人工智能算法知識考試題庫500題

人工智能算法知識考試題庫500題（供參考）

一、單選題

1.循環(huán)神經(jīng)網(wǎng)絡(luò)中，假設(shè)輸入是一個32*32*3的圖像，3表示RGB三通道，卷積

核的結(jié)構(gòu)是5*5*3,共6個不同的卷積核，一個卷積核產(chǎn)生一個featuremap,則

輸出的featuremap矩陣的結(jié)構(gòu)是（）。

A、27*27*3

B、28*28*3

C、27*27*6

D、28*28*6

答案：D

解析：循環(huán)神經(jīng)網(wǎng)絡(luò)中，假設(shè)輸入是一個32*32*3的圖像，3表示RGB三通道,

卷積核的結(jié)構(gòu)是5*5*3,共6個不同的卷積核，一個卷積核產(chǎn)生一個featurema

P,則輸出的featuremap矩陣的結(jié)構(gòu)是28*28*6。

2.fromskIearnimportIinear_modeIreg=Iinear_modeI.Lasso,其中Lasso是用

來擬合什么樣的線性模型的？

A、稀疏數(shù)據(jù)

B、稀疏系數(shù)

C'稀疏標(biāo)簽

答案：B

3.如果問題存在最優(yōu)解，則下面幾種搜索算法中，哪一個必然可以得到該最優(yōu)解

A、廣度優(yōu)先搜索

B、深度優(yōu)先搜索

C、有界深度優(yōu)先搜索

D、啟發(fā)式搜索

答案：A

解析：廣度優(yōu)先搜索搜索的范圍最廣

4.在強化學(xué)習(xí)過程中，（）表示隨機地采取某個動作,以便于嘗試各種結(jié)果；（）表示

采取當(dāng)前認(rèn)為最優(yōu)的動作,以便于進(jìn)一步優(yōu)化評估當(dāng)前認(rèn)為最優(yōu)的動作的值。

A、探索

B、開發(fā)

C、開發(fā)

D、探索

E、探索

答案：A

5.對于一個分類任務(wù)，如果開始時神經(jīng)網(wǎng)絡(luò)的權(quán)重不是隨機賦值的，而是都設(shè)成

0,下面哪個敘述是正確的？

A、其他選項都不對

B、沒啥問題，神經(jīng)網(wǎng)絡(luò)會正常開始訓(xùn)練

C、神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練，但是所有的神經(jīng)元最后都會變成識別同樣的東西

D、神經(jīng)網(wǎng)絡(luò)不會開始訓(xùn)練，因為沒有梯度改變

答案：C

6.下列哪些不是“子集搜索”中的搜索方式（_）

A、單向搜索

B、雙向搜索

C、前向搜索

D、后向搜索

答案：A

解析：見算法解析

7.LARS屬于哪種特征選擇方法(一)

A、包裹式

B、啟發(fā)式

C、嵌入式

D、過濾式

答案：C

解析：見算法解析

8.生成式方法是直接基于(_)的方法？

A、生成式學(xué)習(xí)

B、生成式場景

C、生成式數(shù)據(jù)

D、生成式模型

答案：D

解析：見算法解析

9,下面哪個敘述是對的？Dropout對一個神經(jīng)元隨機屏蔽輸入權(quán)重Dropconnect

對一個神經(jīng)元隨機屏蔽輸入和輸出權(quán)重

A、1是對的，2是錯的

B、都是對的

C、1是錯的，2是對的

D、都是錯的

答案：D

10.機器學(xué)習(xí)中做特征選擇時，下面方法或信息不一定有用的是

A、卡方檢驗

B、信息增益

C、數(shù)據(jù)采樣

D、期望交叉熠

答案：C

11,下列關(guān)于特征選擇的說法錯誤的是(_)

A、可以提高特征關(guān)聯(lián)性

B、可以減輕維數(shù)災(zāi)難問題

C、可以降低學(xué)習(xí)任務(wù)的難度

D、特征選擇和降維具有相似的動機

答案：A

解析：見算法解析

12.全局梯度下降算法、隨機梯度下降算法和批量梯度下降算法均屬于梯度下降

算法，以下關(guān)于其有優(yōu)缺點說法錯誤的是：

A、全局梯度算法可以找到損失函數(shù)的最小值

B、批量梯度算法可以解決局部最小值問題

C、隨機梯度算法可以找到損失函數(shù)的最小值

D、全局梯度算法收斂過程比較耗時

答案：C

13.下面的問題，屬于分類問題的是;

A、根據(jù)員工的薪水、工作壓力、成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工在接下來一段時間內(nèi)的工資漲幅

B、根據(jù)員工的薪水、工作壓力,成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工下一季度的績效考核分?jǐn)?shù)

C、根據(jù)員工的薪水、工作壓力、成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工是否可能會在接下來的一段時間內(nèi)離職

D、根據(jù)員工的薪水、工作壓力,成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工下一季度的銷售額

答案：C

14.關(guān)于精度與錯誤率的說法中錯誤的是()。

A、精度與錯誤率的和為1

B、精度與錯誤率都可以反映模型的好壞

C、精度與錯誤率都可以用概率密度函數(shù)表示

D、精度是評價模型的唯一標(biāo)準(zhǔn)

答案：D

解析：精度是不是評價模型的唯一標(biāo)準(zhǔn)

15.如果問題存在最優(yōu)解，則下面幾種搜索算法中，廣度優(yōu)先搜索必然可以得到

該最優(yōu)解，()可以認(rèn)為是“智能程度相對比較高”的算法。

A、無界深度優(yōu)先搜索

B、深度優(yōu)先搜索

C、有界深度優(yōu)先搜索

D、啟發(fā)式搜索

答案：D

16.下列哪個函數(shù)不可以做非線性激活函數(shù)？()

A、y=tanh(x)

B\y=sin(x)

Gy=max(x,0)

D\y=2x

答案：D

17.Softmax算法中溫度趨近于0時Softmax將趨于(_)

A、僅探索

B、僅利用

C、全探索

D、全利用

答案：B

解析：見算法解析

18.閔可夫斯基距離表示為曼哈頓距離時，p為()。

A、1

B、2

C、3

D、4

答案：A

解析：閔可夫斯基距離定義為：該距離最常用的P是2和1,前者是歐幾里得距

離），后者是曼哈頓距離。

19.下面的問題，哪一個屬于分類問題的是（）

A、根據(jù)員工的薪水、工作壓力、成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工下一季度的銷售額

B、根據(jù)員工的薪水、工作壓力,成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工下一季度的績效考核分?jǐn)?shù)

C、根據(jù)員工的薪水、工作壓力、成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工在接下來一段時間內(nèi)的工資漲幅

D、根據(jù)員工的薪水、工作壓力,成長環(huán)境、工作年限、績效考核等數(shù)據(jù)，預(yù)測

員工是否可能會在接下來的一段時間內(nèi)離職

答案：D

20.Relief屬于哪種特征選擇方法（一）

A、包裹式

B、啟發(fā)式

C、嵌入式

D、過濾式

答案：D

解析：見算法解析

21.哪種聚類方法采用概率模型來表達(dá)聚類（）

A、K-means

B、LVQ

GDBSCAN

D、高斯混合聚類

答案：D

22.faster-rcnn回歸分支采用()Ioss

A、L1

B、L2

C、SmoothLI

D\nan

答案：C

解析：見算法解析

23.在一個神經(jīng)網(wǎng)絡(luò)中，知道每一個神經(jīng)元的權(quán)重和偏差是最重要的一步。如果

知道了神經(jīng)元準(zhǔn)確的權(quán)重和偏差，便可以近似任何函數(shù)，但怎么獲知每個神經(jīng)的

權(quán)重和偏移呢？

A、搜索每個可能的權(quán)重和偏差組合，直到得到最佳值

B、賦予一個初始值，然后檢查跟最佳值的差值，不斷迭代調(diào)整權(quán)重

C、隨機賦值，聽天由命

D、以上都不正確的

答案：B

24.卷積神經(jīng)網(wǎng)絡(luò)中的局部連接是指：在進(jìn)行圖像識別的時候，不需要對整個圖

像進(jìn)行處理，只需要關(guān)注圖像中某些()的區(qū)域。

A\一般

B、特殊

C、連續(xù)

D\重點

答案：B

解析：見算法解析

25.下列人工神經(jīng)網(wǎng)絡(luò)屬于反饋網(wǎng)絡(luò)的是（）

A、HopfieId網(wǎng)

B、BP網(wǎng)絡(luò)

C、多層感知器

D、LVQ網(wǎng)絡(luò)

答案：A

解析：$BP網(wǎng)絡(luò)'多層感知器、LVQ網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)

26.下列關(guān)于K-Means聚類說法錯誤的是（）

A、聚類的簇個數(shù)會由模型自動給出

B、可以使用多組隨機的初始中心點進(jìn)行計算

C、聚類前應(yīng)當(dāng)進(jìn)行維度分析

D、聚類前應(yīng)當(dāng)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化

答案：A

解析：聚類的簇個數(shù)由人為確定。

27.LSTM是一種什么網(wǎng)絡(luò)？

A、卷積神經(jīng)網(wǎng)

B、前饋神經(jīng)網(wǎng)

C\循環(huán)神經(jīng)網(wǎng)

D\攣生網(wǎng)絡(luò)

答案：C

解析：LSTM是一種循環(huán)神經(jīng)網(wǎng)絡(luò)

28.在經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型中，Softmax函數(shù)是跟在什么隱藏層后面的？

A、卷積層

B、池化層

C、全連接層

D、以上都可以

答案：C

29.回歸分析中定義的()

