- 梯度下降法的正确步骤是什么？
a.计算预测值和真实值之间的误差
b.重复迭代，直至得到网络权重的最佳值
c.把输入传入网络，得到输出值
d.用随机值初始化权重和偏差
e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差
A.abcde B.edcba C.cbaed D.dcaeb - 什么情况下神经网络模型被称为深度学习模型？
A.加入更多层，使神经网络的深度增加 B.有维度更高的数据
C.当这是一个图形识别的问题时 D.以上都不正确 - 下面哪项操作能实现跟神经网络中Dropout的类似效果？
A.Boosting B.Bagging C.Stacking D.Mapping - 下列哪一项在神经网络中引入了非线性？
A.随机梯度下降 B.修正线性单元（ReLU） C.卷积函数 D.以上都不正确 - 深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵 A, B, C 的乘积ABC,假设三个矩阵的尺寸分别为m∗n，n∗p，p∗q，且m < n < p < q，以下计算顺序效率最高的是（）
A、(AB)C B、 AC(B) C、 A(BC) D、 所有效率都相同
- 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为
A、 95 B、 96 C、 97 D、 98
- 神经网络模型（Neural Network）因受人类大脑的启发而得名,神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入，对输入进行处理后给出一个输出。请问下列关于神经元的描述中，哪一项是正确的？
A、 每个神经元可以有一个输入和一个输出
B、 每个神经元可以有多个输入和一个输出
C、 每个神经元可以有一个输入和多个输出
D、 每个神经元可以有多个输入和多个输出 - 如果我们用了一个过大的学习速率会发生什么？
A、神经网络会收敛 B、不好说 C、都不对 D、神经网络不会收敛 - 在一个神经网络中，下面哪种方法可以用来处理过拟合？
A、Dropout B、分批归一化 C、正则化(regularization) D、都可以 - 批规范化(Batch Normalization)的好处（）
A、让每一层的输入的范围都大致固定 B、它将权重的归一化平均值和标准差
C、它是一种非常有效的反向传播(BP)方法 D、这些均不是 - 下列哪个神经网络结构会发生权重共享？
A、卷积神经网络 B、循环神经网络C、全连接神经网络 D、选项A和B - 下列哪个函数不可以做激活函数？
A、y = tanh(x) B、y = sin(x) C、y = max(x,0) D、y = 2x
