雨课堂学堂在线学堂云《神经网络与深度学习（沈阳城市学院）》单元测试考核答案

神经网络与深度学习第1题在Python深度学习中，用于高效处理多维数组运算、是构建基础神经网络底层计算的核心库是（）APandasBNumPyCMatplotlibDScikit-learn第2题下列关于TensorFlow和PyTorch的特性对比，说法正确的是（）ATensorFlow仅支持静态计算图，无法切换为动态计算图BPyTorch的动态计算图更适合交互式开发和调试C两者都只能在CPU上运行，不支持GPU加速DTensorFlow没有高层API，必须通过底层接口构建模型第3题使用NumPy计算神经元的加权和：已知输入向量x=np.array([2,3,4])，权重向量w=np.array([0.2,0.3,0.4])，偏置b=0.8，则加权和（w·x+b）的结果为（）A3.5B4.1C4.8D5.2第4题在Keras中，若要构建一个接受32维输入、隐藏层含16个神经元（ReLU激活）、输出层含2个神经元（Softmax激活）的分类模型，正确的层定义顺序是（）ADense(16,activation='relu'),Dense(2,activation='softmax'),Input(shape=(32,))BInput(shape=(32,)),Dense(2,activation='softmax'),Dense(16,activation='relu')CInput(shape=(32,)),Dense(16,activation='relu'),Dense(2,activation='softmax')DDense(32,activation='relu'),Dense(16,activation='relu'),Dense(2,activation='softmax')第5题PyTorch中，定义一个自定义全连接神经网络模型时，必须继承的基类是（）Atorch.nn.SequentialBtorch.nn.ModuleCtorch.nn.LayerDtorch.nn.Model第6题在Keras模型编译阶段（pile()），若任务为二分类，下列损失函数与激活函数的搭配正确的是（）Aloss='categorical_crossentropy'，output_activation='sigmoid'Bloss='binary_crossentropy'，output_activation='sigmoid'Closs='mse'，output_activation='softmax'Dloss='binary_crossentropy'，output_activation='softmax'第7题PyTorch中，实现数据批量加载、打乱和多线程预处理的核心类是（）Atorch.utils.data.DatasetBtorch.utils.data.DataLoaderCtorch.data.BatchLoaderDtorch.data.DataProcessor第8题下列代码中，能正确实现Keras模型训练（使用训练集x_train,y_train，验证集x_val,y_val，训练10轮，批次大小32）的是（）Amodel.fit(x_train,y_train,epochs=10,batch_size=32,validation_data=(x_val,y_val))Bmodel.train(x_train,y_train,epochs=10,batch_size=32,val_data=(x_val,y_val))Cmodel.fit(x_train,y_train,times=10,batch=32,validation=(x_val,y_val))Dmodel.train_model(x_train,y_train,epochs=10,batch_size=32,val=(x_val,y_val))第9题在Python中，若要绘制神经网络训练过程中“训练损失”与“验证损失”的变化曲线，常用的库是（）ANumPyBPandasCMatplotlibDScipy第10题使用Scikit-learn对数据进行预处理时，StandardScaler类的主要作用是（）A将数据归一化到[0,1]区间B将数据转换为均值为0、标准差为1的标准正态分布C对类别特征进行独热编码D去除数据中的异常值第11题NumPy的np.dot(a,b)函数既可计算两个向量的点积，也可计算两个矩阵的乘法，其行为由输入数组的维度决定。