A、解釋變量和被解釋變量都是隨機變量

B、解釋變量為非隨機變量，被解釋變量為隨機變量

C、解釋變量和被解釋變量都為非隨機變量

D、解釋變量為隨機變量，被解釋變量為非隨機變量

答案：B

30.如果強行限制輸出層的分布是標(biāo)準(zhǔn)化的，可能會導(dǎo)致某些特征模式的丟失,

所以在標(biāo)準(zhǔn)化之后，BatchNorm會緊接著對數(shù)據(jù)做縮放和()

A\平移

B、刪除

C、移動

D、收斂

答案：A

解析:如果強行限制輸出層的分布是標(biāo)準(zhǔn)化的，可能會導(dǎo)致某些特征模式的丟失,

所以在標(biāo)準(zhǔn)化之后，BatchNorm會緊接著對數(shù)據(jù)做縮放和平移

31.關(guān)于MNIST,下列說法錯誤的是0。

A、是著名的手寫體數(shù)字識別數(shù)據(jù)集

B、有訓(xùn)練集和測試集兩部分

C、訓(xùn)練集類似人學(xué)習(xí)中使用的各種考試試卷

D、測試集大約包含10000個樣本和標(biāo)簽

答案：C

32.Reiu在零點不可導(dǎo)，那么在反向傳播中怎么處理()

A、設(shè)為0

B、設(shè)為無窮大

C、不定義

D、設(shè)為任意值

答案：A

解析：Relu在零點不可導(dǎo)，那么在反向傳播中設(shè)為0

33.神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元(Neuron)組成，每個神經(jīng)元接受一個輸入，對輸入

進(jìn)行處理后給出一個輸出。請問下列關(guān)于神經(jīng)元的描述中，哪一項是正確的？

A、每個神經(jīng)元可以有一個輸入和一個輸出

B、每個神經(jīng)元可以有多個輸入和一個輸出

C、每個神經(jīng)元可以有多個輸入和多個輸出

D、上述都正確

答案：D

解析：每個神經(jīng)元可以有一個或多個輸入，和一個或多個輸出。如圖所示的神經(jīng)

網(wǎng)絡(luò)結(jié)構(gòu)中，隱藏層的每一個神經(jīng)元都是多輸入多輸出。若將輸出層改為一個神

經(jīng)元，則隱藏層每個神經(jīng)元都是一個輸出；若將輸入層改為一個神經(jīng)元，則隱藏

層每個神經(jīng)元都是一個輸入。

34.神經(jīng)網(wǎng)絡(luò)中Dropout的作用()

A、防止過擬合

B、減小誤差

C、增加網(wǎng)絡(luò)復(fù)雜度

答案：A

解析：dropout是指在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中，對于神經(jīng)網(wǎng)絡(luò)單元，按照一

定的概率將其暫時從網(wǎng)絡(luò)中丟棄。

35.人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)的關(guān)系：

A、完全拷貝

B、一點點關(guān)系都沒有

C、人工神經(jīng)網(wǎng)絡(luò)受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)

D、同一事物的兩個名稱

答案：C

解析：人工神經(jīng)網(wǎng)絡(luò)受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)

36.模型有效的基本條件是能夠()已知的樣本

A、結(jié)合

B、擬合

C、聯(lián)合

D、聚集

答案：B

解析：模型有效的基本條件是能夠擬合已知的樣本

37.如果我們希望預(yù)測n個類（p1,p2...pk）的概率使得所有n的p的和等于1,

那么下列哪個函數(shù)可以用作輸出層中的激活函數(shù)？

A、Softmax

B、ReLu

C、Sigmoid

D、Tanh

答案：A

38.在人臉檢測算法中，不屬于該算法難點的是（）

A、出現(xiàn)人臉遮擋

B、人臉角度變化大

C、需要檢測分辨率很小的人臉

D、需要檢測不同性別的人臉

答案：D

解析：在人臉檢測算法中，不屬于該算法難點的是需要檢測不同性別的人臉

39.機器執(zhí)行學(xué)習(xí)的框架體現(xiàn)了其學(xué)習(xí)的本質(zhì)是（）

A、參數(shù)預(yù)估

B、機器翻譯

C、圖像識別

D、參數(shù)估計

答案：D

解析：機器執(zhí)行學(xué)習(xí)的框架體現(xiàn)了其學(xué)習(xí)的本質(zhì)是參數(shù)估計

40.假設(shè)在龐大的數(shù)據(jù)集上使用Logistic回歸模型?？赡苡龅揭粋€問題，logis

tics回歸需要很長時間才能訓(xùn)練。如何提高訓(xùn)練速度？()

A、降低學(xué)習(xí)率，減少迭代次數(shù)

B、降低學(xué)習(xí)率，增加迭代次數(shù)

C、提高學(xué)習(xí)率，增加迭代次數(shù)

D、增加學(xué)習(xí)率，減少迭代次數(shù)

答案：D

41.0是使用某一位置的相鄰輸出的總體統(tǒng)計特征來代替網(wǎng)絡(luò)在該位置的輸出

A、卷積

B、約化

C、池化

D、批歸一化

答案：C

解析：池化是使用某一位置的相鄰輸出的總體統(tǒng)計特征來代替網(wǎng)絡(luò)在該位置的輸

出

42.圖計算中圖數(shù)據(jù)往往是()和不規(guī)則的，在利用分布式框架進(jìn)行圖計算時，

首先需要對圖進(jìn)行劃分，將負(fù)載分配到各個節(jié)點上

A、結(jié)構(gòu)化

B、非結(jié)構(gòu)化

C\對稱化

D、規(guī)則化

答案：B

解析：圖計算中圖數(shù)據(jù)往往是非結(jié)構(gòu)化和不規(guī)則的，在利用分布式框架進(jìn)行圖計

算時，首先需要對圖進(jìn)行劃分，將負(fù)載分配到各個節(jié)點上

43.在CNN中，梯度下降法的作用是（）。

A、線性變換

B、非線性變換

C、求函數(shù)最小值

D、加速訓(xùn)練

答案：C

解析：在CNN中，梯度下降法的作用是求函數(shù)最小值。

44.Y0L0v3網(wǎng)格數(shù)為輸出特征圖［N,C,H,W］的0

A、C

B、C*H

C、H*W

D、nan

答案：c

解析：見算法解析

45.目標(biāo)檢測常用性能指標(biāo)的是（）

A、信噪比

B、平方誤差

C、mAP

D、分辨率

答案：C

解析：mAP表示算法處理每張照片時間。

46.在選擇神經(jīng)網(wǎng)絡(luò)的深度時，下面哪些參數(shù)需要考慮？1神經(jīng)網(wǎng)絡(luò)的類型（如M

LP,CNN）2輸入數(shù)據(jù)3計算能力（硬件和軟件能力決定）4學(xué)習(xí)速率5映射的輸出函

數(shù)

A、1,2,4,5

B、2,3,4,5

C、都需要考慮

Dx1,3,4,5

答案：C

47.以下關(guān)于降維，表述錯誤的是：（）

A、降維過程中可以保留原始數(shù)據(jù)的所有信息。

B、多維縮放的目標(biāo)是要保證降維后樣本之間的距離不變。

C、線性降維方法目標(biāo)是要保證降維到的超平面能更好的表示原始數(shù)據(jù)。

D、核線性降維方法目標(biāo)是通過核函數(shù)和核方法來避免采樣空間投影到高維空間

再降維之后的低維結(jié)構(gòu)丟失。

答案：A

48.NaveBayes（樸素貝葉斯）是一種特殊的Bayes分類器，特征變量是X,類別

標(biāo)簽是C,它的一個假定是（）

A、各類別的先驗概率P（C）是相等的

B、以0為均值，sqr(2)/2為標(biāo)準(zhǔn)差的正態(tài)分布

C、特征變量X的各個維度是類別條件獨立隨機變量

D、P(X|C)是高斯分布

答案：C

49.獨熱編碼的缺點是：①.過于稀疏②.詞與詞的相關(guān)性比較小③.易于編碼④.

容易存儲

A、③④

B、①②

C、①③

D、②④

答案：B

解析：獨熱編碼的缺點是：①.過于稀疏②.詞與詞的相關(guān)性比較小

50.從一個初始策略出發(fā)，不斷迭代進(jìn)行策略評估和改進(jìn)，直到策略收斂、不再

改變?yōu)橹梗@樣的作法稱為(_)

A、策略迭代

B、值迭代

C、策略改進(jìn)

D、最優(yōu)值函數(shù)

答案：A

解析：見算法解析

51.以下屬于回歸算法的評價指標(biāo)是？

A、召回率

B、混淆矩陣

C、均方誤差

D、準(zhǔn)確率

答案：C

52.在下列人工神經(jīng)學(xué)習(xí)算法中，哪種是能夠根據(jù)期望的和實際的網(wǎng)絡(luò)輸出之間

的差來調(diào)整神經(jīng)元之間連接的強度或權(quán)。()

A、有師學(xué)習(xí)

B、無師學(xué)習(xí)

C、強化學(xué)習(xí)

D、都不是

答案：A

53.關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)以下說法錯誤的是？

A、循環(huán)神經(jīng)網(wǎng)絡(luò)可以根據(jù)時間軸展開

B、LSTM無法解決梯度消失的問題

C、LSTM也是一種循環(huán)神經(jīng)網(wǎng)絡(luò)

