错误】第三章人工神经网络单元小测1.单选题：后向传播算法在一般神经网络中推广时，目标函数常采用：

选项：

A、均方误差

B、准确率

C、精确度

D、召回率

答案：【均方误差】2.单选题：后向传播算法中，梯度计算的核心是：

选项：

A、利用链式法则递归计算

B、直接求解解析解

C、随机估计梯度

D、忽略部分层

答案：【利用链式法则递归计算】3.单选题：在后向传播中，学习率用于：

选项：

A、控制参数更新步长

B、计算梯度大小

C、选择网络结构

D、初始化参数

答案：【控制参数更新步长】4.单选题：后向传播算法最终输出的是：

选项：

A、参数梯度

B、网络预测值

C、损失函数值

D、准确率

答案：【参数梯度】5.单选题：梯度下降法的核心思想是：

选项：

A、沿负梯度方向更新参数

B、沿正梯度方向更新参数

C、随机调整参数

D、固定参数不变

答案：【沿负梯度方向更新参数】6.单选题：梯度下降法用于优化神经网络的：

选项：

A、权重和偏置

B、网络结构

C、输入数据

D、输出标签

答案：【权重和偏置】7.单选题：梯度下降法是一种：

选项：

A、迭代优化算法

B、解析求解方法

C、监督学习算法

D、无监督学习算法

答案：【迭代优化算法】8.单选题：在后向传播中，梯度计算的方向是：

选项：

A、从输出层向输入层传播

B、从输入层向输出层传播

C、随机传播

D、双向传播

答案：【从输出层向输入层传播】9.单选题：后向传播算法中，“枢纽变量”指的是：

选项：

A、中间变量的梯度

B、输入数据

C、输出标签

D、学习率

答案：【中间变量的梯度】10.单选题：后向传播算法能显著减少计算量的原因是：

选项：

A、复用中间梯度结果

B、减少网络层数

C、使用更简单激活函数

D、忽略部分参数

答案：【复用中间梯度结果】11.单选题：随机梯度下降法中，批量大小（BatchSize）的影响是：

选项：

A、平衡更新速度和稳定性

B、决定学习率大小

C、选择网络结构

D、初始化参数

答案：【平衡更新速度和稳定性】12.单选题：后向传播算法的主要用途是：

选项：

A、高效计算神经网络中的梯度

B、前向计算网络输出

C、初始化网络参数

D、选择网络结构

答案：【高效计算神经网络中的梯度】13.单选题：后向传播算法利用的是：

选项：

A、链式求导法则

B、矩阵乘法

C、概率统计

D、几何变换

答案：【链式求导法则】14.单选题：感知器算法中，权重调整的目的是：

选项：

A、使误分类样本更接近分类边界

B、增加模型复杂度

C、减少计算量

D、避免过拟合

答案：【使误分类样本更接近分类边界】15.单选题：感知器算法收敛的前提条件是：

选项：

A、训练数据线性可分

B、使用非线性激活函数

C、数据维度足够高

D、学习率设置得当

答案：【训练数据线性可分】16.单选题：在感知器算法中，增广向量的作用是：

选项：

A、统一表达式，简化计算

B、增加数据维度

C、提高模型准确率

D、减少参数数量

答案：【统一表达式，简化计算】17.单选题：与支持向量机相比，感知器算法的优势是：

选项：

A、计算和存储资源消耗少

B、分类精度更高

C、能处理非线性数据

D、理论更优美

答案：【计算和存储资源消耗少】18.单选题：感知器算法的主要功能是：

选项：

A、解决线性可分二分类问题

B、处理非线性分类问题

C、进行图像识别

D、优化神经网络结构

答案：【解决线性可分二分类问题】19.单选题：感知器算法相比支持向量机的优势是：

选项：

A、资源消耗少，适合增量学习

B、分类精度更高

C、能处理非线性数据

D、理论保证更强

答案：【资源消耗少，适合增量学习】20.单选题：多层神经网络中必须使用非线性激活函数的原因是为了：

选项：

A、增强模型的表达能力

B、减少计算量

C、增加线性变换

D、简化网络结构

答案：【增强模型的表达能力】21.单选题：下列是神经网络中常见的超参数的是（）

选项：

A、批大小

B、学习率

C、正则化参数

D、以上都是

答案：【以上都是】22.单选题：在训练神经网络的过程中，如果刚训练几步损失函数的值就开始剧烈抖动，大概率是因为（）

选项：

A、学习率过大

B、学习率过小

C、模型已经训练好了

D、以上都不可能造成上述情况

答案：【学习率过大】23.单选题：在神经网络的训练初期，损失函数值很大且下降速度过于缓慢，大概率是因为（）

选项：

A、学习率过小

B、学习率过大

C、模型已经训练好了

D、以上均不对

答案：【学习率过小】24.单选题：（）层神经网络模型可以模拟任意决策面。

选项：

A、1

B、2

C、3

D、以上都可以

答案：【3】25.多选题：链式求导法则在后向传播中的作用是：

选项：

A、分解复杂梯度计算

B、简化偏导数计算

C、增加计算复杂度

D、避免计算梯度

E、提高准确率

答案：【分解复杂梯度计算;简化偏导数计算】26.多选题：后向传播中需计算梯度的参数包括：

选项：

A、权重

B、偏置

C、输入数据

D、输出标签

E、学习率

答案：【权重;偏置】27.多选题：后向传播算法的优点包括：

选项：

A、高效计算梯度

B、易于实现

C、适合任何网络

