深度学习框架应用开发习题及答案（陈晓龙） 第8章.docx

深度学习框架应用开发 习题及答案一、选择题1、下列关于各个成熟网络模型的描述正确的是)。A. VGGNet由牛津大学的视觉几何组(Visual Geometry Group)提出的卷积神经网络模型Inception系列网络是谷歌公司提出的，其网络的核心模块称为Inception,共有4个版 本B. DenseNet模型提出了一种密集连接模块(Dense Block),密集连接模块是残差模块的改 进版D.以上均正确2、下列关于vggnet描述中，正确的是(D)。A.基于尺寸较小的卷积核，增加网络深度有效提升了模型的效果B.结构简单，模型的泛化能力好C.使用ReLU作为激活函数，在全连接层使用Dropout防止过拟合D.以上均正确3、下列关于inception网络描述中，正确的是(D)。A.网络的核心模块称为Inception,共有4个版本B.使用在3X3和5X5卷积层之前添加额外的1 X 1卷积层来控制输入的通道数，降低计算 成本C.在最后一个Inception vl模块处使用全局平均池化，减少了全接连层的参数D.以上均正确4、下列关于resnet网络描述中，正确的是(D)。A. ResNet的研究人员提出了一种残差模块，这种残差模块有效的解决了网络深度加深模型 退化的问题B.残差模块使用了一种短路的方式来解决深度网络的退化问题C.残差学习解决了深度网络的退化问题，这称得上是深度网络的一个历史大突破D.以上都是5、下列关于Densenet网络描述中，正确的是(D)。A. DonseNet模型提出了一种密集连接模块(Dense Block)DenseNet网络中密集连接模块之间使用转换层进行连接，转换层使用批归一化层、1X1 卷积层以及2义2的平均池化层C.旁路加强了特征的重用，缓解了 gradient vanishing和model degradation的问题I).以上均正确6、下列关于mobilenet网络描述中，正确的是(D)。A.是一种高效并且参数量少的移动网络模型B.将标准卷积改为深度可分离卷积，该卷积包括了一次逐通道卷积和一次逐点卷积C.平衡了速度、计算量和准确率三方面的要求，非常轻量D.以上都是7 .什么是迁移学习？ (A)A.是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。8 .是把已学训练好的数据集迁移到新的模型来帮助新模型训练。C.是把已学训练好的模型超参数迁移到新的模型来帮助新模型训练。D.是把预先定义好的模型重新调整模型结构来帮助新模型训练。8按迁移方法分，迁移学习的类别方法有(D)基于实例的迁移基于特征的迁移基于模型的迁移基于关系的迁移A.8 .C.D.迁移学习实现方法有(D)样本迁移特征迁移模型迁移关系迁移A.B.C.I)10 .为什么要迁移学习？ (B)A.迁移学习可以解决冷启动问题。B.迁移学习可减少对标定数据的依赖，通过和已有数据模型之间的迁移，更好地完成机器 学习任务。C.迁移学习适用于小数据量场景D.迁移学习适合个性化方面。11 .常见的预训练模型有哪些(D)VGG16ResNetInceptionV3©EfficientNetA.B.C.D12.迁移学习中常用的模型权重来自于数据集(0A. CifarMnistB. ImageNetLSUN二、填空题1、keras. applications组件中提供多种预训练模型。使用预训练模型有两种方式,第一种: 如果待分类的类别是属于ImageNet的1000类别中，那么可以直接使用预训练模型。第二种： 通过迁移学习使用预训练模型。2、迁移学习是一种机器学习的方法,指的是一个预训练的模型被重新用在另一个任务中。3、卷积神经网络可以分为两部分：第一部分是特征提取网络。第二部分是分类器。4、迁移学习通过冻结预训练模型中特征提取网络的参数,只训练新的分类器来完成模型的 训练。5、TensorFlow2中的trainable API,它是大多数迁移学习和微调工作流的基础。6、实际开发过程中，模型搭建可能会出现模型嵌套的情况。trainable属性具有递归特性, 一旦给模型的trainable设置为False。那么该模型的下所有嵌套模型的trainable也为 False。7、VGG引入“模块化”的设计思想,将不同的层进行简单的组合构成网络模块,再用模块 来组装完整网络，而不再是以“层”为单元组装网络。8> Inception vl模块被应用于GoogLeNet,是2014年ImageNet图像分类与定位两项比赛的 双料冠军，为了向经典网络忠晅致敬，将网络名称定为GooLeNet。9、在Inception vl模块中对输入特征图并行地执行多个卷积运算或池化操作,并将所有输出 结果拼接为一个特征图。10、在初级模块中，每层的Inception模块的参数总量是分支上所有参数的总和。11、GoogLeNet取消全连接层带来另外一个优点就是输入的图像大小可以不再是固定的。12、为了阻止GoogLeNet中间部分的梯度消失，GoogLeNet还引入了两个辅助分类器。辅助 分类器只应用于训练,推理期间不会被使用。13、宓叱中的残差模块使得成百甚至上千层的神经网络的训练成为可能，残差这一思想 不断引导这后续的卷积神经网络的设计。14、一般而言，层数越多的卷积神经网络模型性能越好。15、在残差模块中，临近两个层进行直接连接,而在密集连接模块中，是任意两个层都进行 直接连接。16、MobileNet网络通过更改传统的卷积操作来降低计算量。17、搭建一个卷积神经网络基本上是按照卷积、批归一化层、典虚的顺序进行模型搭建。18、MobileNet最大限度上平衡了速度、计算量和准确率三方面的要求。和VGG相比，在损 失极小的精度情况下，将运算量降低了也倍。19、垃圾分类数据集一共2527张图片，用于训练卷积神经网络是远远不够的。为了解决数 量少的问题，有两种方式：第一种是利用数据增强技术,增加样本数。第二种是借助迁移学 Z技术。三、综合题结合第六章所做的口罩检测模型案例，利用其它优秀的模型来搭建口罩佩戴识别模型, 并比较它们在相同条件下所呈现出来的优劣、以及通过比较训练所耗费的时间来反映出模 型的复杂程度。任务要求：任务1 ,使用ResNet50来搭建口罩识别模型任务2.使用lnceptionV3来搭建口罩识别模型任务3.使用DenseNet201来搭建口罩识别模型任务4,对比每一种模型在相同条件下的训练时间任务5.对比每一个训练好的模型，在相同条件下的识别准确率。