D、循環(huán)神經(jīng)網(wǎng)絡(luò)可以簡寫為RNN

答案：B

54.()常做為CNN網(wǎng)絡(luò)的最后一層。

A、卷積層

B、池化層

C、全連接層

D、歸一化層

答案：c

解析：全連接層常做為CNN網(wǎng)絡(luò)的最后一層。

55.為了對某圖像中的目標(biāo)進(jìn)行分析和識別，一般需要對圖像進(jìn)行（）處理。

A、圖像加噪

B、圖像采集

C、圖像壓縮

D、圖像分割

答案：D

解析：為了對某圖像中的目標(biāo)進(jìn)行分析和識別，一般需要對圖像進(jìn)行圖像分割處

理。

56.以下關(guān)于算法的說法中，不正確的是

A、機器學(xué)習(xí)算法分為有監(jiān)督'半監(jiān)督和無監(jiān)督三種

B、卷積神經(jīng)網(wǎng)絡(luò)是重要的遷移學(xué)習(xí)算法

C、決策樹算法屬于監(jiān)督學(xué)習(xí)類別

D、“Means是屬于無監(jiān)督學(xué)習(xí)算法

答案：B

57.VGG-19中卷積核的大小為

A、3x3

B、5x5

C、3x3,5x5

D、不確定

答案：A

解析：VGG-19中卷積核的大小為3x3

58.在卷積操作過程中計算featuremap的尺寸：設(shè)圖像大小為300*300,卷積核

大小為3*3,卷積窗口移動的步長為1,則featuremaps的大小是（）個元素？

A、78400

B、88804

G91204

D、99856

答案：B

解析：見算法解析

59.Inception模塊采用（）的設(shè)計形式，每個支路使用。大小的卷積核。

A、多通路，不同

B、單通路，不同

C、多通路，相同

D、單通路，相同

答案：A

解析：Inception模塊采用多通路，不同的設(shè)計形式，每個支路使用多通路，不

同大小的卷積核。

60.xgboost在代價函數(shù)里加入了（），用于控制模型的復(fù)雜度

A、正則項

B、非線性

C、激活函數(shù)

D、特征變換

答案：A

解析：xgboost在代價函數(shù)里加入了正則項，用于控制模型的復(fù)雜度

61.CRF（條件隨機場）和HMM（隱馬爾可夫模型）之間的主要區(qū)別是什么？

A、CRF是生成式的，而HMM是判別式模型

B、CRF是判別式模型，HMM是生成式模型。

C、CRF和HMM都是生成式模型

D、CRF和HMM都是判別式模型。

答案：B

62.在K-搖臂賭博機中，若嘗試次數(shù)非常大，在一段時間后，搖臂的獎賞能很好

的近似出來，不再需要探索，則可讓E隨著嘗試次數(shù)增加而（—）

A、增大

B、置為無窮

C、置為0

D、減少

答案：D

解析：見算法解析

63.關(guān)于聚類說法錯誤的是（）

A、在無監(jiān)督學(xué)習(xí)任務(wù)中，研究最多、應(yīng)用最廣的是聚類

B、聚類可作為一個單獨過程，用于找尋數(shù)據(jù)內(nèi)在的分布結(jié)構(gòu)，但不能作為其他

學(xué)習(xí)任務(wù)的前驅(qū)過程

C、聚類分析的目標(biāo)是組內(nèi)的對象之間是相似的，不同組中的對象是不同的

D、組內(nèi)的相似性越大，組間差別越大，聚類就越好

答案：B

解析：聚類可作為一個單獨過程，用于找尋數(shù)據(jù)內(nèi)在的分布結(jié)構(gòu)，可以作為其他

學(xué)習(xí)任務(wù)的前驅(qū)過程

64.學(xué)習(xí)器的實際預(yù)測輸出與樣本的真實輸出之間的差異稱為(_)。

A、錯誤率

B、精度

C、誤差

D、查準(zhǔn)率

答案：C

解析：見算法解析

65.下列可以用于聚類問題的機器學(xué)習(xí)算法有()

A、決策樹

B、k-means

C、隨機森林

D、邏輯回歸

答案：B

66.使用交叉驗證最簡單的方法是在估計器和數(shù)據(jù)集上調(diào)用什么輔助函數(shù)？

A、cross_val_score

B、cross_vaI%

C、val_score

D、cross_score

答案：A

67.以下關(guān)于隨機森林算法的描述中錯誤的是

A、可以處理高維度的屬性，并且不用做特征選擇

B、隨機森林的預(yù)測能力不受多重共線性影響

C、也擅長處理小數(shù)據(jù)集和低維數(shù)據(jù)集的分類問題

D、能應(yīng)對正負(fù)樣本不平衡問題

答案：C

68.根據(jù)邊的性質(zhì)不同，概率圖模型可大致分為兩類：第一類是使用有向無環(huán)圖

表示變量間的依賴關(guān)系，稱為(—);第二類是使用無向圖表示變量間的相關(guān)關(guān)

系，稱為無向圖模型或馬爾可夫網(wǎng)(Markovnetwork)。

A、貝葉斯網(wǎng)

B、拉普拉斯網(wǎng)

C、帕斯卡網(wǎng)

D、塞繆爾網(wǎng)

答案：A

解析：見算法解析

69.對不具備泛化能力的規(guī)則轉(zhuǎn)變?yōu)楦话愕囊?guī)則的最基礎(chǔ)的技術(shù)為(一)

A、最大一般泛化

B、最小一般泛化

C、最大一般特化

D、最小一般特化

答案：B

解析：見算法解析

70.長短期記憶LSTM的核心貢獻(xiàn)是引入了()的巧妙構(gòu)思,該構(gòu)思中的權(quán)重視上下

文而定，而不是固定的。

A、自增加

B、自循環(huán)

C、自遞歸

D、自減少

答案：B

解析：長短期記憶LSTM的核心貢獻(xiàn)是引入了自循環(huán)的巧妙構(gòu)思,該構(gòu)思中的權(quán)重

視上下文而定，而不是固定的。

71.半監(jiān)督支持向量機中最著名的是TSVM(TransductiveSupportVectorMachin

e)o與標(biāo)準(zhǔn)SVM一樣，TSVM也是針對(一)問題的學(xué)習(xí)方法？

A、分類

B、回歸

C、聚類

D、二分類

答案：D

解析：見算法解析

72.協(xié)同訓(xùn)練(co-training)是針對(__)數(shù)據(jù)設(shè)計？

A、多角度

B、多視圖

C、多環(huán)境

D、多版本

答案：B

解析：見算法解析

73.哪個不是常用的聚類算法（）。

A、K-Means

B、DBSCAN

GGMMs

DvSoftmax

答案：D

解析：Softmax不是常用的聚類算法。

74.高層的特征是低層特征的組合，從低層到高層的特征表達(dá)越來越（），也即

越來越能表現(xiàn)語義或者意圖。

A、具體和形象化

B、抽象和概念化

C、具體和概念化

D、抽象和具體化

答案：B

解析：高層的特征是低層特征的組合，從低層到高層的特征表達(dá)越來越抽象和概

念化，也即越來越能表現(xiàn)語義或者意圖。

75.以才哪種組合在CNN不常見

Avconv+reIu

B、conv+reIu+pooI

C、conv+reIu+pooI+fc

D、conv+k-means

答案：D

解析：conv+k-means組合在CNN不常見

76.我們可以將深度學(xué)習(xí)看成一種端到端的學(xué)習(xí)方法，這里的端到端指的是

A、輸入端-輸出端

B、輸入端-中間端

C、輸出端-中間端

D、中間端-中間端

答案：A

77.標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)隱含層的輸入對于網(wǎng)絡(luò)輸出的影響隨時間

A、不斷遞歸而衰退

B、不斷遞歸而增強

C、先增強后減弱

D、先減弱后增強

答案：A

78.GBDT算法相比于隨機森林算法，以下哪種表述是錯誤的？

A、GBDT算法比隨機森林容易欠擬合

B、隨機森林是并行計算的，而GBDT不能

C、GBDT算法比隨機森林容易過擬合

DxGBDT與隨機森林都是建立在CART樹的基礎(chǔ)之上的

答案：C

79.LVW屬于哪種特征選擇方法（一）

A、包裹式

B、啟發(fā)式

C、嵌入式

D、過濾式

答案：A

解析：見算法解析

80.LSTM單元中引入了哪些門來更新當(dāng)前時刻的單元狀態(tài)向量？

A、輸入門、遺忘門

B、任意門、輸入門

C、輸出門、任意門

D、遺忘門、任意門

答案：A

解析：LSTM單元中引入了哪些門來更新當(dāng)前時刻的單元狀態(tài)向量?