D、总能找到全局最优

E、无需训练数据

答案：【高效计算梯度;易于实现;适合任何网络】28.多选题：影响后向传播效率的因素有：

选项：

A、网络深度

B、激活函数选择

C、学习率设置

D、数据批量大小

E、硬件资源

答案：【网络深度;激活函数选择;数据批量大小;硬件资源】29.多选题：后向传播的实践注意事项有：

选项：

A、梯度消失问题

B、学习率选择

C、参数初始化

D、数据标准化

E、硬件限制

答案：【梯度消失问题;学习率选择;参数初始化;数据标准化】30.多选题：后向传播算法适用于：

选项：

A、全连接网络

B、卷积网络

C、循环网络

D、任何可微网络

E、决策树

答案：【全连接网络;卷积网络;循环网络;任何可微网络】31.多选题：一般形式的后向传播算法处理：

选项：

A、多隐藏层网络

B、多输出问题

C、不同激活函数

D、批量数据

E、非数值数据

答案：【多隐藏层网络;多输出问题;不同激活函数;批量数据】32.多选题：后向传播中，梯度计算依赖：

选项：

A、前向计算结果

B、损失函数选择

C、激活函数导数

D、学习率大小

E、数据标签

答案：【前向计算结果;损失函数选择;激活函数导数】33.多选题：后向传播算法的收敛条件包括：

选项：

A、梯度接近零

B、损失函数变化小

C、达到最大迭代次数

D、学习率足够大

E、数据量足够小

答案：【梯度接近零;损失函数变化小;达到最大迭代次数】34.多选题：梯度下降法的步骤包括：

选项：

A、初始化参数

B、计算梯度

C、更新参数

D、选择网络结构

E、数据预处理

答案：【初始化参数;计算梯度;更新参数】35.多选题：梯度下降法的优点包括：

选项：

A、通用性强

B、实现简单

C、总能找到全局最优

D、无需计算梯度

E、适合所有问题

答案：【通用性强;实现简单】36.多选题：梯度下降法的变种包括：

选项：

A、随机梯度下降

B、批量梯度下降

C、动量法

D、牛顿法

E、模拟退火

答案：【随机梯度下降;批量梯度下降;动量法】37.多选题：影响梯度下降收敛的因素有：

选项：

A、学习率

B、初始参数

C、数据分布

D、激活函数

E、网络层数

答案：【学习率;初始参数;数据分布】38.多选题：多层神经网络的基本组成部分包括：

选项：

A、输入层

B、隐藏层

C、输出层

D、激活函数

E、损失函数

答案：【输入层;隐藏层;输出层;激活函数】39.多选题：后向传播算法的步骤包括：

选项：

A、前向计算输出

B、计算损失函数

C、反向传播梯度

D、更新参数

E、初始化数据

答案：【前向计算输出;计算损失函数;反向传播梯度;更新参数】40.多选题：随机梯度下降法的要点包括：

选项：

A、使用小批量数据

B、随机打乱数据顺序

C、多次遍历数据集

D、固定学习率

E、单样本更新

答案：【使用小批量数据;随机打乱数据顺序;多次遍历数据集】41.多选题：如果感知器算法不收敛，可能的原因是：

选项：

A、数据线性不可分

B、学习率过大

C、初始权重设置不当

D、数据维度太高

E、激活函数选择错误

答案：【数据线性不可分;学习率过大;初始权重设置不当】42.多选题：感知器算法的特点包括：

选项：

A、在线学习

B、低资源消耗

C、全局优化

D、处理非线性问题

E、自动特征提取

答案：【在线学习;低资源消耗】43.多选题：感知器算法的步骤包括：

选项：

A、初始化权重和偏置

B、遍历训练样本

C、调整误分类样本的权重

D、使用核函数

E、最小化间隔

答案：【初始化权重和偏置;遍历训练样本;调整误分类样本的权重】44.多选题：以下关于感知器算法正确的是：

选项：

A、仅适用于二分类问题

B、需线性可分数据

C、可保证有限步内收敛

D、能自动确定网络结构

E、无需设置学习率

答案：【仅适用于二分类问题;需线性可分数据;可保证有限步内收敛】45.多选题：感知器算法中，权重调整的策略是：

选项：

A、误分类时更新

B、每次更新一个样本

C、更新量与样本相关

D、使用全局梯度信息

E、仅调整偏置项

答案：【误分类时更新;每次更新一个样本;更新量与样本相关】46.多选题：感知器算法的历史意义包括：

选项：

A、首次提出机器学习算法框架

B、启发了后续神经网络研究

C、解决了非线性分类问题

D、提供了理论收敛证明

E、取代了所有传统分类器

答案：【首次提出机器学习算法框架;启发了后续神经网络研究;提供了理论收敛证明】47.单选题：常见的激活函数求导通常比较简单。

选项：

A、正确

B、错误

答案：【正确】48.单选题：训练过程中，一个epoch往往会遍历一遍训练集

选项：

A、正确

B、错误

答案：【正确】49.单选题：Sigmoid激活函数可能会导致梯度消失；然而Tanh激活函数不会导致这个问题

选项：

A、正确

B、错误

答案：【错误】50.单选题：激活函数一定要是线性函数

选项：

A、正确

B、错误

答案：【错误】第四章深度学习单元小测1.单选题：在LENET网络中，如果一个64×64的图像和一个kernel_size=7×7，padding=0，stride=3的卷积核进行操作，请问经过卷积操作后获得的特征图的尺寸为？