（）第12题Keras的Sequential模型是“线性堆叠”结构，无法构建含分支、跨层连接或多输入/多输出的复杂神经网络。（）第13题PyTorch中，模型训练时必须手动调用torch.set_grad_enabled(True)开启梯度计算，否则反向传播无法进行。（）第14题Keras中通过model.save('my_model.h5')保存的HDF5格式模型，只能在Keras环境中载无法在TensorFlow中使用。（）第15题处理图像数据时，将像素值从[0,255]归一化到[0,1]区间，可避免大数值输入导致的权重更新不稳定，从而加快模型收敛。（）第16题NumPy中，创建一个形状为(5,6)、元素全为0的二维数组的代码是____；计算数组a（形状(3,4)）与数组b（形状(4,5)）矩阵乘法的代码是____。第17题在Keras中，加载MNIST手写数字数据集的内置函数是____，该函数返回的训练集数据格式为（(样本数，28,28),(样本数，)）（前者为图像数据，后者为标签数据）；若要将28×28的二维图像展平为一维向量，需使用____层。第18题PyTorch中，定义自定义模型时，需在____方法中定义网络的层结构，在____方法中实现前向传播（输入到输出的计算流程）；训练模型前，需调用____方法将模型切换为训练模式。第19题Keras模型训练完成后，使用____函数在测试集上评估模型性能（返回损失值和指定指标值），使用____函数对新数据进行预测（返回预测结果）；若要保存整个模型（含结构、权重和编译信息），常用的函数是____第20题Scikit-learn中，对类别型标签进行“独热编码”的类是____，对连续型特征进行“最小-最大归一化”（缩放到[0,1]区间）的类是____。第1题下列关于感知机（Perceptron）的核心定义，描述正确的是（）A感知机是一种含隐藏层的深层神经网络模型B感知机的输出是输入特征的加权和直接输出，无需激活函数C感知机是模拟生物神经元结构的最简单人工神经网络模型D感知机只能处理多分类任务，无法处理二分类任务第2题感知机的数学表达式中，不包含下列哪个组成部分（）A输入特征向量xB权重向量wC批归一化参数r（缩放因子）D偏置项b第3题对于二分类感知机，若输入加权和s=w*x+b，其输出激活函数通常采用（）ASigmoid函数B符号函数（SignFunction）CReLU函数DSoftmax函数第4题感知机的训练目标是找到合适的权重w和偏置b，使得（）A所有样本的输入加权和等于0B所有正样本的输出为1，负样本的输出为-1（或0）C模型在训练集上的交叉熵损失最小D模型的参数数量最少第5题下列关于感知机学习算法的描述，错误的是（）A感知机学习算法属于监督学习算法B每次迭代仅对误分类样本的参数进行更新C学习率n的取值范围通常为(0,1]，控制参数更新步长D学习率𝜂的取值范围通常为(0,1]，控制参数更新步长第6题下列关于感知机（Perceptron）的本质描述，正确的是（）A一种具备自主学习能力的深层神经网络B模拟生物神经元“兴奋-抑制”机制的最简单人工神经网络模型C只能处理连续值输出的回归任务D无需参数训练即可直接用于分类任务第7题感知机无法解决“异或（XOR）”问题的根本原因是（）A异或问题的样本数量过少，无法支撑感知机训练B感知机的学习率难以选择，导致训练不收敛C异或问题的样本是非线性可分的，而