81.下列神經(jīng)網(wǎng)絡(luò)特點描述錯誤的是(_)

A、適應(yīng)性

B、由簡單單元組成

C、廣泛并行互連的網(wǎng)絡(luò)

D、線性特性

答案：D

解析：見算法解析

82.代碼arr1=np.array([[1,2,3],[4,5,6]]);arr2=2*np.ones([2,3],dtype

=np.int64);print((arr1*arr2)[1][2])的輸出結(jié)果是()?注：(已導(dǎo)入

numpy庫)importnumpyasnp

A、6

B、8

C、10

D、12

答案：D

解析：見算法解析

83.下列選項中，哪個不是關(guān)鍵詞提取常用的算法()

A、TF-IDF

B、TextRank

C、SSA

D、LDA

答案：C

解析:SSA(SaIpSwarmAIgorithm)是一種元啟發(fā)式算法

84.如果在大型數(shù)據(jù)集上訓(xùn)練決策樹。為了花費更少的時間來訓(xùn)練這個模型，下

列哪種做法是正確的？

A、增加樹的深度

B、增加學(xué)習(xí)率

C、減小樹的深度

D、減少樹的數(shù)量

答案：c

85.支持向量機（SVM）中的代價參數(shù)C表示什么？（）

A、交叉驗證的次數(shù)

B、用到的核函數(shù)

C、在分類準(zhǔn)確性和模型復(fù)雜度之間的權(quán)衡

D、以上都不對

答案：C

86.在深度學(xué)習(xí)網(wǎng)絡(luò)中，反向傳播算法用于尋求最優(yōu)參數(shù)，在反向傳播算法中使

用的什么法則進(jìn)行逐層求導(dǎo)的？

A、鏈?zhǔn)椒▌t

B、累加法則

C、對等法則

D、歸一法則

答案：A

87.以下說法正確的是（）。

A、聚類是非監(jiān)督學(xué)習(xí)

B、分類是非監(jiān)督學(xué)習(xí)

C、聚類是監(jiān)督學(xué)習(xí)

D、以上都不對

答案：A

88.以下算法中可以用于圖像平滑的是0。

A、均值濾波;

B、對比度增強

C、二值化

D、動態(tài)范圍壓縮

答案：A

解析：以下算法中可以用于圖像平滑的是均值濾波；。

89.在20K文檔的輸入數(shù)據(jù)上為機器學(xué)習(xí)模型創(chuàng)建了文檔-詞矩陣(document-te

rmmatrix)o以下哪項可用于減少數(shù)據(jù)維度？(1)關(guān)鍵詞歸一化(KeywordNor

maIization)(2)潛在語義索引(LatentSemanticIndexing)(3)隱狄利克雷

分布(LatentDirichletAIlocation)

A、只有(1)

B、⑵、(3)

C、⑴、(3)

D、⑴、⑵、(3)

答案：D

90.下列哪項不屬于集成學(xué)習(xí)

A、隨機森林

B\Adaboost

C、kNN

D、XGBoost

答案：C

解析：集成方法分類為：Bagging(并行訓(xùn)練)：隨機森林，Boosting(串行訓(xùn)練)：

Adaboost,GBDT:XgBoost,Stacking,BIending

91.隨著句子的長度越來越多，神經(jīng)翻譯機器將句意表征為固定維度向量的過程

將愈加困難，為了解決這類問題，下面哪項是我們可以采用的？

A、使用遞歸單元代替循環(huán)單元

B、使用注意力機制（attentionmechanism）

C\使用字符級別翻譯（characterIeveItransIation）

D、所有選項均不對

答案：B

92.符號集a、b、c、d,它們相互獨立，相應(yīng)概率為1/2、1/4、1/8、1/16,其

中包含信息量最小的符號是（）

A、a

B、b

C、c

D、d

答案：A

93.數(shù)據(jù)科學(xué)家經(jīng)常使用多個算法進(jìn)行預(yù)測，并將多個機器學(xué)習(xí)算法的輸出（稱

為“集成學(xué)習(xí)”）結(jié)合起來，以獲得比所有個體模型都更好的更健壯的輸出。則

下列說法正確的是？（）

A、基本模型之間相關(guān)性高。

B、基本模型之間相關(guān)性低。

C、集成方法均使用加權(quán)平均代替投票方法。

D、基本模型都來自于同一算法。

答案：B

94.DBSCAN在最壞情況下的時間復(fù)雜度是()。

A、0(m)

B、0(m2)

G0(Iogm)

D、0(m*logm)

答案：B

95.在數(shù)據(jù)挖掘中，比較成熟的預(yù)測算法包括Logistic回歸模型、()、決策樹'

神經(jīng)網(wǎng)絡(luò)等

A、線性回歸

B、時間序列

C、灰色模型

D、貝葉斯網(wǎng)絡(luò)

答案：D

96.在下列哪些應(yīng)用中，我們可以使用深度學(xué)習(xí)來解決問題？

A、蛋白質(zhì)結(jié)構(gòu)預(yù)測

B、化學(xué)反應(yīng)的預(yù)測

C、外來粒子的檢測

D、所有這些

答案：D

97.梯度爆炸問題是指在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的時候，梯度變得過大而損失函數(shù)變

為無窮。在RNN中，下面哪種方法可以較好地處理梯度爆炸問題？

A、用改良的網(wǎng)絡(luò)結(jié)構(gòu)比如LSTM和GRUs

B、梯度裁剪

C、Dropout

D、所有方法都不行

答案：B

98.EM算法是（）

A、有監(jiān)督

B、無監(jiān)督

C、半監(jiān)督

D、都不是

答案：B

99.啟發(fā)式搜索是尋求問題（）解的一種方法

A、最優(yōu)

B、一般

C、滿意

D、最壞

答案：C

100.馬爾可夫預(yù)測模型是將時間序列看作一個過程，通過對事物不同狀態(tài)的（）

與狀態(tài)之間轉(zhuǎn)移概率的研究，確定狀態(tài)變化趨勢，預(yù)測事物的未來。

A、初始概率

B、結(jié)果概率

C、形成概率

答案：A

101.常見的圖像預(yù)處理方法不包括（一）。

A、圖像降噪

B、圖像增強

C、圖像尺寸歸一化

D、圖像標(biāo)注

答案：D

解析：常見的圖像預(yù)處理方法不包括圖像標(biāo)注。

102.在處理序列數(shù)據(jù)時，較容易出現(xiàn)梯度消失現(xiàn)象的深度學(xué)習(xí)模型是

A、CNN

B、LSTM

C、GRU

D、RNN

答案：D

解析：RNN（RecurrentNeuraINetwork）是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。RN

N存在一些問題梯度較容易出現(xiàn)衰減或爆炸（BPTT）-梯度爆炸

103.前饋神經(jīng)網(wǎng)絡(luò)通過誤差后向傳播（BP算法）進(jìn)行參數(shù)學(xué)習(xí)，這是一種（）

機器學(xué)習(xí)手段

A、監(jiān)督學(xué)習(xí)

B、無監(jiān)督學(xué)習(xí)

C、半監(jiān)督學(xué)習(xí)

D、無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的結(jié)合

答案：A

104.在強化學(xué)習(xí)的過程中，學(xué)習(xí)率a越大,表示采用新的嘗試得到的結(jié)果比例越

(),保持舊的結(jié)果的比例越0。

A、大

B、小

C、大

D、大

E、小

答案：A

105.L1和L2正則化是傳統(tǒng)機器學(xué)習(xí)常用來減少泛化誤差的方法，以下關(guān)于兩者

的說法正確的是：

A、L1正則化可以做特征選擇

B、L1和L2正則化均可做特征選擇

C、L2正則化可以做特征選擇

D、L1和L2正則化均不可做特征選擇

答案：A

106.規(guī)則生成本質(zhì)上是一個貪心搜索的過程，須有一定的機制來緩解過擬合的風(fēng)

險，最常見的做法是(_)

A、序列化

B、剪枝

C、去重

D、重組

答案：B

解析：見算法解析

107.機器學(xué)習(xí)算法中，以下不屬于集成學(xué)習(xí)策略的是？

A、Boosting

B、Stacking

C、Bagging

D、Marking

答案：D

108.使用決策樹分類時，如果輸入的某個特征的值是連續(xù)的，通常使用二分法對

連續(xù)屬性離散化，即根據(jù)是否大于/小于某個閾值進(jìn)行劃分。如果采用多路劃分，

每個出現(xiàn)的值都劃分為一個分支，這種方式的最大問題是

A、計算量太大

B、驗證集和測試集表現(xiàn)很差

C、驗證集表現(xiàn)良好，測試集表現(xiàn)很差

D、驗證集表現(xiàn)很差，測試集表現(xiàn)很好

答案：C

109.給定一個長度為n的不完整單詞序列，我們希望預(yù)測下一個字母是什么。比

如輸入是“predicts”（9個字母組成），希望預(yù)測第十個字母是什么。下面哪

種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)適用于解決這個工作？

A、循環(huán)神經(jīng)網(wǎng)絡(luò)

B、全連接神經(jīng)網(wǎng)絡(luò)

C、受限波爾茲曼機

D、卷積神經(jīng)網(wǎng)絡(luò)

答案：A

110.關(guān)于梯度下降算法描述正確的是：

A、梯度下降算法就是不斷的更新w和b的值

B、梯度下降算法就是不斷的更新w和b的導(dǎo)數(shù)值

C、梯度下降算法就是不斷尋找損失函數(shù)的最大值

D、梯度下降算法就是不斷更新學(xué)習(xí)率

答案：A

解析：梯度下降算法就是不斷的更新w和b的值

111.MatplotIib是一個主要用于繪制（）維圖形的Python庫，用途：繪圖、可

視化。

A、—

B、二

C、三

D、四

答案：B

解析：見算法解析

112.GooLeNet中使用較多小tricks,其中全局平局池化GAP就是一個，使用GA

P的優(yōu)點是（）

A、提供更好的分類

B、減少參數(shù)量，實現(xiàn)任意大小的輸入

C、加速模型收斂

D、增加網(wǎng)絡(luò)深度

答案：B

解析：GooLeNet中使用較多小tricks,其中全局平局池化GAP就是一^使用

GAP的優(yōu)點是減少參數(shù)量，實現(xiàn)任意大小的輸入

113.不屬于深度學(xué)習(xí)模型的選項是？

A、樸素貝葉斯

B、深度殘差網(wǎng)絡(luò)

C、卷積神經(jīng)網(wǎng)絡(luò)CNN

D、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

答案：A

解析：樸素貝葉斯算法是基于貝葉斯定理與特征條件獨立假設(shè)的分類算法不屬于

深度學(xué)習(xí)模型。

114.對于神經(jīng)網(wǎng)絡(luò)的說法,下面正確的是()

