第一讲 神经网络计算
1 该张量的维度是 [[ 1.3688478 1.0125661 ] [ 0.17475659 -0.02224463]]
（2，1）
喵查答案：（2，2）
（1，2）
（4，1）
2 人工智能主流的三个学派是什么？
喵查答案：行为主义
计算主义
喵查答案：连接主义
喵查答案：符号主义
3 以下语句实现了损失函数loss 分别对可训练参数w1和b1求偏导数，并将计算结果保存到grads列表中。with tf.GradientTape() as tape: 前向传播过程计算y 计算总lossgrads = tape.gradient(loss, [ w1, b1 ])
喵查答案：正确
错误
4 神经网络可以让计算机具备感性思维，能实现图像识别、趋势预测。
喵查答案：正确
错误
5 设计神经网络的步骤包括：准备数据、搭建网络、优化参数、应用网络。
喵查答案：正确
错误
第二讲 神经网络优化
1 tf.nn.relu([[-2., 1.], [0., 3.]])的计算结果是哪个？
tf.Tensor([ -2. 1. 0. 3.], shape=(4,), dtype=float32)
tf.Tensor([ 0. 1. 0. 3.], shape=(4,), dtype=float32)
tf.Tensor([ [-2. 1.] [0. 3.] ], shape=(2,2), dtype=float32)
喵查答案：tf.Tensor([ [0. 1.] [0. 3.] ], shape=(2,2), dtype=float32)
2 下列哪一项是均方误差损失函数的代码实现？
喵查答案：tf.reduce_mean(tf.square(y_true – y_pred))
tf.reduce_mean(tf.abs(y_true-y_pred))
-tf.reduce_sum(y_true * tf.math.log(y_pred))
-tf.reduce_sum(labels * tf.math.log(tf.nn.softmax(logits)), axis=1)
3 在某个三分类问题中，已知真实标签y_=(0, 0, 1)，神经网络预测值分别为y1=(0.51, 0.32, 0.17)，y2=(0.22, 0.73, 0.05)，y3=(0.15, 0.17, 0.68)，y4=(0.04, 0.03, 0.93)，哪个预测值更接近真实标签？
y1
y2
y3
喵查答案：y4
4 下列属于神经网络优化器的有？
喵查答案：SGD
喵查答案：AdaGrad
喵查答案：RMSProp
喵查答案：Adam
5 解决过拟合问题的方法有：
喵查答案：增大训练集
喵查答案：采用正则化
增加网络参数
减小正则化参数
第三讲 神经网络八股
1 如果标签以数值形式给出，模型推理结果以概率形式给出，则model.compile()函数中metrics参数应选择哪一项？
‘sparse_categorical_crossentropy’
‘accuracy’
‘categorical_accuracy’
喵查答案：‘sparse_ categorical_accuracy’
2 使用Sequential()函数搭建神经网络训练MNIST数据集的代码为：
model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation=’relu’), tf.keras.layers.Dense(10, activation=’softmax’)])
请问使用model.summary()打印网络结构和参数统计中，Total params的数目为？
100480
1280
喵查答案：101770
101632
3 以下数据为训练过程中某个epoch的最终输出，其中最能直观有效反映网络准确度的数据是？60000/60000 [==============================]- 4s 68us/sample- loss: 0.2916- sparse_categorical_accuracy: 0.8920- val_loss: 0.3387- val_sparse_categorical_accuracy: 0.8770
0.2916
0.8920
0.3387
喵查答案：0.8770
4 以下关于MNIST数据集和Fashion_mnist数据集描述正确的是？
喵查答案：MNIST数据集一共包括7万张图片，其中6万张用于训练，1万张用于测试。
每张图片包括1024(32×32)个像素点。
喵查答案：MNIST数据集是为0到9的手写数字数据集。
Fashion_mnist数据集中的图片被分为20类。
5 本课中搭建神经网络六步法包括如下步骤：1、import2、train, test3、Sequential / Class4、model.compile5、model.fit6、model.summary
喵查答案：正确
错误
pay point=”5″
第四讲 网络八股扩展
1 fashion_mnist数据集的规模是多少？训练集（），测试集（）。
60000，60000
喵查答案：60000 10000
10000 60000
10000 10000
2 数据增强函数ImageDataGenerator()的输入维度是多少？
1
2
3
喵查答案：4
3 >>> import numpy as np>>> np.set_printoptions( )np.set_printoptions的括号内填写什么内容，可以保证print所有内容都明文显示？
threshold=1
precision=6
threshold=9
喵查答案：threshold=np.inf
4 如果训练集的准确率高，那么测试集的准确率也一定高。
正确
喵查答案：错误
5 本讲中的功能扩展模块包括自制数据集、数据增强、断点续训、参数提取、acc/loss可视化
喵查答案：正确
错误
第五讲 卷积神经网络
1 已知两层3×3的卷积核与一层5×5的卷积核具有相同的感受野，那么前者（3×3）和后者（5×5）的参数量和计算量是什么关系（特征图尺寸为32）？
前者参数量小、后者计算量更小
前者计算量小、后者参数量更小
喵查答案：前者的参数量和计算量都更小
后者的参数量和计算量都更小
2 卷积神经网络中常用的卷积层、激活层、BN层，它们最常见的顺序是怎样的？