选项：

A、18×18

B、19×19

C、20×20

D、21×21

答案：【20×20】2.单选题：在ALEXNET网络的学习中，下面哪些是它的重要改进功能

选项：

A、.以ReLU函数代替sigmoid和tanh函数

B、MaxPooling

C、dropout

D、都是

答案：【都是】3.单选题：在计算感受野的问题中，当一个输入，如果步长stride为2，经过三层3×3的卷积核，问最后输出的每一个点的感受野的大小为多少？

选项：

A、3×3

B、7×7

C、12×12

D、15×15

答案：【15×15】4.单选题：人脸识别等复杂任务通常需要：

选项：

A、复杂的预测函数和大量参数

B、简单的线性模型

C、少量训练数据

D、手动设计特征

答案：【复杂的预测函数和大量参数】5.单选题：下列哪项是GAN的典型应用？

选项：

A、图像分类

B、目标检测

C、图像超分辨率

D、语音识别

答案：【图像超分辨率】6.单选题：CycleGAN主要用于：

选项：

A、成对图像翻译

B、非成对图像翻译

C、图像分类

D、视频生成

答案：【非成对图像翻译】7.单选题：GAN训练中常见的“模式崩溃”是指：

选项：

A、生成器生成样本过于多样

B、生成器只能生成某一类样本

C、判别器过于强大

D、训练过程过快收敛

答案：【生成器只能生成某一类样本】8.单选题：YOLO网络将输入图像划分为多少个格子进行目标检测？

选项：

A、固定为7×7

B、固定为13×13

C、可配置的S×S

D、不划分格子，直接回归

答案：【可配置的S×S】9.单选题：生成对抗网络（GAN）由哪两个网络组成？

选项：

A、编码器和解码器

B、生成器和判别器

C、卷积网络和循环网络

D、特征提取器和分类器

答案：【生成器和判别器】10.单选题：GAN的训练过程中，生成器的目标是：

选项：

A、尽可能准确地区分真实样本和生成样本

B、生成尽可能逼真的样本以欺骗判别器

C、最小化真实样本的损失

D、最大化判别器的准确率

答案：【生成尽可能逼真的样本以欺骗判别器】11.单选题：在人脸识别系统中，测试阶段通常使用哪一层输出作为人脸特征向量？

选项：

A、输入层

B、卷积层

C、倒数第二层（全连接层）

D、Softmax输出层

答案：【倒数第二层（全连接层）】12.单选题：下列哪项不是人脸识别中常用的损失函数改进方法？

选项：

A、L-SoftMax

B、CrossEntropy

C、ArcFace

D、TripletLoss

答案：【CrossEntropy】13.单选题：MTCNN在人脸识别系统中的作用是：

选项：

A、特征提取

B、人脸检测与对齐

C、分类识别

D、数据增强

答案：【人脸检测与对齐】14.单选题：在训练人脸识别模型时，常用的数据库如WEBFACE的类别数量通常是：

选项：

A、几百类

B、几千类

C、上万甚至十万类

D、几十类

答案：【上万甚至十万类】15.单选题：在人脸识别中，PCA降维后的特征向量被称为？

选项：

A、平均脸

B、特征脸

C、标准脸

D、投影脸

答案：【特征脸】16.单选题：RNN中，t时刻的状态h_t是由哪些变量共同决定的？

选项：

A、仅由当前输入x_t

B、仅由前一状态h_{t-1}

C、由前一状态h_{t-1}和当前输入x_t

D、由前一输出y_{t-1}和当前输入x_t

答案：【由前一状态h_{t-1}和当前输入x_t】17.单选题：AlexNet中引入ReLU激活函数的主要目的是：

选项：

A、缓解梯度消失问题并促进稀疏激活

B、增加计算复杂度

C、减少参数数量

D、提高输出精度

答案：【缓解梯度消失问题并促进稀疏激活】18.单选题：AlexNet中采用MaxPooling而非AveragePooling是为了：

选项：

A、增强特征选择能力并减少参数更新

B、简化计算过程

C、增加特征图尺寸

D、提高图像分辨率

答案：【增强特征选择能力并减少参数更新】19.单选题：Dropout技术在AlexNet中的作用是：

选项：

A、随机丢弃神经元以防止过拟合

B、加速网络收敛速度

C、增加网络深度

D、优化GPU计算效率

答案：【随机丢弃神经元以防止过拟合】20.单选题：AlexNet使用数据增强（DataAugmentation）的主要目的是：

选项：

A、增加训练样本多样性，提高模型泛化能力

B、减少训练时间

C、降低网络复杂度

D、替代卷积操作

答案：【增加训练样本多样性，提高模型泛化能力】21.单选题：下列哪项任务属于“多输入单输出”类型的RNN应用？

选项：

A、机器翻译

B、语音识别（音素级别）

C、行为识别（视频分类）

D、文本生成

答案：【行为识别（视频分类）】22.单选题：在图像注释（ImageCaptioning）任务中，RNN的初始状态h₀通常来自：

选项：

A、随机初始化

B、图像经过CNN提取的特征

C、第一个单词的嵌入向量

D、语音信号的MFCC特征

答案：【图像经过CNN提取的特征】23.单选题：LSTM相比传统RNN的主要优势在于：

选项：

A、参数更少

B、训练速度更快

C、能够更好地处理长序列依赖

D、只能处理短序列

答案：【能够更好地处理长序列依赖】24.单选题：RNN在训练长序列时常用的梯度回传策略是：

选项：

A、全程回传

B、只回传最后一步

C、截断回传（TruncatedBackpropagation）

D、不进行回传

答案：【截断回传（TruncatedBackpropagation）】25.单选题：自编码器（Auto-encoder）的主要目标是：

选项：

A、学习数据的有效编码表示

B、直接进行分类任务

C、生成新的训练数据

D、替代反向传播算法

答案：【学习数据的有效编码表示】26.单选题：在自编码器中，隐藏层的维度通常设计为：

选项：

A、小于输入和输出层，以实现压缩

B、大于输入和输出层，以增加容量

C、与输入层相同，以简化结构

D、随机确定，无需特定规则

答案：【小于输入和输出层，以实现压缩】27.单选题：分层初始化训练自编码器时，训练每一层时会：

选项：

A、固定已训练层的参数，仅训练当前层

B、同时训练所有层

C、仅训练输出层

D、随机初始化所有层

答案：【固定已训练层的参数，仅训练当前层】28.单选题：IOU即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标。假设真实框的面积大小为9，检测框的大小为8，两个框重叠的面积为3，那么请问IoU的值为（）