A、增加神經(jīng)網(wǎng)絡(luò)層數(shù)，可能會增加測試數(shù)據(jù)集的分類錯誤率

B、減少神經(jīng)網(wǎng)絡(luò)層數(shù)，總是能減小測試數(shù)據(jù)集的分類錯誤率

C、增加神經(jīng)網(wǎng)絡(luò)層數(shù)，總是能減小訓(xùn)練數(shù)據(jù)集的分類錯誤率

D、1、2都對

答案：A

115.CascadeRCNN中使用了()個BBOXHead完成目標(biāo)檢測

A、1

B、2

C、3

D、4

答案：c

解析：見算法解析

116.下列關(guān)于長短期記憶網(wǎng)絡(luò)LSTM和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的關(guān)系描述正確的是。。

A、LSTM是簡化版的RNN

B、LSTM是雙向的RNN

GLSTM是多層的RNN

DvLSTM是RNN的擴展,通過特殊的結(jié)構(gòu)設(shè)計來避免長期依賴問題

答案：D

解析：LSTM是RNN的擴展,通過特殊的結(jié)構(gòu)設(shè)計來避免長期依賴問題

117.邏輯回歸的損失函數(shù)是下列哪一種？（）

A、平方損失函數(shù)

B、對數(shù)損失函數(shù)

GHingeLossOT損失函數(shù)

D、絕對值損失函數(shù)

答案：B

118.當(dāng)采用K-距離的方法選擇DBSCAN的Eps和MinPts參數(shù)時，如果設(shè)置的K

的值太大，則小簇（尺寸小于K的簇）可能會被標(biāo)記為

A、噪聲

B、核心簇

C、邊界簇

D、以上都不對

答案：A

119.卷積神經(jīng)網(wǎng)絡(luò)的英文縮寫是：

A、DNN

B、CNN

C、RNN

D\Tanh

答案：B

解析：卷積神經(jīng)網(wǎng)絡(luò)的英文縮寫是CNN

120.深度學(xué)習(xí)中的不同最優(yōu)化方式，如SGD,ADAM下列說法中正確的是

A、在實際場景下，應(yīng)盡量使用ADAM,避免使用SGD

B、同樣的初始學(xué)習(xí)率情況下，ADAM的收斂速度總是快于SGD方法

C、相同超參數(shù)數(shù)量情況下，比起自適應(yīng)的學(xué)習(xí)率調(diào)整方式，SGD加手動調(diào)節(jié)通

常會取得更好效果

D、同樣的初始學(xué)習(xí)率情況下，ADAM比SGD容易過擬合

答案：C

解析：相同超參數(shù)數(shù)量情況下，比起自適應(yīng)的學(xué)習(xí)率調(diào)整方式，SGD加手動調(diào)節(jié)

通常會取得更好效果

121.下列屬于特征降維的方法有

A、主成分分析PCA

B、數(shù)據(jù)采樣

G正則化

D、最小二乘法

答案：A

122.下列選項中，不屬于深度學(xué)習(xí)模型的是？

A、線性回歸

B、深度殘差網(wǎng)絡(luò)

C、卷積神經(jīng)網(wǎng)絡(luò)CNN

D、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

答案：A

解析：線性回歸是傳統(tǒng)統(tǒng)計學(xué)系呢絨

123.關(guān)于GoogLeNet描述正確的有：

A、GoogLeNet僅僅是在寬度上進(jìn)行了探索，所以它是一個很淺的網(wǎng)絡(luò)

B、GoogLeNet在寬度上進(jìn)行了探索，為后人設(shè)計更加復(fù)雜的網(wǎng)絡(luò)打開了思路

C\GoogLeNet使用了Inception結(jié)構(gòu)，Inception結(jié)構(gòu)只有V1這一^"b版本

DxGoogLeNet結(jié)合多種網(wǎng)絡(luò)設(shè)計結(jié)構(gòu)所以是到目前為止分類效果最好的網(wǎng)絡(luò)結(jié)

構(gòu)

答案：B

解析：GoogLeNet在寬度上進(jìn)行了探索，為后人設(shè)計更加復(fù)雜的網(wǎng)絡(luò)打開了思路

124.下列哪一項在神經(jīng)網(wǎng)絡(luò)中引入了非線性？

A、隨機梯度下降

B、修正線性單元(ReLU)

C、卷積函數(shù)

D、以上都不正確

答案：B

解析：修正線性單元是非線性的激活函數(shù)

125.強化學(xué)習(xí)的基礎(chǔ)模型是()模型

A、馬可夫決策

B、貝葉斯

C、HMM

D、最大后驗概率

答案：A

解析：見算法解析

126.在￡-greedy策略當(dāng)中，E的值越大,表示采用隨機的一個動作的概率越()，

采用當(dāng)前Q函數(shù)值最大的動作的概率越()。

A、大

B、小

C、大

D、大

E、小

答案：A

127.()反映的是模型每一次輸出結(jié)果與模型輸出期望之間的誤差，即模型的穩(wěn)

定性。反應(yīng)預(yù)測的波動情況。

A、標(biāo)準(zhǔn)差

B、方差

C、偏差

D、平方差

答案：B

解析：方差反映的是模型每一次輸出結(jié)果與模型輸出期望之間的誤差，即模型的

穩(wěn)定性。反應(yīng)預(yù)測的波動情況。

128.K-Means算法無法聚以下哪種形狀的樣本

A、圓形分布

B、螺旋分布

C、帶狀分布

D、凸多邊形分布

答案：B

129.()是一種基于樹結(jié)構(gòu)進(jìn)行決策的算法。

A、軌跡跟蹤

B、決策樹

C、數(shù)據(jù)挖掘

D、K近鄰算法

答案：B

解析：軌跡跟蹤又稱為前輪反饋控制法(FrontwheeIfeedback),核心在于基于

前輪中心的路徑跟蹤偏差量對方向盤轉(zhuǎn)向控制量進(jìn)行計算。決策樹算法是一種逼

近離散函數(shù)值的方法，它是一種典型的分類方法，首先對數(shù)據(jù)進(jìn)行處理，利用歸

納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進(jìn)行分析。數(shù)據(jù)挖掘是

指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。K近鄰算法，即是給定

一個訓(xùn)練數(shù)據(jù)集，對新的輸入實例，在訓(xùn)練數(shù)據(jù)集中找到與該實例最鄰近的K

個實例，這K個實例的多數(shù)屬于某個類，就把該輸入實例分類到這個類中。符合

題意的為B項決策樹。答案選B

130.關(guān)于bagging下列說法錯誤的是：（）

A、各基分類器之間有較強依賴，不可以進(jìn)行并行訓(xùn)練。

B、最著名的算法之一是基于決策樹基分類器的隨機森林。

C、當(dāng)訓(xùn)練樣本數(shù)量較少時，子集之間可能有重疊。

D、為了讓基分類器之間互相獨立，需要將訓(xùn)練集分為若干子集。

答案：A

131.數(shù)據(jù)在完成特征工程的操作后，在構(gòu)建模型的過程中，以下哪個選項不屬于

決策樹構(gòu)建過程當(dāng)中的步驟？

A、剪枝

B、特征選取

C、數(shù)據(jù)清理

D、決策樹生成

答案：C

132.通過以下哪些指標(biāo)我們可以在層次聚類中尋找兩個集群之間的差異？（）

A、單鏈接

B、全鏈接

C、均鏈接

D、以上都行

答案：D

133.下述（）不是人工智能中常用的知識格式化表示方法。

A、框架表示法

B、產(chǎn)生式表示法

C\語乂網(wǎng)絡(luò)表K法

D、形象描寫表示法

答案：D

134.比較成熟的分類預(yù)測模型算法包括Logistic回歸模型、廣義線性模型、。、

神經(jīng)網(wǎng)絡(luò)

A、決策樹

B、arima模型

C、holt-winter模型

D、k-means模型

答案：A

135.在pytorch中,設(shè)模型變量名為modeI,則對modeI.evaI()的描述正確的是

A、modeI.eval()可以在模型訓(xùn)練階段使用

B、modeI.eval0只能在模型測試階段使用

C、model,eval()在模型驗證,模型測試階段都可以使用

D、model,eval()在模型訓(xùn)練'模型驗證、模型測試階段都可以使用

答案：C

解析：在pytorch中，model.eval在模型驗證、模型測試階段都可以使用

136.()控制著整個LSTM單元的狀態(tài)或者記憶，它會根據(jù)每個時刻的輸入進(jìn)行

更新。

A、隱狀態(tài)向量

B、狀態(tài)向量

C、顯狀態(tài)向量

D、以上都不對

答案：B

解析：狀態(tài)向量控制著整個LSTM單元的狀態(tài)或者記憶，它會根據(jù)每個時刻的輸

入進(jìn)行更新。

137.早期圖像識別技術(shù)中存在的主要問題是（）。

A、全局特征丟掉了圖像細(xì)節(jié)

B、提取不到主要特征

C、存儲效率低下

D、太多的錯誤匹配

答案：A

解析：早期圖像識別技術(shù)中存在的主要問題是全局特征丟掉了圖像細(xì)節(jié)。

138.FPN中根據(jù)ROI的（）來分配所屬層級？

A、分類分?jǐn)?shù)