感知机只能处理线性可分问题D异或问题的标签分布不均匀，感知机偏向于多数类第8题下列关于感知机与逻辑回归的区别，正确的是（）A感知机使用符号函数输出离散类别，逻辑回归使用Sigmoid函数输出概率B感知机只能处理二分类，逻辑回归只能处理多分类C感知机通过梯度下降最小化损失，逻辑回归不依赖梯度下降D感知机包含偏置项，逻辑回归不含偏置项第9题若感知机的输入特征维度为3（即x=[x1,x2,x3])，则其权重向量W的维度为（）A1×1（标量）B1×3（行向量）C3×1（列向量）D3×3（矩阵）第10题下列哪种方法不能扩展感知机以处理非线性可分问题（）A增加感知机的输入特征维度（如引入特征交叉项）B将多个感知机组合成多层前馈神经网络（MLP）C仅增大感知机的学习率nD使用核函数将样本映射到高维线性可分空间第11题感知机的偏置项b可以理解为“调整神经元激活阈值的参数”，若没有偏置项，感知机可能无法正确拟合样本（如无法区分“输入全为0但标签为1”的样本）。（）第12题感知机学习算法中，学习率n越大，参数更新速度越快，因此𝜂应尽可能取最大值（如n=100)）以缩短训练时间。（）第13题对于线性可分的样本集，感知机学习算法一定能在有限次迭代后找到最优参数，使得所有样本分类正确（即收敛）。（）第14题单个感知机的决策边界是高维空间中的“超平面”，例如输入为2维时，决策边界是一条直线。（）第15题感知机的输出只能是离散的类别标签（如-1或1），无法输出样本属于某一类别的概率值。（）第16题感知机的数学表达式为y=sign(w*x+b)，其中sign()是符号函数，其定义为：当输入大于0时输出____，当输入等于0时输出____，当输入小于0时输出____。第17题感知机的数学表达式y=sign(w*x+b)，其中w*x表示输入向量与权重向量的____,sign()函数的作用是将加权和与偏置的叠加结果映射为____第18题“异或问题”的样本为：(0,0)→0、(0,1)→1、(1,0)→1、(1,1)→0，这些样本在2维空间中____（填“线性可分”或“非线性可分”）,因此____（填“单个感知机”或“多层感知机”）无法解决该问题。第19题感知机的“权重向量W”的物理意义是____，即权重值越大，对应输入特征对感知机输出的影响越____第20题感知机权重向量w中，某一元素wj的绝对值越大，表明对应的输入特征xj对感知机输出的____越____；若为正，wj说明该特征值越大，感知机输出为正类的可能性越____第三章作业第1题下列关于人工神经网络（ANN）的基本结构描述，错误的是（）A典型神经网络由输入层、隐藏层和输出层组成B输入层神经元数量与数据的特征维度一致C隐藏层仅能包含1层，过多会导致模型过拟合D输出层神经元数量由任务类型决定（如二分类通常为1或2个）第2题神经网络中激活函数的核心作用是（）A增加输入数据的维度，提升模型表达能力B引入非线性变换，使模型能拟合复杂非线性关系C减少模型参数数量，降低计算复杂度D对输入数据进行标准化，加速训练收敛第3题下列激活函数中，不存在“梯度消失”问题的是（）ASigmoid函数BTanh函数CReLU函数DSoftmax函数第4题关于多层前馈神经网络（MLP）的训练过程，下列说法正确的是（）A训练仅需正向传播计算输出，无需反向传播调整参数B反向传播的核心是通过链式法则计算损失对各层参数的梯度C权重初始化时采用全零初始化，可保证各神经元学习公平性D训练过程中，损失函数值一定会持续下降第5题下列不属于缓解神经网络过拟合的方法是（）A增加训练数据集规模B采用Dropout技术随机丢弃部分神经元C增大模型隐藏层神经元数量D引入L2正则化约束权重大小第6题批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（Mini-batchGD）的核心区别在于（）A学习率的初始值设置B每次迭代使用的训练样本数量C梯度计算的数学公式D是否使用GPU加速计算第7题关于神经网络的