深度学习框架应用开发习题及答案（陈晓龙） 第4章.docx

深度学习框架应用开发习题及答案一选择题1、关于MNIST,下列说法错误的是（C）。A.是著名的手写体数字识别数据集B.有训练集和测试集两部分C.训练集类似人学习中使用的各种考试试卷D.测试集大约包含10000个样本和标签2、以下选项中，机器学习算法真正用来“学习”的数据是（B）A.验证集B.训练集C.测试集D.超参数集3、对于神经网络的说法，下面正确的是：（）A增加神经网络层数,可能会增加测试数据集的分类错误率B减少神经网络层数，总是能减小测试数据集的分类错误率C增加神经网络层数，总是能减小训练数据集的分类错误率4预测分析中将原始数据分为训练数据集和测试数据集等，其中训练数据集的作用在于（C）。A、用于对模型的效果进行无偏的评估B、用于比较不同模型的预测准确度C、用于构造预测模型D、用于选择模型5、什么样的数据不适合用深度学习（）A、数据集太小B、数据集太大C、数据集没有局部相关性D、数据集局部相关性极强6、学习没有标签的数据集的机器学习方法是？（）A、监督学习B、无监督学习C、半监督学习D、强化学习7、可以通过（C）数据处理手段实现去除图像冗余部分。A.图像归一化B.均值C.白化D.图像灰度化8、图像归一化的主要作用是（A）。A.将图像按照一定的标准形式进行标准化处理，使图像能具有抵抗几何变换的能力B.去除图像噪声部分C.改正图像采集系统的系统误差和仪器位置的随机误差D.矩阵维数下降，运算速度大幅度提高，并且梯度信息仍然保留9、在tensorflow开发环境下，可以使用（A）方法来完成图像灰度化的操作。A. tensorflow, image. rgb_to_grayscale（）tf. image. rgb_to_hsv （）B. tf. image. rgb_to_yiq ()tf. image. rgb_to_yuv ()10、One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编 码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。它主要是用来解决类 别型数据的离散值问题的。假定对篮球，足球，乒乓球，羽毛球进行独热编码，其中篮球的 编码结果为(A)。A. 1 0 0 00 1 0 0B. 0 0 1 00 0 0 1IK LabelEncoder编码对不连续的数字或者文本进行编号，将其转换成连续的数值型变量。 假定对paris，paris，tokyo，amsterdam进行 labelencoder 编码，那么得到的 结果应该是(A)。A. 1 1 2 00 0 1 2B. 1 1 2 02 2 0 112、全连接神经网络简称是(C)。A. CNNRNNB. DNNRCNN13、全连接神经网络一般由(B)几部分组成。A.输入层，池化层，输出层B.输入层，隐藏层，输出层C.输入层，输出层D.输入层，卷积层，输出层二填空题1、MNIST是一个非常著名的手写数字数据集，由纽约大学教授Yann LeCun负责构建。2、TensorFlow2 也提供了 自动下载 MNIST 数据集函数 kerasdatasets.mnist.load data。3、数字图像本质就是一个三维数组。4、TensorFlow2中的MNIST数据存储是以皿格式存储，因此是无法再电脑用图片编辑器软 件打开的。5、在MNIST数据集中返回训练集的形状为(60000, 28, 28)的三维数组。6、全连接神经网络对单个数据要求输入数据为向量,而不是二维数组。因此，需要将28x28 的二维数组转换为一维数组。7、TensorFlow2中保存的MNIST原始数据的数据类型是uint8,但是在后续的处理中肯定是 会涉及到浮点数操作，因此需要将这些数据转换为浮点数。8、MNIST的标签编码方式是序列化唯一。9、MNIST数据集中图片的像素值是0-255范围内的，但是不同的图片的像素分布差别很大。 小像素值很容易在忽略的过程中被忽略掉，这对模型最终的性能影响是非常大的。为了解决 此类问题，可以通过对像素值的缩放来缓解。常见的一种方法就是图像归一化,即将所有像 素的值缩放到0-1范围内。10、手写数字识别是一个3层的全连接神经网络模型。11、分类任务的评估标准一般采用迤速率来进行评估。12、启动训练，程序会自动在脚本所在的目录下创建一个checkpoint文件夹,所有的权重模 型都保存在该文件夹下。13、通过加载指定权重实现在模型训练程序完全停止后进行模型测试,或者在测试中间保存 的某一个模型的性能。三、综合题Cifar-10数据集一个十分接近普适物体的彩色图像数据集，它一共包含10个类别的 RGB 彩色图片：飞机（airplane ）、汽车（automobile ）、鸟类（bird ）、猫（cat ）、 鹿（deer ）、狗（dog ）、蛙类（frog ）、马（horse ）、船（ship ）和卡车（truck ）。 其中每个图片的尺寸为32 x 32 ,每个类别有6000个图像，数据集中一共有50000张训练 图片和10000张测试图片。在本章我们需要做的就是构建DNN网络模型，在cifar-10数据集上训练，得到一个比较 好的识别cifar-10数据集的模型。任务要求：任务1 cifar-10数据集任务2搭建并训练cifar-10识别模型任务3 cifar-10识别模型性能验证