B、最大邊長度

C、面積

D、nan

答案：C

解析：見算法解析

139.隨機森林是一種集成學(xué)習(xí)算法，是（）算法的具體實現(xiàn)。

AvBoosting

B、Bagging

C、Stacking

DvDropping

答案：B

解析：隨機森林是一種集成學(xué)習(xí)算法，是Bagging算法的具體實現(xiàn)。

140.深度學(xué)習(xí)是當(dāng)前很熱門的機器學(xué)習(xí)算法，在深度學(xué)習(xí)中，涉及到大量的矩陣

相乘，現(xiàn)在需要計算三個稠密矩陣A,B,C的乘積ABC,假設(shè)三個矩陣的尺寸分別

為m*n,n*p,p*q,且m〈n

A、(AB)C

B、AC(B)

C、A(BC)

D、所有效率都相同

答案：A

141.對完成特定任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用的是監(jiān)督學(xué)習(xí)方法。在這個過程中,

通過誤差后向傳播來優(yōu)化調(diào)整網(wǎng)絡(luò)參數(shù)，請問下面哪個參數(shù)不是通過誤差后向傳

播來優(yōu)化的

A、卷積濾波矩陣中的參數(shù)

B、全連接層的鏈接權(quán)重

C、激活函數(shù)中的參數(shù)

D、模型的隱藏層數(shù)目

答案：D

142.下列不屬于樹模型的是

A、GBDT梯度提升樹

B、XGBoost

C、RF隨機森林

D、LR線性回歸

答案：D

143.fasterRCNN用于生成候選框proposaI的模塊名稱（）

A、RPN

B、CNN

C\ResNet

D、RoIpooIing

答案：A

解析：fasterRCNN用于生成候選框proposal的模塊是RPN

144.LSTM用于文本分類的任務(wù)中，不會出現(xiàn)的網(wǎng)絡(luò)層是（）

A、全連接

B、詞嵌入層

C\卷積層

D、以上選項均不正確

答案：C

解析：LSTM中沒有卷積層

145.如果我們希望預(yù)測n個類（p1,p2...pk）的概率使得所有n的p的和等于

1,那么下列哪個函數(shù)可以用作輸出層中的激活函數(shù)？

A、ReLu

B\Softmax

C、Sigmoid

D、Tanh

答案：B

146.假設(shè)你需要調(diào)整超參數(shù)來最小化代價函數(shù)(costfunction),會使用下列哪

項技術(shù)？

A、窮舉搜索

B、隨機搜索

C、Bayesian優(yōu)化

D、都可以

答案：D

147.ROIPooling在那個模型中被第一次提出()

A、fast-rcnn

B、faster-rcnn

C、mask-rcnn

D、rcnn

答案：A

解析：見算法解析

148.以下關(guān)于特征工程的說法不正確的是

A、特征工程指的是把原始數(shù)據(jù)轉(zhuǎn)變?yōu)槟Ｐ偷挠?xùn)練數(shù)據(jù)的過程

B、它的目的就是獲取更好的訓(xùn)練數(shù)據(jù)特征，使得機器學(xué)習(xí)模型逼近這個上限

C、特征工程在機器學(xué)習(xí)中占有非常重要的作用，一般認(rèn)為括特征構(gòu)建、特征提

取'特征選擇三個部分。

D、特征提取是從特征集合中挑選一組具有明顯物理或統(tǒng)計意義的特征子集。

答案：D

149.關(guān)于遞歸函數(shù)基例的說明，以下選項中錯誤的是

A、遞歸函數(shù)必須有基例

B、遞歸函數(shù)的基例不再進(jìn)行遞歸

C、每個遞歸函數(shù)都只能有一個基例

D、遞歸函數(shù)的基例決定遞歸的深度

答案：C

150.線性回歸方法是假定條件屬性和決策屬性之間存在線性關(guān)系，然后通過訓(xùn)練

數(shù)據(jù)擬合出一個()方程，并使用該方程去預(yù)測未知的新實例。

A、一元一次

B、線性

C、二元一次

D、多元

答案：B

151.考慮某個具體問題時，你可能只有少量數(shù)據(jù)來解決這個問題。不過幸運的是

你有一個類似問題已經(jīng)預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)?？梢杂孟旅婺姆N方法來利用這個

預(yù)先訓(xùn)練好的網(wǎng)絡(luò)？

A、把除了最后一層外所有的層都凍結(jié)，重新訓(xùn)練最后一層

B、對新數(shù)據(jù)重新訓(xùn)練整個模型

C、只對最后幾層進(jìn)行調(diào)參(finetune)

D、對每一層模型進(jìn)行評估，選擇其中的少數(shù)來用

答案：C

152.下列關(guān)于XGboost算法描述中錯誤的是

A、由于其特殊原因，無法分布式化

B、xgboost在代價函數(shù)里加入了正則項，用于控制模型的復(fù)雜度

C、可以處理帶有缺失值的樣本

D、允許使用列抽樣來減少過擬合

答案：A

153.神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，一般會遇到停滯期，即神經(jīng)網(wǎng)絡(luò)在進(jìn)入全局最小值之

前陷入局部最小值。以下哪個策略可以避免上述情況？

A、增加參數(shù)數(shù)量

B、減少參數(shù)數(shù)量

C、在開始時將學(xué)習(xí)率降低10倍

D、改變幾個時期的學(xué)習(xí)率

答案：D

154.在CNN構(gòu)建中，指定每次訓(xùn)練或驗證數(shù)據(jù)集圖片多少的變量為（）。

A、reIu

B、batch

C、step

D、padding

答案：B

解析：在CNN構(gòu)建中，指定每次訓(xùn)練或驗證數(shù)據(jù)集圖片多少的變量為batch。

155.代碼array=np.arange（10,31,5）中的5代表（）?

A、元素的個數(shù)

B、步長

C、第一個元素

D、最后一個元素

答案：B

解析：見算法解析

156.()采用多種樂器的音頻數(shù)據(jù)，可融合多種國家、樂曲風(fēng)格和樂器音色的特

征，創(chuàng)作音樂作品。

A、XLNet

B、GoogIeNet

C、MuseNet

D、AlexNet

答案：c

解析：MuseNet采用多種樂器的音頻數(shù)據(jù)，可融合多種國家、樂曲風(fēng)格和樂器音

色的特征，創(chuàng)作音樂作品。

157.DSSM經(jīng)典模型的缺點：1.Wordhashing可能造成詞語沖突；2.采用詞袋模型,

損失了上下文語序信息；3.搜索引擎的排序由多種因素決定，用戶點擊時doc

排名越靠前越容易被點擊，僅用點擊來判斷正負(fù)樣本，產(chǎn)生的噪聲較大，模型難

以收斂；4.效果不可控。

A、1.2.3

B、1.3.4

C、2.3.4

D、1.2.3.4

答案：D

解析：DSSM經(jīng)典模型的缺點：1.Wordhashing可能造成詞語沖突；2.采用詞袋模

型，損失了上下文語序信息；3.搜索引擎的排序由多種因素決定，用戶點擊時d

℃排名越靠前越容易被點擊，僅用點擊來判斷正負(fù)樣本，產(chǎn)生的噪聲較大，模

型難以收斂；4.效果不可控。

158.多義現(xiàn)象可以被定義為在文本對象中一個單詞或短語的多種含義共存。下列

哪一種方法可能是解決此問題的最好選擇？

A、隨機森林分類器

B、卷積神經(jīng)網(wǎng)絡(luò)

C、梯度爆炸

D、上述所有方法

答案：B

159.下列哪個不是激活函數(shù)()。

A、sigmod

B、reIu

C、tanh

D、hidden

答案：D

解析：hidden不是激活函數(shù)。

160.長短期記憶LSTM具有與循環(huán)神經(jīng)網(wǎng)絡(luò)相似的控制流，兩者的區(qū)別在于LSTM

中增加了()導(dǎo)致單元內(nèi)的處理過程不同。

A、輸入門

B、記憶門

C、忘記門

D\輸出門

答案：C

解析：長短期記憶LSTM具有與循環(huán)神經(jīng)網(wǎng)絡(luò)相似的控制流，兩者的區(qū)別在于LS

TM中增加了忘記門導(dǎo)致單元內(nèi)的處理過程不同。

161.批規(guī)范化(BatchNormaIization)的好處都有啥？

A、讓每一層的輸入的范圍都大致固定

B、它將權(quán)重的歸一化平均值和標(biāo)準(zhǔn)差

C、它是一種非常有效的反向傳播(BP)方法

D、這些均不是

答案：A

162.如果問題存在最優(yōu)解，則下面幾種搜索算法中，()必然可以得到該最優(yōu)解。

A、廣度優(yōu)先搜索

B、深度優(yōu)先搜索

C、有界深度優(yōu)先搜索

D、啟發(fā)式搜索

答案：A

解析：廣度優(yōu)先搜索會根據(jù)離起點的距離，按照從近到遠(yuǎn)的順序?qū)Ω鞴?jié)點進(jìn)行搜

索。而深度優(yōu)先搜索會沿著一條路徑不斷往下搜索直到不能再繼續(xù)為止，然后再

折返，開始搜索下一條路徑。廣度優(yōu)先搜索可以找出節(jié)點的最短路徑，即可以解

決最短路徑問題。有界深度優(yōu)先搜索為了解決深度有限搜索誤入無窮分支，定出

一個深度界限，在找尋達(dá)到這一深度界限而且還沒有找到目標(biāo)時，即返回重找。

啟發(fā)式搜索是利用問題擁有的啟發(fā)信息來引導(dǎo)搜索，達(dá)到減少搜索范圍、降低問

題復(fù)雜度的目的，可以消除組合爆炸，并得到令人能接受的解（通常并不一定是

最佳解）。所以如果存在最優(yōu)解，廣度優(yōu)先搜索必然可以得到最優(yōu)解，答案選A

163.在前饋神經(jīng)網(wǎng)絡(luò)中，誤差后向傳播（BP算法）將誤差從輸出端向輸入端進(jìn)