权重初始化，下列描述正确的是（）AXavier初始化适用于ReLU激活函数，He初始化适用于Sigmoid激活函数B随机初始化权重时，需避免权重值过大导致激活函数输出饱和C全零初始化会使所有隐藏层神经元的梯度相同，无法有效学习D权重初始化对模型训练结果无影响，仅影响训练速度第8题下列关于卷积神经网络（CNN）与多层前馈神经网络（MLP）的差异，错误的是（）ACNN采用局部连接，MLP采用全连接BCNN通过参数共享减少参数数量，MLP无参数共享机制CMLP能处理图像数据，CNN不能处理非图像数据DCNN通过池化层降低特征维度，MLP通过减少神经元数量降低维度第9题批量归一化（BatchNormalization，BN）的主要作用是（）A减少训练数据的批量大小，降低内存占用B将每一层的输入数据规范化到均值为0、方差为1的分布，加速训练C对批量内的样本进行打乱，增强数据随机性D对模型输出结果进行归一化，使其符合概率分布第10题下列关于神经网络损失函数的选择，正确的是（）A回归任务选择交叉熵损失函数，分类任务选择均方误差（MSE）B二分类任务选择二元交叉熵损失，多分类任务选择categorical交叉熵损失C损失函数的选择与激活函数无关D所有任务都可使用同一种损失函数，仅需调整学习率第11题神经网络的层数越多、参数越多，模型的拟合能力越强，因此实际应用中应尽可能设计深层、大参数模型。（）第12题ReLU激活函数在输入为负时输出为0，会导致部分神经元“死亡”（永久不激活），但可通过调整学习率缓解该问题。（）第13题反向传播算法中，梯度计算的顺序是从输出层到输入层，即“反向”计算各层参数的梯度。（）第14题小批量梯度下降（Mini-batchGD）结合了批量梯度下降的稳定性和随机梯度下降的快速性，是目前最常用的优化方式之一。（）第15题神经网络训练完成后，模型在测试集上的准确率一定高于训练集，因为测试集未参与参数调整。（）第16题人工神经网络中，神经元的核心计算流程是：先计算输入特征与权重的____并叠加偏置项，再通过____得到神经元的输出。第17题神经网络训练的目标是最小化____，常用的优化算法除了梯度下降及其变体，还有____、____等自适应学习率算法。第18题Dropout技术的工作原理是：在训练过程中，每次迭代随机将部分神经元的输出设置为____，以减少神经元间的____，从而缓解过拟合；测试时需将所有神经元的输出乘以____（或训练时对保留神经元输出进行缩放）。第19题卷积神经网络的核心操作包括____和____：前者通过滑动卷积核提取局部特征，后者通过选取局部区域的最大值或平均值降低特征图维度，减少计算量。第20题Sigmoid函数的输出范围是____，Tanh函数的输出范围是____；两者在输入绝对值较大时，梯度会趋近于____，从而导致梯度消失问题。第四章作业第1题神经网络“学习”的核心本质是（）A记忆训练集中所有样本的输入与输出对应关系B记忆训练集中所有样本的输入与输出对应关系C增加网络的层数和神经元数量，提升模型复杂度D对输入数据进行预处理，使其更易被模型识别第2题下列关于损失函数的描述，错误的是（）A损失函数是衡量模型预测值与真实标签差异的指标B均方误差（MSE）常用于回归任务，交叉熵损失常用于分类任务C损失函数的值越小，说明模型的泛化能力越强D损失函数需连续可导（或分段可导），以支持梯度下降优化第3题梯度下降算法中，“梯度”的物理意义是（）A损失函数在当前参数点的变化率，指示损失增大的方向B损失函数在当前参数点的变化率，指示损失减小的方向C模型预测值与真实值的差值，直接决定参数更新幅度D输入数据的特征重要性，用于筛选关键特征第4题关于随机梯度下降（SGD）与批量梯度下降（BGD）的对比，下列说法正确的是（）ASGD每次迭代使用全部训练样本，训练更稳定BBGD每次迭代使用单个样本，训练速度更快CSGD的梯度估计存在噪声，但可能更快跳出局部最优DBGD适合大数据集，因为其内存占用更低第5题自适应学习率优化算