选项：

A、3/17

B、3/9

C、3/8

D、3/14

答案：【3/14】29.单选题：AlexNet在2012年ImageNet比赛中取得突破的主要原因是：

选项：

A、使用了更深的网络结构和多项技术创新

B、训练数据量远超其他团队

C、采用了更复杂的传统机器学习算法

D、依赖手工设计特征

答案：【使用了更深的网络结构和多项技术创新】30.单选题：自编码器在MNIST数据集上的实验表明，它可以：

选项：

A、提高分类性能约5%

B、减少训练时间50%

C、完全替代监督学习

D、消除过拟合现象

答案：【提高分类性能约5%】31.单选题：自编码器的思想后来被广泛应用于：

选项：

A、生成对抗网络（GAN）等模型

B、传统的线性回归模型

C、决策树算法

D、支持向量机

答案：【生成对抗网络（GAN）等模型】32.多选题：以下哪些是人脸识别中常用的特征距离度量方式？（可多选）

选项：

A、欧氏距离

B、余弦距离

C、曼哈顿距离

D、汉明距离

答案：【欧氏距离;余弦距离】33.多选题：以下哪些损失函数用于提升人脸识别中特征的可区分性？（可多选）

选项：

A、SoftMax

B、L-SoftMax

C、ArcFace

D、TripletLoss

答案：【L-SoftMax;ArcFace;TripletLoss】34.多选题：人脸识别系统的基本流程包括哪些步骤？（可多选）

选项：

A、人脸检测

B、人脸对齐

C、特征提取

D、特征匹配

答案：【人脸检测;人脸对齐;特征提取;特征匹配】35.多选题：以下哪些技术常用于提高人脸识别模型的准确性？（可多选）

选项：

A、使用更大的数据库

B、改进损失函数

C、增加网络深度

D、使用多任务学习

答案：【使用更大的数据库;改进损失函数;增加网络深度;使用多任务学习】36.多选题：GAN的训练过程包括以下哪些特点？（可多选）

选项：

A、生成器和判别器交替训练

B、生成器试图最大化判别器的错误率

C、判别器试图准确区分真实与生成样本

D、训练过程稳定，无需调参

答案：【生成器和判别器交替训练;生成器试图最大化判别器的错误率;判别器试图准确区分真实与生成样本】37.多选题：YOLO网络的主要特点包括：（可多选）

选项：

A、一次前向传播即可完成检测

B、使用SelectiveSearch生成候选区域

C、将图像划分为S×S网格

D、每个网格负责预测一个目标

答案：【一次前向传播即可完成检测;将图像划分为S×S网格;每个网格负责预测一个目标】38.多选题：以下哪些是GAN的实际应用？（可多选）

选项：

A、真实人脸生成

B、侧脸转正

C、图像翻译

D、语义分割

答案：【真实人脸生成;侧脸转正;图像翻译】39.多选题：GAN的缺点包括：（可多选）

选项：

A、训练不稳定

B、模式崩溃

C、生成样本过于多样

D、训练速度过快

答案：【训练不稳定;模式崩溃】40.多选题：在图像超分辨率任务中，SRGAN使用了哪些损失函数？（可多选）

选项：

A、对抗损失

B、感知损失

C、交叉熵损失

D、均方误差损失

答案：【对抗损失;感知损失】41.多选题：AlexNet相比LeNet的主要改进包括：

选项：

A、使用ReLU激活函数

B、引入MaxPooling

C、采用Dropout技术

D、使用数据增强

E、增加网络深度和参数量

答案：【使用ReLU激活函数;引入MaxPooling;采用Dropout技术;使用数据增强;增加网络深度和参数量】42.多选题：AlexNet训练中使用了以下哪些技术来防止过拟合？

