《人工智能深度学习应用开发》题库 试题及答案.docx

《《人工智能深度学习应用开发》题库 试题及答案.docx》由会员分享，可在线阅读，更多相关《《人工智能深度学习应用开发》题库 试题及答案.docx（36页珍藏版）》请在优知文库上搜索。

1、一、填空题1 .深度学习算法是机器学习中的具有深层网络结构的神经网络算法，可以说深度学习是基于（）的机器学习。2 .（）是人工智能的核心技术领域，属于人工智能的一个分支。3 .机器学习是使计算机按照设计和编程的算法运行的科学技术。许多研究人员认为机器学习是取得人类级AI进步的最好方法。机器学习主要包括以下类型的学习模式：（）和（）。4 .有监督学习以训练集作为模型的输入，其中每个样本都有标注信息，我们称标注信息为（）05 .深度学习是机器学习的一个子领域，深度学习的核心技术来自于受人类大脑启发而发明的（）o6 .深度学习相对于机器学习来说，具有一些显著的特点，这些特点如下：（）、（）、（）o7

2、 .深度学习与机器学习的区别，深度学习与机器学习的主要区别体现在以下几个方面：（）、（）、（）、（）、（）和（）o8 .深度学习的主要应用有（）、（）和（）o二、选择题9 .深度学习算法是机器学习中的具有深层网络结构的神经网络算法，可以说深度学习是基于（）的机器学习。A支持向量机B.人工神经网络C.朴素贝叶斯D.人工智能10 .人工智能的核心技术领域是（）：A.深度学习B.人工神经网络C.机器学习D.卷积神经网络11 .深度学习是机器学习的一个子领域，深度学习的核心技术来自于受人类大脑启发而发明的（）oA人工智能B.大数据处理C.人工神经网络D.机器学习12 .下列不属于深度学习的应用有（）o

3、A.计算机视觉B.自然语言处理C.自然语言理解D.强化学习13 .深度学习与机器学习的区别不表现为（）oA.数据量B.解决问题的方法C.执行时间D.用于人工智能14 .下列不属于深度学习框架的是（）。A.PytorchB.tensorflowC.jiebaC.MXnet15 .下列不属于深度学习的主要应用的是（）。A.计算机视觉B.自然语言处理C.强化学习D.文本识别16 .机器学习主要包括以下类型的学习模式：（）和（）（多选）。A.监督学习模式B.无监督学习模式C.自主学习D.被动学习三、判断题17 .机器学习主要监督学习和无监督学习两种模式。（）18 .深度学习算法是机器学习中的具有深层网

4、络结构的神经网络算法，可以说深度学习是基于卷积神经网络的机器学习。（）19 .机器学习是人工智能的核心技术领域，属于人工智能的一个分支。（）20 .目标检测（ObjeetDeteetiOn）,是指通过算法自动检测出图片中目标物体的类别及大致位置，然后用边界框（BOUndingBoX）表示，并标出边界框中物体的类别信息。（）21 .自动驾驶（AUtonomoUSDriVing）被认为是强化学习在短期内能技术落地的一个应用方向。（）22 .人工智能最核心的部分可以理解为类似人的大脑，就是深度学习，深度学习是实现人工智能的核心方法，人工智能的核心就是由各种算法作为支撑的。（）23 .深度学习虽然是一

5、个热门领域，但是已有多年的发展历史，主要有快速发展期和爆发期。（）24 .2006年被称为机器学习元年。（）四、简答题25 .简述深度学习和人工智能概念的关系。26 .主流的深度学习框架有哪些？27 .深度学习的步骤有哪些？28 .深度学习与机器学习的区别有哪些？29 .什么是无监督学习模式？30 .什么是监督学习模式？五、综合操作题。31 .下载并安装anaconda。32 .完成TensorFlow的配置33 .安装所需的Python第三方库，并使用JupyterNotebook导入。一、填空题1.TenSOrFk）W是GOOgIeBrain团队设计的开源（）框架，是基于DiStBelie

6、f而研发的第二代人工智能学习框架。2 .TensorFlow已经被广泛应用于（）、（）等多项深度学习领域，也是目前使用人数最多、影响最大的编程框架。3 .（）是矩阵向任意维度的推广，分为标量、向量、矩阵、多维数组。4 .（）是包含节点（NOde）和边（Edge）的有向无环图，节点用来表示数学运算，边表示节点间的关联性，整个计算图用来描述计算过程。5 .TensorFlow的数学概念主要有（）、（）、（）和（）。6 .TensorFlow的基础数据类型主要有（）、（）和（）。7 .线性回归是回归算法的一种，表达了（）的过程。8 .在全连接层和卷积神经网络层中，偏置张量b就是使用（）来表示。二、选