行傳輸?shù)倪^程中，算法會調(diào)整前饋神經(jīng)網(wǎng)絡(luò)的什么參數(shù)

A、輸入數(shù)據(jù)大小

B、神經(jīng)元和神經(jīng)元之間連接有無

C、相鄰層神經(jīng)元和神經(jīng)元之間的連接權(quán)重

D、同一層神經(jīng)元之間的連接權(quán)重

答案：C

164.下列哪個是CNN網(wǎng)絡(luò)的超參數(shù)。

A、權(quán)重

B、偏置

C、激活函數(shù)

D、學(xué)習(xí)率

答案：D

解析：學(xué)習(xí)率是CNN網(wǎng)絡(luò)的超參數(shù)。

165.神經(jīng)元之間的每個連接都有（）權(quán)重。

A、一^

B、兩個

C、多個

D\無

答案：A

解析：神經(jīng)元之間的每個連接都有一個權(quán)重。

166.下列哪項不是SVM的優(yōu)勢

A、可以和核函數(shù)結(jié)合

B、通過調(diào)參可以往往可以得到很好的分類效果

C、訓(xùn)練速度快

D、泛化能力好

答案：C

解析：SVM的訓(xùn)練速度不快

167.問答系統(tǒng)中的NLP技術(shù)，以下描述不正確的是：

A、問答（QA）系統(tǒng)的想法是直接從文檔、對話、在線搜索和其他地方提取信息，

以滿足用戶的信息需求。QA系統(tǒng)不是讓用戶閱讀整個文檔，而是更喜歡簡短而

簡潔的答案。

B、QA系統(tǒng)相對獨立很難與其他NLP系統(tǒng)結(jié)合使用，現(xiàn)有QA系統(tǒng)只能處理對文

本文檔的搜索，尚且無法從圖片集合中提取信息。

C、大多數(shù)NLP問題都可以被視為一個問題回答問題。范例很簡單：我們發(fā)出查

詢指令，機器提供響應(yīng)。通過閱讀文檔或一組指令，智能系統(tǒng)應(yīng)該能夠回答各種

各樣的問題。

D、強大的深度學(xué)習(xí)架構(gòu)（稱為動態(tài)內(nèi)存網(wǎng)絡(luò)（DMN））已針對QA問題進(jìn)行了專

門開發(fā)和優(yōu)化。給定輸入序列（知識）和問題的訓(xùn)練集，它可以形成情節(jié)記憶,

并使用它們來產(chǎn)生相關(guān)答案。

答案：B

解析：刪除

168.Word2Vec提出了哪兩個算法訓(xùn)練詞向量？

A、COBWSoftmax

B、SoftmaxyCBOW

C、CBOW、Skip-gramD

D、Skip-gramCOBWC

答案：c

解析：Word2Vec提出了兩個算法訓(xùn)練詞向量

169.Iou表示的是0

A、兩個框之間的重疊程度

B、兩個框的總面積

C、兩個框的相對大小

D、一個框面積與周長比值

答案：A

解析：見算法解析

170.下列哪個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)會發(fā)生權(quán)重共享

A、卷積神經(jīng)網(wǎng)絡(luò)&

B、&循環(huán)神經(jīng)網(wǎng)絡(luò)&

C、&全連接神經(jīng)網(wǎng)絡(luò)&

D、&卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)

答案：D

解析：見算法解析

171.關(guān)于貝葉斯網(wǎng)的學(xué)習(xí)描述錯誤的為（一）

A、貝葉斯的學(xué)習(xí)過程為對訓(xùn)練樣本計數(shù)；

B、估計出每個結(jié)點的條件概率；

C、網(wǎng)絡(luò)結(jié)構(gòu)為已知；

D、評分搜索為求解的常用辦法；

答案：C

解析：見算法解析

172.影響基本K-均值算法的主要因素不包括下列哪一個選項？

A、樣本輸入順序

B、模式相似性測度

C、聚類準(zhǔn)則

D、初始類中心的選取

答案：C

173.對于一個圖像識別問題（在一張照片里找出一只貓），下面哪種神經(jīng)網(wǎng)絡(luò)可以

更好地解決這個問題？

A、循環(huán)神經(jīng)網(wǎng)絡(luò)

B、感知機

C、多層感知機

D、卷積神經(jīng)網(wǎng)絡(luò)

答案：D

174.主成分分析是一種數(shù)據(jù)降維和去除相關(guān)性的方法，它通過（）將向量投影到

低維空間。

A、線性變換

B、非線性變換

C、拉布拉斯變換

D、z變換

答案：A

解析：主成分分析是一種數(shù)據(jù)降維和去除相關(guān)性的方法，它通過線性變換將向量

投影到低維空間。

175.在主成分分析中，將幾個主分量經(jīng)過線性組合構(gòu)造為一個綜合評價函數(shù)時,

每個主分量的權(quán)數(shù)為0。

A、每個主分量的方差

B、每個主分量的標(biāo)準(zhǔn)差

C、每個主分量的方差貢獻(xiàn)率

D、每個主分量的貢獻(xiàn)率

答案：C

解析:在主成分分析中，將幾個主分量經(jīng)過線性組合構(gòu)造為一個綜合評價函數(shù)時,

每個主分量的權(quán)數(shù)為每個主分量的方差貢獻(xiàn)率。

176.以下關(guān)于Bagging（裝袋法）的說法不正確的是

A、能提升機器學(xué)習(xí)算法的穩(wěn)定性和準(zhǔn)確性，但難以避免overfitting

B、Bagging（裝袋法）是一個統(tǒng)計重采樣的技術(shù)，它的基礎(chǔ)是Bootstrap

C、主要通過有放回抽樣）來生成多個版本的預(yù)測分類器，然后把這些分類器進(jìn)行

組合

D、進(jìn)行重復(fù)的隨機采樣所獲得的樣本可以得到?jīng)]有或者含有較少的噪聲數(shù)據(jù)

答案：A

177.假定你在神經(jīng)網(wǎng)絡(luò)中的隱藏層中使用激活函數(shù)X。在特定神經(jīng)元給定任意輸

入，你會得到輸出「-0.0001」。X可能是以下哪一個激活函數(shù)？

A、ReLU

B、tanh

C、SIGMOID

D、以上都不是

答案：B

178.語音是一種典型的（）數(shù)據(jù)。

A、無結(jié)構(gòu)無序列

B、方結(jié)構(gòu)序列

C、無結(jié)構(gòu)序列

D、有結(jié)構(gòu)無序列

答案：C

解析：語音是一種典型的無結(jié)構(gòu)序列數(shù)據(jù)。

179.在RNN中，目前使用最廣泛的模型便是（）模型，該模型能夠更好地建模長

序列。

A、SLTM

B、SLMT

C\LSMT

D、LSTM

答案：D

解析：在RNN中，目前使用最廣泛的模型便是LSTM模型，該模型能夠更好地建

模長序列。

180.關(guān)于線性回歸的描述,以下正確的有（）

A、基本假設(shè)包括隨機干擾項是均值為0,方差為1的標(biāo)準(zhǔn)正態(tài)分布

B、基本假設(shè)包括隨機干擾項是均值為0的同方差正態(tài)分布

C、多重共線性會使得參數(shù)估計值方差減小

D、基本假設(shè)包括不服從正態(tài)分布的隨機干擾項

答案：B

解析：線性回歸的基本假設(shè)是隨機干擾項是均值為0的同方差正態(tài)分布

181.機器學(xué)習(xí)算法的一般流程是（）。

Av1）收集數(shù)據(jù),2）準(zhǔn)備數(shù)據(jù)，3）分析數(shù)據(jù)，4）訓(xùn)練算法，5）測試算法，6）

使用算法

B、1）收集數(shù)據(jù),2）分析數(shù)據(jù)，3）準(zhǔn)備數(shù)據(jù)，4）訓(xùn)練算法，5）測試算法，6）

使用算法

C、1）收集數(shù)據(jù)，2）分析數(shù)據(jù)，3）準(zhǔn)備數(shù)據(jù)，4）測試算法，5）訓(xùn)練算法，6）

使用算法

D、1）收集數(shù)據(jù),2）分析數(shù)據(jù)，3）測試算法，4）訓(xùn)練算法，5）準(zhǔn)備數(shù)據(jù)，6）

使用算法

答案：A

解析:機器學(xué)習(xí)算法的一般流程⑴收集數(shù)據(jù):可以使用任何方法。（2）準(zhǔn)備數(shù)據(jù)：

距離計算所需要的數(shù)值，最好是結(jié)構(gòu)化的數(shù)據(jù)格式。（3）分析數(shù)據(jù)：可以使用任

何方法。（4）訓(xùn)練算法：此步驟不適用于k-近鄰算法。（5）測試算法：計算錯誤

率。（6）使用算法：首先需要輸入樣本數(shù)據(jù)和結(jié)構(gòu)化的輸出結(jié)果，然后運行k-近

鄰算法判定輸入數(shù)據(jù)分別屬于哪個分類，最后應(yīng)用對計算出的分類執(zhí)行后續(xù)的處

理。

182.卷積神經(jīng)網(wǎng)絡(luò)（convolu-tionaIneuraInetwork,CNN）,是一種專門用來處理

具有類似（）的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。

A、網(wǎng)格結(jié)構(gòu)

B、數(shù)組結(jié)構(gòu)

C、序列結(jié)構(gòu)

D、表格結(jié)構(gòu)