选项：

A、Dropout

B、数据增强

C、权重衰减

D、批量归一化

E、早停法

答案：【Dropout;数据增强】43.多选题：AlexNet依赖GPU训练的原因是：

选项：

A、网络参数量大，计算复杂

B、GPU并行计算能力强

C、内存需求低

D、无需调参

E、兼容所有操作系统

答案：【网络参数量大，计算复杂;GPU并行计算能力强】44.多选题：以下哪些任务属于“多输入多输出”类型的RNN应用？（可多选）

选项：

A、语音识别（音素级别）

B、机器翻译

C、行为识别

D、图像注释

答案：【语音识别（音素级别）;机器翻译】45.多选题：RNN可以用于以下哪些文本生成任务？（可多选）

选项：

A、莎士比亚风格文本生成

B、中文古诗生成

C、图像分类

D、语音识别

答案：【莎士比亚风格文本生成;中文古诗生成】46.多选题：在图像注释任务中，RNN的训练阶段包含以下哪些步骤？（可多选）

选项：

A、将图像特征作为初始状态

B、输入“START”符号开始生成

C、输出单词直到“END”符号

D、使用语音特征作为输入

答案：【将图像特征作为初始状态;输入“START”符号开始生成;输出单词直到“END”符号】47.多选题：传统RNN的局限性包括：（可多选）

选项：

A、状态转移函数过于简单

B、难以处理长序列

C、训练速度快

D、容易过拟合

答案：【状态转移函数过于简单;难以处理长序列】48.多选题：分层初始化自编码器的优点包括：

选项：

A、提供更好的参数初始值

B、加速整体网络训练

C、避免使用反向传播

D、减少数据需求

E、保证找到全局最优解

答案：【提供更好的参数初始值;加速整体网络训练】49.多选题：自编码器适用于以下哪些场景？

选项：

A、特征学习与降维

B、数据去噪

C、图像生成

D、实时分类

E、高频率交易预测

答案：【特征学习与降维;数据去噪;图像生成】50.多选题：自编码器在实际应用中常结合以下技术：

选项：

A、无监督预训练

B、监督微调（Fine-tuning）

C、数据增强

D、批量归一化

E、早停法（EarlyStopping）

答案：【无监督预训练;监督微调（Fine-tuning）】51.多选题：自编码器的基本组成部分包括：

选项：

A、编码器（Encoder）

B、解码器（Decoder）

C、分类器（Classifier）

D、正则化层（RegularizationLayer）

E、池化层（PoolingLayer）

答案：【编码器（Encoder）;解码器（Decoder）】52.多选题：自编码器的训练目标是：

选项：

A、最小化输入与输出之间的重构误差

B、最大化分类准确率

C、学习数据的压缩表示

D、减少网络参数量

E、增加模型复杂度

答案：【最小化输入与输出之间的重构误差;学习数据的压缩表示】53.单选题：由于GAN采用了监督器和生成器“博弈”的策略，所以GAN网络总是能稳定的收敛

选项：

A、正确

B、错误

答案：【错误】54.单选题：R-CNN是用selectivesearch产生候选proposals，然后将其输入到CNN中最后使用SVM判断结果

选项：

A、正确

B、错误

答案：【正确】55.单选题：反卷积层的原理是首先将填充原特征图中的特征点，之后使用卷积核在原特征图上滑动由此得到更大的特征图

选项：

A、正确

B、错误

答案：【正确】56.单选题：GAN训练过程中，无论生成器的优劣，其输出的标签都被设为0

选项：

A、正确

B、错误

答案：【正确】第五章强化学习单元小测1.单选题：在强化学习的过程中，（）在稍微偏离目前最好的策略的基础上，能够尝试更多种的策略。（）是指运用目前最好的策略，获取更高的奖赏。

选项：

A、探索，输出

B、探索，利用

C、利用，探索

D、利用，输出

答案：【探索，利用】2.单选题：在epsilon-greedy算法中，epsilon的值越大，采用随机动作的概率越（），采用当前Q函数值代表的最大动作概率越（）

选项：

A、大，大

B、小，小

C、小，大

D、大，小

答案：【大，小】3.单选题：在强化学习的过程中，学习率越大，说明使用新的尝试得到的结果比例越（），保留的旧的结果比例越（）

选项：

A、大，大

B、小，小

C、小，大

D、大，小

答案：【大，小】4.单选题：PolicyGradient方法直接优化的是？

选项：

A、价值函数V(s)

B、Q函数Q(s,a)

C、策略函数π(a|s)

