深度学习测试题（1）答案和解析

标签：start   梯度下降法   vol   回顾   介绍   abd   epo   out   code   

1.损失函数的定义预测值与真实值之间的差距。选A。

2. 题中给出的是一个sigmoid函数极限的是在（0,1），这里问的是它的导数S‘(x)=S(x)(1-S(x))，所以应该是0。选B。

3. 根据复合函数求二阶导数，容易得出答案1/4。选A。

4. 首先被计算的是激活函数的梯度，选C。

5. 我们回顾下之前介绍的VGG网络结构，VGG中根据卷积核大小和数目的不同，可以分为A、A-LRN、B、C、D、E共6种配置，其中VGG16和VGG19比较常用。
   如下图所示
   

我们针对VGG16进行具体分析发现，VGG16共包含：
13个卷积层（Convolutional Layer），分别用conv3-XXX表示
3个全连接层（Fully connected Layer）,分别用FC-XXXX表示
5个池化层（Pool layer）,分别用maxpool表示
其中，卷积层和全连接层具有权重系数，因此也被称为权重层，总数目为13+3=16，这即是
VGG16中16的来源。(池化层不涉及权重，因此不属于权重层，不被计数)。
所以这里的16层指的是需要参与训练的层数。选C。

6.这题考察的是大家对keras搭建卷积神经网络的掌握能力。根据题意应选A。
举例 keras搭建VGG16网络部分展示

7.此题与上题类似，参考上图，选A。

8.选D。这图考察梯度消失的概念，dropout是防止过拟合的。

二、不定项选择题

1. 选ABD。
   补充：深度信念网络（DBN）通过采用逐层训练的方式，解决了深层次神经网络的优化问题，通过逐层训练为整个网络赋予了较好的初始权值，使得网络只要经过微调就可以达到最优解。

2. 选ABD。

3. 选AB。超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。
   一般可以将超参数分为两类：

优化器超参数：包括学习率、minn_batch大小、迭代的epoch次数；

模型超参数：包括网络层数和隐藏层单元数。

4. 选BD。
   梯度是一个向量，目标函数在具体某点沿着梯度的相反方向下降最快，一个形象的比喻是想象你下山的时候，只能走一步下山最快的方向即是梯度的相反方向，每走一步就相当于梯度下降法的一次迭代更新。

5. 选AB。常用的就是最大池化层和平均池化层。

6. 选A。Dropout的做法是在训练过程中按一定的比例随机忽略或屏蔽一些神经元。

7. 选C。D错在每一个节点。
   
   
   往期精彩回顾

深度学习测试题（1）答案和解析

标签：start   梯度下降法   vol   回顾   介绍   abd   epo   out   code   

原文地址：https://blog.51cto.com/14993422/2548644