深度学习框架应用开发习题及答案（陈晓龙） 第5章.docx

深度学习框架应用开发 习题及答案一、选择题1、卷积神经网络的简称(0。A. KNNB. DNNC. CNND. FNN2、卷积层的主要作用是(A)。A.提取输入的不同特征B.实现线性到非线性的转换C.提取输入的主要特征D.降低网络开销，减少参数量3、在典型的卷积神经网络中，(C)层是明显起到减少网络开销，减少参数量。A.卷积层B.全连接层C.池化层D.展开层4、典型的卷积神经网络主要由(A)几层组成。A.卷积层，池化层，全连接层B.卷积层，全连接层，输出层C.卷积层，池化层，输出层D.卷积层，全连接层5、卷积神经网络(Convolutional Neural Network, CNN,有时也写作ConvNet)是一种具有 局部连接、权重共享等特性的前馈神经网络。而对于卷积层神经网络而言最独特的卷积层是其 非同凡响的精髓所在，而卷积层的核心在于卷积核，下列关于卷积核描述错误的是(D)。A.可以看作对某个局部的加权求和B.对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察 整体，而是先从局部开始认识C.卷积是图像处理常用的方法，给定输入图像，在输出图像中每一个像素是输入图像中一个 小区域中像素的加权平均,其中权值由一个函数定义,这个函数称为卷积核D.将图像像素进行堆叠获取特征6、下列关于池化层的相关作用的描述错误的是(A)。A.扩展图像，增强特征明显性B.保留主要的特征同时减少参数和计算量C.防止过拟合，提高模型泛化能力D.特征不变性，主要特征不会受到影响7、池化层一般而言使用的最多的是最大池化层和平均池化层，下列关于它们描述错误的是 (A)oA.平均池化适用于前景亮度小于背景亮度时B.最大池化适用于前景亮度小于背景亮度时C最大池化可以提取特征纹理，平均池化可以保留背景信息D.平均池化使用于前景亮度大于背景亮度时8、在卷积层中，我们也需要为其选择激活函数，最常用的是(A)。A. reluB. softmaxC. sigmoidD. tanh9、在多分类神经网络构建过程中，对于最终输出dense层的激活函数选择，我们一般可以 选择(B)。A. tanhB.softmaxC. reluD. sigmoid10、将多维转换成一维，常用于卷积和全连接之间的是)。A.池化层B.DropoutC. ConvolutionD. Flatten二、填空题1、卷积神经网络是一种具有局部连接、权重共享等特性的前馈神经网络。2、卷积神经网络的人工神经元隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神 经网络能够以较小的计算量对格点化特征，在图像处理与语音识别等方面有大量的应用。3、LeNet-5的结构成为现代卷积神经网络的基础,这种卷积层、池化层堆叠的结构可以保 持输入图像的平移不变性，自动提取图像特征。4、卷积神经网络主要由卷积层、池化层和全连接层三种网络层构成。5、卷积神经网络中，输入/输出数据称之为特征图。6、卷积层中参数的数量是所有卷积核中参数的总和，相较于全接连的方式，极大地减少了 参数的数量。7、二维卷积是在两个维度上以一定的间隔滑动一个二维的窗口，并在窗口内进行乘加运算。8、为了保存图像边缘的信息，在进行卷积之前，需要向输入数据的周围补充一圈固定的常 数，在深度学习中该操作称为填充。9、步长是指卷积核窗口滑动的位置间隔。10、填充和步长都会改变卷积输出数据的大小11、现代深度学习的输入数据通常都是三维的数据，如一张图片，不仅仅有宽和高两个维度, 还有逋道维度上的数据。12、卷积核的通道数与输入数据的通道数一致的，因此三维数据操作只需要在宽和宣两个方 向进行滑窗操作。13、在处理图像这样的高维度输入时，让每个神经元都与前一层中的所有神经元进行全连接 是不现实的。相反，让每个神经元只与输入数据的一个局部区域连接。该连接的空间大小叫做 神经元的感受野。14、为了降低计算量通常同一通道的卷积核参数保持不变，称为权重共享。15、在卷积层，一般采用多组卷积核提取不同特征。16、池化层,该层的作用是对网络中的特征进行选择，降低特征数量,从而减少参数数量和 计算开销。17、LeNet-5网络从左到右分别是输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、 卷积层 C5、全连接层 F6 以及输出层o三、综合题务务务务任任任任在上一章我们已经使用简单DNN网络来训练识别cifar-10数据集，在本章我们需要做的就 是构建CNN网络模型,在cifar-10数据集上训练,得到一个好于DNN网络模型的识别cifar-10 数据集的模型。1 cifar-10数据集2搭建并训练cifar-10识别模型3 cifar-10识别模型性能验证