D、环境模型

答案：【策略函数π(a|s)】5.单选题：AlphaGo的策略网络（PolicyNetwork）的主要作用是？

选项：

A、准确计算当前局面的胜率

B、预测下一步棋的最佳走法概率分布

C、生成整个棋局的最终结果

D、评估每个棋子的价值

答案：【预测下一步棋的最佳走法概率分布】6.单选题：“禁止全局同形”规则主要是为了防止？

选项：

A、一方连续走两步

B、棋局陷入无限循环

C、棋子被提掉

D、棋盘被填满

答案：【棋局陷入无限循环】7.单选题：一块棋拥有两个“眼”意味着？

选项：

A、这块棋气势很盛

B、这块棋可以被攻击

C、这块棋是活棋，永远不会被提掉

D、这块棋需要再做一眼

答案：【这块棋是活棋，永远不会被提掉】8.单选题：2015年AlphaGo的核心组件不包括？

选项：

A、深度策略网络

B、深度估值网络

C、蒙特卡洛树搜索

D、生成对抗网络

答案：【生成对抗网络】9.单选题：AlphaGo的估值网络（ValueNetwork）的主要作用是？

选项：

A、预测对手的下一步棋

B、评估当前局面的胜率

C、生成可行的走法列表

D、计算棋子的气

答案：【评估当前局面的胜率】10.单选题：AlphaGo在蒙特卡洛树搜索中，综合哪两个网络的信息来选择最终着法？

选项：

A、仅使用策略网络

B、仅使用估值网络

C、综合策略网络（提供采样优先级）和估值网络（提供局面评估）

D、随机选择

答案：【综合策略网络（提供采样优先级）和估值网络（提供局面评估）】11.单选题：AlphaGoZero与2015年AlphaGo的最大区别在于？

选项：

A、使用了更深的神经网络

B、完全从零开始自我对弈学习，无需人类棋谱

C、计算能力更强

D、只使用蒙特卡洛树搜索，不使用神经网络

答案：【完全从零开始自我对弈学习，无需人类棋谱】12.单选题：DQN（DeepQ-Network）主要用于解决什么问题？

选项：

A、低维状态空间的强化学习问题

B、高维状态空间（如图像像素）的强化学习问题

C、仅有离散动作的问题

D、模型已知的规划问题

答案：【高维状态空间（如图像像素）的强化学习问题】13.单选题：DQN中使用什么来近似Q函数？

选项：

A、线性回归模型

B、决策树

C、深度神经网络

D、查表法

答案：【深度神经网络】14.单选题：DQN中使用的经验回放机制的主要作用是？

选项：

A、增加智能体的探索率

B、打破数据之间的时序相关性，使训练更稳定

C、减少神经网络的计算量

D、直接计算贝尔曼方程中的期望值

答案：【打破数据之间的时序相关性，使训练更稳定】15.单选题：在Q-Learning的更新公式中，Q值的更新依赖于？

选项：

A、当前奖励和上一个状态的Q值

B、当前奖励和下一个状态的最大Q值

C、所有历史奖励的平均值

D、下一个状态的奖励和当前Q值

答案：【当前奖励和下一个状态的最大Q值】16.单选题：Q-Learning算法通常假设环境是？

选项：

A、动态变化的

B、稳定不变的

C、部分可观测的

D、完全随机的

答案：【稳定不变的】17.单选题：与基于价值的算法（如Q-Learning）相比，策略梯度方法的一个优势是？

选项：

A、通常收敛速度更快

B、可以自然地处理连续动作空间

C、方差更小

D、更容易实现

答案：【可以自然地处理连续动作空间】18.单选题：Actor-Critic算法框架中，“Critic”的作用是？

选项：

A、生成行为

B、评估状态或状态-行为对的价值

C、与环境交互

D、直接优化策略

答案：【评估状态或状态-行为对的价值】19.单选题：围棋中“气”指的是？

选项：

A、棋子的生命力

B、与棋子直线相邻的空白交叉点

C、棋子的连接方式

D、棋手的计算能力