答案：A

解析:卷積神經(jīng)網(wǎng)絡(luò)（convoIu-tionaIneuraInetwork,CNN）,是一種專門用來處

理具有類似0的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。

183.語言模型的作用是：

A、查看一句話成為一句“人話”的概率

B、查看一句話是英語的概率

C、查看一句話是漢語的概率

D、查看一句話是否是完整的

答案：A

解析：語言模型的作用是查看一句話成為一句“人話”的概率

184.關(guān)于線性回歸的描述,以下說法正確的有（）

A、基本假設(shè)包括隨機干擾項是均值為0,方差為1的標(biāo)準(zhǔn)正態(tài)分布

B、基本假設(shè)包括隨機干擾項是均值為0的同方差正態(tài)分布

C、多重共線性會使得參數(shù)估計值方差減小

D、基本假設(shè)包括不服從正態(tài)分布的隨機干擾項

答案：B

解析：線性回歸基本假設(shè)包括隨機干擾項是均值為0的同方差正態(tài)分布

185..混沌度（Perplexity）是一種常見的應(yīng)用在使用深度學(xué)習(xí)處理NLP問題過程

中的評估技術(shù)，關(guān)于混沌度，哪種說法是正確的？

A、混沌度沒什么影響

B、混沌度越低越好

C、混沌度越高越好

D、混沌度對于結(jié)果的影響不一定

答案：B

186.環(huán)境在接受到個體的行動之后，會反饋給個體環(huán)境目前的狀態(tài)（state）以

及由于上一個行動而產(chǎn)生的（）。

A、action

B、reward

Cvstate

Dvagent

答案：B

解析：見算法解析

187.ONE-HOT-ENCODING可用于什么特征處理

A、類別型特征

B、有序性特征

C、數(shù)值型特征

D、字符串型特征

答案：A

188.ResNet-50有多少個卷積層？()

A、48

B、49

C、50

D、51

答案：B

189.語義網(wǎng)絡(luò)表達(dá)知識時，有向弧AK0鏈、ISA鏈?zhǔn)怯脕肀磉_(dá)節(jié)點知識的

A、無悖性

B、可擴充性

C、繼承性

D、連貫性

答案：C

解析：語義網(wǎng)絡(luò)表達(dá)知識時，有向弧AKO鏈、ISA鏈?zhǔn)怯脕肀磉_(dá)節(jié)點知識的繼承

性

190.為了將特征轉(zhuǎn)變成Embedding表示，所有特征均需轉(zhuǎn)變成()

A、數(shù)字

B、字符

C、符號

D、英文

答案：A

解析：為了將特征轉(zhuǎn)變成Embedding表示，所有特征均需轉(zhuǎn)變成數(shù)字

191.感知器在空間中可以展現(xiàn)為？

A、點

B、線

C、平面

D、超平面

答案：A

192.下面算法中哪個不是分類算法

A、決策樹

B、高斯混合模型GMM

C、隨機森林

D\Xgboost

答案：B

193.Skip-gram在實際操作中，使用一個（）（一般情況下，長度是奇數(shù)），從

左到右開始掃描當(dāng)前句子。

A、過濾器

B、滑動窗口

C、篩選器

D、掃描器

答案：B

解析：見算法解析

194.線性回歸在3維以上的維度中擬合面是？

A、曲面

B、平面

C、超平面

D、超曲面

答案：C

195.CNN網(wǎng)絡(luò)設(shè)計中，學(xué)習(xí)率的設(shè)置往往對訓(xùn)練收斂起到關(guān)鍵作用，關(guān)于學(xué)習(xí)率

的說法，錯誤的是()

A、學(xué)習(xí)率太小，更新速度慢

B、學(xué)習(xí)率過大，可能跨過最優(yōu)解

C、學(xué)習(xí)率也是有網(wǎng)絡(luò)學(xué)習(xí)而來

D、學(xué)習(xí)率可在網(wǎng)絡(luò)訓(xùn)練過程中更改

答案：C

解析：CNN網(wǎng)絡(luò)設(shè)計中，學(xué)習(xí)率的設(shè)置往往對訓(xùn)練收斂起到關(guān)鍵作用，關(guān)于學(xué)習(xí)

率的說法，錯誤的是學(xué)習(xí)率也是有網(wǎng)絡(luò)學(xué)習(xí)而來

196.代碼arr1=np.array([[1,2,3],[4,5,6]]);print((arr1**2)[1,1])

的輸出是()?

A、5

B、25

C\6

D、26

答案：B

解析：見算法解析

197.()的核心訓(xùn)練信號是圖片的“可區(qū)分性”。模型需要區(qū)分兩個輸入是來自

于同一圖片的不同視角，還是來自完全不同的兩張圖片。

A、對比學(xué)習(xí)

B、強化學(xué)習(xí)

C、遷移學(xué)習(xí)

D、深度學(xué)習(xí)

答案：A

解析：對比學(xué)習(xí)的核心訓(xùn)練信號是圖片的“可區(qū)分性”。模型需要區(qū)分兩個輸入

是來自于同一圖片的不同視角，還是來自完全不同的兩張圖片。

198.在神經(jīng)網(wǎng)絡(luò)中，我們是通過以下哪個方法在訓(xùn)練網(wǎng)絡(luò)的時候更新參數(shù)，從而

最小化損失函數(shù)的？

A、正向傳播算法

B、池化計算

C、卷積計算

D、反向傳播算法

答案：D

199.機器學(xué)習(xí)的算法中，以下哪個不是無監(jiān)督學(xué)習(xí)？

A、GMM

B、Xgboost

c、聚類

D、關(guān)聯(lián)規(guī)則

答案：B

200.對于線性可分的數(shù)據(jù)，支持向量機的解決方式是（）

A、軟間隔

B、硬間隔

C、核函數(shù)

D、以上選項均不正確

答案：B

解析：對于線性可分的數(shù)據(jù)，支持向量機的解決方式是硬間隔

多選題

1.關(guān)于邏輯回歸正確的是（）

A、風(fēng)險控制是金融領(lǐng)域最核心的問題，邏輯回歸是在風(fēng)險評估中最經(jīng)典常用的

方法

B、邏輯回歸可以用到互聯(lián)網(wǎng)廣告點擊預(yù)測

C、邏輯回歸只能用于解決二分類問題

D、以上都不對

答案：AB

2.一下哪幾種是常見的激活函數(shù)

A、sigmoid

B、reIu

C、tanh

D、skip

答案：ABC

解析：見算法解析

3.屬于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的有（）。

A、VGGNet

B\ResNet

C、AlexNet

D\GoogIeNet

答案：ABCD

4.可以用隨機梯度下降法求解參數(shù)的模型分別有（）

A、線性回歸

B、卷積神經(jīng)網(wǎng)絡(luò)

C、循環(huán)神經(jīng)網(wǎng)絡(luò)

D、LSTM

答案：ABCD

解析：見算法解析

5.假設(shè)我們要解決一個二類分類問題,我們已經(jīng)建立好了模型,輸出是0或1,初

始時設(shè)閾值為0.5,超過0.5概率估計,就判別為1,否則就判別為0；如果我們現(xiàn)

在用另一個大于0.5的閾值,那么現(xiàn)在關(guān)于模型說法,正確的是

A、模型分類的召回率不變

B、模型分類的召回率會升高

C、模型分類準(zhǔn)確率會升高或不變

D、模型分類準(zhǔn)確率降低

答案：AC

解析：準(zhǔn)確率：即預(yù)測結(jié)果正確的百分比。精確率（查準(zhǔn)率）：預(yù)測結(jié)果為正例

樣本中真實為正例的比例（查得準(zhǔn)）。召回率（查全率）：真實為正例的樣本中

預(yù)測結(jié)果為正例的比例（查的全，對正樣本的區(qū)分能力。F-score：在實踐中，

我們定義了新的指標(biāo)去“綜合”這兩個指標(biāo)。具體的定義如公式（3）,從數(shù)學(xué)

上來看，它其實是查準(zhǔn)率與查全率的調(diào)和平均數(shù)。對于二元分類問題，F(xiàn)-score

綜合考慮了預(yù)測結(jié)果的查準(zhǔn)率和查全率，是一個比較好的評估指標(biāo)。

6.Embedding編碼有哪些特點？

A、特征稠密

B、特征稀疏

C、能夠表征詞與詞之間的相互關(guān)系（相似度計算）

D、泛化性更好,支持語義運算sim

答案：ACD

解析：見算法解析

7.關(guān)于神經(jīng)網(wǎng)絡(luò)模型的說法，哪些是不正確的（）

A、神經(jīng)網(wǎng)絡(luò)的工作原理與生物體內(nèi)的神經(jīng)元是完全一樣的

B、訓(xùn)練神經(jīng)網(wǎng)絡(luò)的實質(zhì)是對復(fù)雜函數(shù)求參數(shù)最優(yōu)解的過程

C、增加神經(jīng)網(wǎng)絡(luò)的層數(shù)和增加每層的神經(jīng)元個數(shù)的效果是一樣的

D、神經(jīng)網(wǎng)絡(luò)只能進(jìn)行二分類，不能進(jìn)行更多種類的分類了

答案：ACD

8.以下算法中可以用于圖像處理中去噪的是0。

A、中值濾波

B、均值濾波

C、最小值濾波

D、最大值濾波

答案：ABCD

解析：見算法解析

9.下列可用于隱馬爾可夫預(yù)測的算法是（）。

A、維特比算法

B、Baum-Welch算法

C、前向-后向算法

D、擬牛頓法

答案：ABCD

解析：A是教材原文；B是EM算法，