法（如Adam）的核心优势是（）A无需设置学习率，完全自动调整B为不同参数动态分配不同的学习率，提升训练效率C仅使用梯度的一阶矩信息，计算成本低D保证模型一定收敛到全局最优解第6题反向传播算法中，计算梯度的关键数学工具是（）A微积分基本定理B链式法则C拉格朗日乘数法D概率论中的贝叶斯公式第7题下列关于“梯度消失”问题的成因，说法正确的是（）A激活函数（如Sigmoid）在输入绝对值较大时导数趋近于0，导致深层梯度传递时衰减为0B学习率设置过大，导致参数更新幅度过大，梯度震荡消失C训练数据量过少，模型无法学习到有效特征，梯度无法更新D权重初始化值过大，导致激活函数输出饱和，梯度为0第8题为缓解“梯度爆炸”问题，常用的方法是（）A采用ReLU激活函数B减小学习率C权重裁剪（GradientClipping）D增加隐藏层神经元数量第9题神经网络训练过程中，“epoch”的定义是（）A一次参数更新的过程B一个批次（batch）样本的训练过程C所有训练样本完整参与一次训练的过程D从模型初始化到训练结束的全部过程第10题下列关于学习率的影响，说法错误的是（）A学习率过小，模型训练速度慢，可能陷入局部最优B学习率过大，模型参数震荡，可能无法收敛C学习率应始终保持固定，避免参数更新不稳定D适应优化算法可通过动态调整学习率提升训练效果第11题神经网络的学习过程是“监督学习”，必须依赖带标签的训练数据；无标签数据无法用于神经网络学习。（）第12题反向传播算法的计算顺序是“从输出层到输入层”，即先计算输出层的梯度，再逐层反向计算隐藏层和输入层的梯度。（）第13题小批量梯度下降（Mini-batchGD）结合了SGD的快速性和BGD的稳定性，是目前工业界最常用的优化方式之一。（）第14题损失函数的值降至0时，模型的泛化能力最强，因为此时模型在训练集上完全无误差。（）第15题梯度下降算法中，参数更新的方向是“沿着梯度的反方向”，因为该方向是损失函数下降最快的方向。（）第16题神经网络学习的三要素是____、____和优化算法；其中____定义了模型“学习的目标”，____定义了“如何实现目标”。第17题常用的自适应学习率优化算法有____和____：前者结合了动量（Momentum）和RMSprop的优势，后者通过累积梯度的平方动态调整学习率。第18题反向传播算法中，对于输出层神经元，梯度计算需结合____和____；对于隐藏层神经元，梯度计算需依赖____的梯度（即“反向传递”的梯度）。第19题练神经网络时，若出现“梯度消失”，可通过更换激活函数（如使用____替代Sigmoid）、采用____初始化初始化（针对ReLU激活）或使用残差连接（ResidualConnection）等方法缓解；若出现“梯度爆炸”，可采用____等方法限制梯度的最大幅度。第20题反向传播算法中，输出层神经元的梯度计算需结合____的导数和____的导数；隐藏层神经元的梯度计算则需要利用____的梯度，通过链式法则反向传递得到。第五章作业第1题误差反向传播法（Backpropagation，BP）的核心作用是（）A计算神经网络的正向输出，与真实标签对比得到误差B从输出层到输入层反向计算损失函数对各层参数（权重、偏置）的梯度，为参数更新提供依据C随机初始化神经网络的参数，确保训练起点合理D对输入数据进行预处理，标准化特征分布以加速训练第2题反向传播法中，梯度计算的关键数学工具是（）A微积分基本定理B链式法则（ChainRule）C拉格朗日乘数法D概率论中的期望公式第3题下列因素中，不会影响反向传播梯度计算准确性的是（）A激活函数导数计算错误B权重矩阵的维度匹配错误C输入数据的特征缩放方式D误差项的传递方向颠倒（从输入层到输出层）第4题深层神经网络中，反向传播易出现“梯度消失”问题，其本质原因是（）A隐藏层神经元数量过少，无法传递梯度B激活函数（如Sigmoid）在输入绝对值较大时导数趋近于0，多层传递后梯度衰减为0C学习率设置过大，导致梯度震荡消失D损失函数选择不当，无法