答案：【与棋子直线相邻的空白交叉点】20.单选题：“无气自提”规则是指？

选项：

A、没有气的棋子不能被提掉

B、一方可以在任何地方落子

C、一方落子后，使对方某些棋子处于无气状态，则将这些棋子提掉

D、一方落子后使自己无气，则提掉自己的棋子

答案：【一方落子后，使对方某些棋子处于无气状态，则将这些棋子提掉】21.单选题：DQN的训练目标是最小化？

选项：

A、当前奖励r_t

B、目标Q值y_j与当前网络预测Q值之间的误差

C、策略网络的输出概率

D、状态的价值V(s)

答案：【目标Q值y_j与当前网络预测Q值之间的误差】22.多选题：强化学习包含的元素有（）

选项：

A、State

B、Action

C、Reward

D、Agent

答案：【State;Action;Reward;Agent】23.多选题：AlphaGo算法中，深度策略网络为了避免对局的网络过于相似出现的过拟合，采用下列那些策略（）

选项：

A、将监督学习的网络复制作为增强学习的初始网络

B、将当前版本网络与之前随即版本对局，得到输赢结果

C、利用reinforce算法更新参数最大化结果

D、每500次迭代就复制当前网络参数到对手池中

答案：【将监督学习的网络复制作为增强学习的初始网络;将当前版本网络与之前随即版本对局，得到输赢结果;利用reinforce算法更新参数最大化结果;每500次迭代就复制当前网络参数到对手池中】24.多选题：PolicyGradient方法的基本思想是？

选项：

A、通过降低高回报轨迹的概率来优化策略

B、通过升高高回报轨迹的概率来优化策略

C、根据最终结果来调整策略

D、需要知道环境的动力学模型

答案：【通过升高高回报轨迹的概率来优化策略;根据最终结果来调整策略】25.多选题：纯粹的PolicyGradient方法可能存在的问题包括？

选项：

A、收敛速度慢

B、方差高

C、只能处理离散动作

D、无法处理延迟奖励

答案：【收敛速度慢;方差高】26.多选题：根据博弈论，围棋存在“必胜策略”是因为？

选项：

A、它是一个零和博弈

B、它是一个完全信息博弈

C、它是一个在有限步内必然结束的博弈

D、黑棋有先手优势

答案：【它是一个零和博弈;它是一个完全信息博弈;它是一个在有限步内必然结束的博弈】27.多选题：在AlphaGo的MCTS中，rolloutpolicy通常？

选项：

A、是快速但较弱的策略网络

B、用于快速模拟对局至终局

C、用于替代估值网络

D、是准确但缓慢的策略网络

答案：【是快速但较弱的策略网络;用于快速模拟对局至终局】28.多选题：Actor-Critic算法的思想在AlphaGo中的体现是？

选项：

A、策略网络作为Actor

B、估值网络作为Critic

C、Critic评估Actor的表现并指导其更新

D、两者相互独立，没有关联

答案：【策略网络作为Actor;估值网络作为Critic;Critic评估Actor的表现并指导其更新】29.多选题：2015年AlphaGo的训练过程包括？

选项：

A、基于人类棋谱有监督学习训练策略网络

B、通过策略网络自我对弈进行策略优化

C、通过自我对弈结果训练估值网络

D、完全随机初始化并自我对弈

答案：【基于人类棋谱有监督学习训练策略网络;通过策略网络自我对弈进行策略优化;通过自我对弈结果训练估值网络】30.多选题：在Q-Learning中，哪些因素可能导致学习失败？

选项：

A、探索率epsilon始终为0

B、学习率设置得过低

C、奖励函数设计不合理

D、环境发生剧烈变化

答案：【探索率epsilon始终为0;学习率设置得过低;奖励函数设计不合理;环境发生剧烈变化】31.多选题：李世石对阵AlphaGo时下出的“神之一手”（第78手）导致AlphaGo崩溃的原因可能包括？

