深度学习框架应用开发 习题及答案第5、6章.docx

《深度学习框架应用开发 习题及答案第5、6章.docx》由会员分享，可在线阅读，更多相关《深度学习框架应用开发 习题及答案第5、6章.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第五章一、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

2、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)。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

3、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. rel

4、uD. sigmoid10、将多维转换成一维，常用于卷积和全连接之间的是(D)。A.池化层B. DropoutC. ConvolutionD. Flatten一、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 经网络能够以皿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

5、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、步运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, 还有通道维度上的数据。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高两个方 向进行

6、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。二、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

7、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 cifarTO识别模型性能验证第六章一、选择题 1、卷积神经网络中通常包含卷积层和全连接层，它们的主要作用分别是（B ）A.进行分类、提取特征B.提取特征、进行分类C.提取特征、提取特征2、关于神经网络，下列说法正确的是？（ C ）A.增加网络层数,不会增加测试集分类错误率B.增加网络层数，一定会增加训练集分类错误率C.减少网络层数，可能会减少测试集分类错误率D

8、.减少网络层数，一定会减少训练集分类错误率3、下列哪种算法可以用神经网络构建？（B）1 . K-NN最近邻算法.线性回归2 .逻辑回归1 and 2A. 2 and 31, 2 and 3B. None of the above4、下面哪句话是正确的？（ C ）A.机器学习模型的精准度越高，则模型的性能越好B.增加模型的复杂度，总能减小测试样本误差C.增加模型的复杂度，总能减小训练样本误差D.以上说法都不对5、评估模型之后，得出模型存在偏差，下列哪种方法可能解决这一问题：A.减少模型中特征的数量B.向模型中增加更多的特征C.增加更多的数据D. B 和 CE.以上全是6、点击率的预测是一个数据比

9、例不平衡问题（比如训练集中样本呈阴性的比例为99%,阳 性的比例是1%）,如果我们用这种数据建立模型并使得训练集的准确率高达99虬我们可以 得出结论是：A.模型的准确率非常高，我们不需要进一步探索B.模型不好，我们应建一个更好的模型C.无法评价模型D.以上都不正确7、监狱人脸识别准入系统用来识别待进入人员的身份，此系统-共包括识别4种不同的 人员：狱警,小偷，送餐员，其他。下面哪种学习方法最适合此种应用需求（B ）A.二分类问题B.多分类问题C.层次聚类问题D. b中心点聚类问题8、AlexNet的成功吸引了越来越多的学者研究卷积神经网络。关于AlexNet网络，下列哪 一项不属于它的重要贡献

10、点(C)oA. AlexNet使用ReLU作为网络中的激活函数，极大缓解了 simgoid函数与tanh函数在输入 较大或较小时进入饱和区后梯度消失的问题AlexNet中使用的是重叠的最大池化，可以提升特征的丰富性，训练时对拟合也有所帮 助。B. AlexNet将Dropout运用到最后的几个全连接层中，可以有效减少模型参数量，减少开销。C. AlexNet 中局部响应归一化方法(Local Response Normalization, LRN),增强模型的 泛化能力。9、下列关于数据增强的描述的错误的是(D)。A. 一种通过让有限的数据产生更多的等价数据来人工扩展训练数据集的技术B.克服训

11、练数据不足的有效手段C.由于生成的数据与真实数据之间的差异，也不可避免地带来了噪声问题D.可以显著提升图像质量10、下列不属于数据增强的手段的是(C)。A.图像翻转B.图像裁剪C.图像灰度化D.图像缩放三、填空题1、TensorFlow2提供了一个图片数据生成器类ImaaeDataGenerator,用于快速实现读取数据 并实时数据增强的功能。2、数据增强是一种通过让直限的数据产生更多的等位数据来人工扩展训练数据集的技术。3、TensorFlow2提供了 image组件,包含用于图像处理和解码编码操作的各种功能。4、数据增强的方法分为两种方式，一种称为线上增强,另外一种增强方式称为离线增强。5

12、、训练集与测试集合中可能存在潜在的位置偏差，使得模型在测试集中很难达到训练集中 的效果，儿何变换可以有效地克服训练数据中存在的位置偏差,而且易于实现。6、使用TensorFlow2进行图片读取需要分两步走，第一步使用read file函数读取文件, 第二步使用解码函数decode jpeg进行图片解码。7、read file读取图片的路径必须是全英文的,否则会报错。8、图像缩放是基础的图像几何变换,在计算机视觉任务中基础被使用到。9、图像翻转有两种，一种是水平翻转,另一种是垂直翻转。10、图像翻转实际上是一种特殊的图像旋转,旋转也是一种常见并有效的数据增强手段。11、TensorFlow2中只

13、是提供了一个逆时针旋转世度的旋转函数，并不支持任意角度旋转。12、卷积神经网络模型要识别出不同大小的同一目标是困难的，除非数据集中有不同大小的 目标。图像裁剪可以很好的模拟出远处和近处的目标。13、产品实际应用的过程中会有夜晚的情况。为了提高模型的泛化能力，调整图像亮度以此 增加夜晚的样本数是一种有效并常用的手段。14、AlexNet的输入是ImageNet中归一化后的RGB图像样本，每张图像的尺寸被裁切到了 224X224, AlexNet中包含上个卷积层和2个全连接层，输出为1000类的Softmax层。15、AlexNet中局部响应归一化方法,通过LRN层对局部神经元的活动创建竞争机制,

14、使得 其中响应较大的神经元值变得更大，反馈较小的神经元得到典凰，这样可增强模型的泛化能 力。16、AlexNet对ImageNet训练集中的样本做了几种数据增加的组合,使得样本数据有了极大 的增长。17、池化可以理解为对同一特征图中相邻神经元输出的一种概括。CNN中普遍使用平均池 化。而在AlexNet中则全部使用最大池化，避免平均池化的模糊化效果。18、 四、综合题1、新冠肺炎疫情爆发以后，对民众的日常出行的防护更高提高了要求。疫情期间佩戴口罩 是疫情防控的最佳手段。本章内容讲述的是猫狗识别的一个二分类的检测任务，口罩佩戴识 别也可以理解为一个二分类的检测任务。我们口罩识别所采用的数据集是武

15、汉大学国家多媒 体软件工程技术研究中心开源的一个数据集 ( )。该数据集中包括模拟口罩 人脸数据集和真实口罩人脸识别样本集RMFD,其中RMFD中包含5千张口罩人脸和9万张 正常人脸。基于本章所讲述的内容搭建一个基于AlexNet的口罩佩戴识别模型。任务要求：1 .找到数据集并下载口罩人脸识别数据集。2 .加载数据集，将数据集中的图像进行一系列的处理及拆分训练集和测试集。3 改进AlexNet模型，加载处理好的数据集进行训练。4 测试识别口罩佩戴的正确率。2、思考题：在日常生活当中，如果是带了口罩但是口罩没有遮盖住口鼻这种又该如何检测 呢？思路1：可以利用OpenCv的官方文件进行人脸特征提取，检测人脸上能不能检测出口鼻来 判断是否正确佩戴口罩(识别正确率低)思路2：可以利用国外开源的MaskedFace-Net数据集，进行多类检测，以此来检测未正确佩 戴口罩