产生有效梯度第5题为验证反向传播梯度计算的正确性，常用的方法是（）A数值梯度检验（NumericalGradientChecking）B增大学习率，观察损失是否快速下降C减少网络层数，简化梯度传递过程D更换激活函数，避免梯度消失第6题下列关于反向传播与梯度下降的关系，说法正确的是（）A反向传播是梯度下降的一种优化变体B梯度下降是反向传播的核心步骤，负责计算参数梯度C反向传播负责计算参数梯度，梯度下降负责利用梯度更新参数D两者是完全独立的算法，无直接关联第7题误差反向传播法（BP）的核心作用是解决神经网络中的哪个关键问题（）A输入数据的标准化预处理B模型参数（权重、偏置）的梯度计算C训练样本的批量划分D训练样本的批量划分第8题反向传播法计算梯度的数学基础是（）A线性代数中的矩阵分解B概率论中的贝叶斯公式C微积分中的链式法则D数值分析中的插值法第9题下列关于反向传播与梯度下降优化算法的关系，说法正确的是（）A反向传播就是梯度下降，两者是同一算法的不同称呼B反向传播计算梯度，梯度下降利用梯度更新参数，两者协同工作C梯度下降计算梯度，反向传播利用梯度更新参数，顺序不可颠倒D两者完全独立，反向传播不依赖梯度下降，梯度下降也不依赖反向传播第10题当神经网络输出层采用Sigmoid激活函数时，若想避免激活函数导数趋近于0导致的梯度问题，应优先选择哪种损失函数（）A均方误差（MSE）B二元交叉熵损失Ccategorical交叉熵损失D铰链损失（HingeLoss）第11题误差反向传播法仅适用于多层前馈神经网络（MLP），无法应用于卷积神经网络（CNN）和循环神经网络（RNN）。（）第12题反向传播过程中，偏置项的梯度计算方式与权重项不同：偏置项的梯度仅等于对应神经元的误差项，不需要依赖前一层的激活输出。（）第13题如果神经网络所有层的激活函数都采用线性函数，那么反向传播计算的梯度会经过线性传递，此时深层网络的表达能力与单层网络完全相同。（）第14题反向传播的计算复杂度与网络层数、每层神经元数量成正比，因此深层大网络的反向传播计算成本通常远高于正向传播。（）第15题只要反向传播计算出的梯度是正确的，模型训练就一定能收敛到全局最优解，与学习率、参数初始化等超参数无关。第16题反向传播中，“误差项”的物理意义是对应神经元对____的贡献程度，其计算顺序需遵循从____到____的方向第17题计算隐藏层的误差项时，需要依赖____的误差项、隐藏层到该层的____，以及隐藏层激活函数的____这三部分信息。第18题反向传播中，某一层误差项的计算需基于____的误差项，体现了“误差反向传递”的核心逻辑，而非依赖输入层原始数据。第19题对于二分类任务，输出层常用Sigmoid激活函数搭配____损失函数，该组合在反向传播中能有效优化模型参数。第20题深层网络中，若激活函数选择Sigmoid或Tanh，易因函数____特性导致梯度在反向传播中快速衰减，引发梯度消失。第六章作业第1题下列哪种方法的核心作用是通过随机丢弃部分神经元，减少神经元间的过度依赖，从而缓解过拟合（）A批量归一化BDropoutC学习率衰减D学习率衰减第2题批量归一化（BN）的主要目的是（）A减少训练数据的批量大小，降低内存占用B使每一层的输入数据分布更稳定，加速模型训练收敛C对模型输出结果进行归一化，适配分类任务D随机打乱批量内样本顺序，增强数据随机性第3题下列关于学习率调整策略的描述，错误的是（）A学习率衰减（LearningRateDecay）是指训练过程中逐渐减小学习率B自适应学习率算法（如Adam）可根据参数梯度动态调整学习率C固定学习率适用于所有任务，无需根据训练过程调整Dcyclic学习率通过周期性调整学习率，帮助模型跳出局部最优第4题为避免神经网络训练初期权重值过大导致激活函数输出饱和，常用的权重初始化方法是（）A全零初始化B随机正态分布初始化（均值0，小标准差）C随机均匀分布初始化（大范围取值）D常数初始化（如全部设为1）第5题下列哪种数据增强方法通常用于图像数据，