选项：

A、这手棋超出了策略网络的概率分布，被认为极不可能

B、在有限的5分钟思考时间内，MCTS未能充分搜索到这一罕见但致命的变化

C、估值网络错误地评估了之后的局面，认为AlphaGo仍占优

D、程序出现了代码错误

答案：【这手棋超出了策略网络的概率分布，被认为极不可能;在有限的5分钟思考时间内，MCTS未能充分搜索到这一罕见但致命的变化;估值网络错误地评估了之后的局面，认为AlphaGo仍占优】32.多选题：Q-Learning算法适用于哪些场景？

选项：

A、状态空间和动作空间是离散的

B、状态空间和动作空间是连续的

C、环境模型是已知的

D、环境模型是未知的

答案：【状态空间和动作空间是离散的;环境模型是未知的】33.多选题：传统Q-Learning在应对高维状态空间时遇到的主要困难是？

选项：

A、无法处理延迟奖励

B、状态-动作对的数量巨大，难以存储Q表

C、无法进行有效的泛化

D、探索效率低下

答案：【状态-动作对的数量巨大，难以存储Q表;无法进行有效的泛化】34.多选题：DQN算法的关键组件包括？

选项：

A、一个用于近似Q函数的深度神经网络

B、经验回放缓冲区

C、目标网络

D、策略梯度上升

答案：【一个用于近似Q函数的深度神经网络;经验回放缓冲区;目标网络】35.多选题：DQN的成功表明？

选项：

A、神经网络可以直接从高维原始输入中学习有效的特征表示

B、强化学习可以解决复杂的感知-决策任务

C、无需任何先验知识即可超越人类水平

D、贝尔曼方程可以通过随机梯度下降进行优化

答案：【神经网络可以直接从高维原始输入中学习有效的特征表示;强化学习可以解决复杂的感知-决策任务;贝尔曼方程可以通过随机梯度下降进行优化】第六章传统机器学习单元小测1.单选题：GMM的参数估计通常使用？

选项：

A、梯度下降

B、EM算法

C、最小二乘法

D、牛顿法

答案：【EM算法】2.单选题：在GMM中，γₖᵢ表示？

选项：

A、第i个数据属于第k个高斯分布的概率

B、第k个高斯的均值

C、第k个高斯的方差

D、第i个数据的权重

答案：【第i个数据属于第k个高斯分布的概率】3.单选题：GMM在说话人识别中的应用是基于？

选项：

A、每个人声音特征符合高斯分布

B、每个人声音频率相同

C、每个人声音时长相同

D、每个人声音强度相同

答案：【每个人声音特征符合高斯分布】4.单选题：K均值算法属于哪类优化方法？

选项：

A、梯度下降

B、EM算法

C、线性规划

D、动态规划

答案：【EM算法】5.单选题：K均值聚类的目标是？

选项：

A、最大化类间距离

B、最小化类内距离

C、最大化数据方差

D、最小化数据均值

答案：【最小化类内距离】6.单选题：K均值算法中，每个点的类别分配依据是？

选项：

A、点到各类中心的最小欧氏距离

B、点到各类中心的最大欧氏距离

C、点到数据均值的距离

D、点到数据中位数的距离

答案：【点到各类中心的最小欧氏距离】7.单选题：K均值算法的收敛性依赖于？

选项：

A、初始类别分配的随机性

B、数据标签的准确性

C、数据维度的数量

D、数据是否标准化

答案：【初始类别分配的随机性】8.单选题：在图像压缩中，K均值聚类用于？

选项：

A、减少颜色数量

B、增加图像分辨率

C、增强图像对比度

D、去除图像噪声

答案：【减少颜色数量】9.单选题：在人脸识别中，PCA降维后的特征向量被称为？

选项：

A、平均脸

B、特征脸

C、标准脸

D、投影脸

答案：【特征脸】10.单选题：选择PCA降维后维度M的常用方法是？

选项：

A、随机选择

B、保留前M个最大特征值，使能量比例达到一定阈值

C、保留前M个最小特征值

D、保留所有特征值

答案：【保留前M个最大特征值，使能量比例达到一定阈值】11.单选题：K-means算法（）能收敛，对于无标签的数据X，经过n次聚类后，优化目标函数值（）的一组结果是最优的。

选项：

A、一定，最大

B、一定，最小

C、不一定，最大

D、不一定，最小

答案：【一定，最小】12.单选题：PCA的主要目的是？

选项：

A、分类数据

B、降低数据维度并保留最大方差

C、聚类数据

D、预测未来数据

答案：【降低数据维度并保留最大方差】13.单选题：在PCA中，投影方向的选择依据是？