喵查答案：卷积层→BN层→激活层
卷积层→激活层→BN层
BN层→卷积层→激活层
激活层→卷积层→BN层
3 本课程中搭建卷积神经网络的八股是：
喵查答案：CBAPD
Conv2D
CBA
PD
4 在ResNet的残差结构中，会涉及到特征的相加操作，即H(x) = F(x) + x，该操作对F(x)和x的维度（H×W×C）有什么要求？
特征图的尺寸（H×W）相同即可
特征图的通道数（C）相同即可
喵查答案：特征图的尺寸和通道数必须完全相同
特征图的尺寸和通道数都不必相同
5 在批标准化（BN）操作中，如果batch size大小为32，特征图深度为16，那么该BN层的总参数以及可训练参数个数分别为：
256，128
喵查答案：128，64
64，32
32，16
第六讲 循环神经网络
1 在RNN前向传播过程中按时间展开，记忆体状态信息ht、参数矩阵和两个偏置项是变化的还是不变的？
三者都随时间刷新变化；
ht和参数矩阵随时间刷新变化、偏置项固定不变；
喵查答案：ht随时间刷新变化、参数矩阵和偏置项固定不变；
三者都固定不变；
2 关于tf.keras.layers.Embedding(词汇表大小，编码维度)，下列表述错误的是？
词汇表大小：编码一共要表示多少个单词；
编码维度：用几个数字表达一个单词；
喵查答案：输入维度：二维张量[送入样本数，编码维度]；
输出维度：三维张量[送入样本数，循环核时间展开步数，编码维度]
3 对abcde这几个字母进行独热编码，共需要几位数字？
喵查答案：5
4
3
2
4 关于LSTM、GRU，下列说法错误的是？
LSTM中Ct表示长期记忆；
LSTM中ht表示短期记忆；
喵查答案：GRU中ht表示短期记忆;
GRU中有两个门，LSTM有三个门；
5 在tf.keras.layers.SimpleRNN()中，记忆体个数、return_sequences=False分别代表什么含义：
记忆体个数代表RNN层数、return_sequences=False代表返回全部时间步的输出ht；
喵查答案：记忆体个数代表RNN循环核中记忆体的个数、return_sequences=False代表返回最后时间步的输出值ht；
记忆体个数代表RNN层数、return_sequences=False代表返回最后时间步的输出值ht；
记忆体个数代表RNN循环核中记忆体的个数、return_sequences=False代表返回全部时间步的输出ht；
【全连接网络考题】
1 你的应用程序加载你训练的Fashion数据集模型，识别图片6.jpeg结果是：
喵查答案：Shirt
Dress
Pullover
Coat
2 你的应用程序加载你训练的Fashion数据集模型，识别图片3.jpeg结果是：
喵查答案：Dress
Pullover
Coat
Shirt
3 你的应用程序加载你训练的Fashion数据集模型，识别图片5.jpeg结果是：
喵查答案：Sandal
Coat
Ankle boot
Pullover
4 下载Fashion数据集，使用Fashion数据集训练十分类模型，设计应用程序，读入图片输出识别结果。数据集：http://pan.baidu.com/s/1MxgfrFZRUHFK1x3PDyDtpQ 提取码：ysox待识别图片：http://pan.baidu.com/s/1-7XPMtCjzC6XWt7rHY0tFA 提取码：5edi你的应用程序加载你训练的Fashion数据集模型，识别图片0.jpeg结果是：
喵查答案：T-shirt/top
Pullover
Seaker
Coat
5 你的应用程序加载你训练的Fashion数据集模型，识别图片7.jpeg结果是：
喵查答案：Sneaker
Bag
Ankle boot
Sandal
6 你的应用程序加载你训练的Fashion数据集模型，识别图片2.jpeg结果是：
喵查答案：Pullover
Dress
Shirt
T-shirt/top
7 你的应用程序加载你训练的Fashion数据集模型，识别图片1.jpeg结果是：
喵查答案：Trouser
Sandal
Coat
Dress
8 你的应用程序加载你训练的Fashion数据集模型，识别图片4.jpeg结果是：
喵查答案：Coat
Pullover
Shirt
Dress
9 你的应用程序加载你训练的Fashion数据集模型，识别图片9.jpeg结果是：
喵查答案：Ankle boot
Sandal
Shirt
Sneaker
10 你的应用程序加载你训练的Fashion数据集模型，识别图片8.jpeg结果是：
喵查答案：Bag
Coat
Pullover
Dress
【卷积网络考题】
1 你使用Fashion数据集，搭建卷积神经网络训练模型，“测试集”识别准确率数值高于85%
喵查答案：正确
错误
2 你使用Fashion数据集，搭建卷积神经网络训练模型，“测试集”识别准确率数值高于75%
喵查答案：正确
错误
3 你使用Fashion数据集，搭建卷积神经网络训练模型，“测试集”识别准确率数值高于95%
喵查答案：正确
错误
4 你使用Fashion数据集，搭建卷积神经网络训练模型，“测试集”识别准确率数值高于90%
喵查答案：正确
错误
5 你使用Fashion数据集，搭建卷积神经网络训练模型，“测试集”识别准确率数值高于80%
喵查答案：正确
错误
【循环神经网络考题】
1 优化p38_rnn_stock.py代码中神经网络结构（可使用RNN/LSTM/GRU），训练结束后显示的测试集平均绝对误差小于等于40。
喵查答案：正确
错误
2 优化p38_rnn_stock.py代码中神经网络结构（可使用RNN/LSTM/GRU），训练结束后显示的测试集平均绝对误差小于等于10。
喵查答案：正确
错误
3 优化p38_rnn_stock.py代码中神经网络结构（可使用RNN/LSTM/GRU），训练结束后显示的测试集平均绝对误差小于等于55。
喵查答案：正确
错误
4 优化p38_rnn_stock.py代码中神经网络结构（可使用RNN/LSTM/GRU），训练结束后显示的测试集平均绝对误差小于等于25。
喵查答案：正确
错误
5 优化p38_rnn_stock.py代码中神经网络结构（可使用RNN/LSTM/GRU），训练结束后显示的测试集平均绝对误差小于等于70。
喵查答案：正确
错误
/pay