7、择题9 .张量是矩阵向任意维度的推广，其不包括（）oA.标量B.向量C.多维数组D.字符串10 .（）用于声明一个张量的数据格式，告诉系统这里会有一个这种格式的张量，但是还没有给定具体数值，具体的数值要在正式运行的时候填充。A.缩进符B.占位符C.NAND.字符串11 .下列选项，不属于TenSorFk）W的优点的是（）。A.高度灵活性B.自动微分C.多语言处理D.支持CPU计算三、判断题。12 .标量就是一个简单的数字，维度数为Oo（）13 .数值型数据是TenSorFloW中最常见的数据类型，标量、向量、矩阵、张量等都属于数值型。（）14 .梯度下降算法是神经网络模型训练最常用的优化算法，

8、使用TensorFlow完成机器学习，只需要定义预测模型的计算结构、目标函数，然后添加数据便能完成微分计算。（）15 .TensorFlow不仅仅是一个“神经网络”库，任何可以用数据流图来表示的计算函数，都能够使用TenSOrFIOW框架实现。（）16 .向量是一种常见的数据载体，如在全连接层和卷积神经网络层中，偏置张量就是使用向量来表示。（）17 .TensorFIow通过tf.constant（）函数传入字符串对象即可创建字符串类型的张量。四、简答题18 .简述TenSorFIOW的优点。19 .简述TenSorFk)W的主要功能。五、综合程序设计20 .使用TensorFlow创建一个标

9、量，并输出其值和维度。21 .使用TenSorFk)W创建两个矩阵，然后在计算图中执行两个矩阵相乘，最后输出计算的结果。22 .完成实战案例-TenSorFlOW优化程序。23 .完成实战案例基于TensorFlow框架的线性回归实现。一、填空题1 .Keras提供了一种简洁的方法来创建基于TensorFlow或Theano的深度学习模型，并运用了各种优化技术使神经网络API调用变得轻松高效。KeraS框架具有以下功能特点:（）、（）、（）和（）o2 .Keras提供了（）、（）和（）三种定义模型的API。3 .、KeraS常用的核心模块有（）、（）、（）和（）等。4 .损失函数也称为（）或优

10、化评分函数，诸如均方误差（mean_square（1.errOr,MSE）、平均绝对误差（MeanAbsoluteError,MAE）,泊松（POiSSOn）等损失函数。5 .评估指标用于评估当前训练模型的性能，常见的评估指标有（）、（）和（）等，评估指标也是编译模型时的一个重要参数。6 .Keras提供了许多内置的与神经网络相关的功能模块，用户可以方便地调用模块创建KeraS模型和KeraS层，常用的核心模块有（）、（）和（）等。7 .KeraS模型中的每个层代表神经网络模型中的对应层，KeraS提供了许多预构建层，如（）、（）、（）和（）等。8 .卷积操作分为（）、（）和（）,分别为Con

11、VlD、Conv2DConv3Do9 .Keras框架模型构建流程为（）、（）、（）、（）、（）和（）。10 .导入数据集、优化器、网络层等必要的模块主要有（）、（）、（）、（）、（）和（）o二、选择题11 .下列不属于卷积操作的为：（）oA.一维B.二维C.三维D.四维12 .Keras框架模型流程不包含（A.分词处理B.数据预处理C.建立模型D.编译模型13 .Keras提供了一种简洁的方法来创建基于TensorFlow或TheanO的深度学习模型，并运用了各种优化技术使神经网络API调用变得轻松高效。以下功能为Keras的特点的是:（）oA.模块化B.用户界面不友好C.基于JaVaD.t

12、通用性14 .下列不属于Keras的核心模块的是（）：A.有激活函数B.损失函数C.滤波器D.正则化器15 .损失函数也称为（）或优化评分函数，诸如均方误差（mean_squared_eiror,MSE）平均绝对误差（MeanAbsoluteError,MAE）,泊松（PoiSSon）等损失函数。A.损耗函数B.目标函数C主函数D.评价函数16 .下列选项属于深度学习框架的是（）。（多选）A.TensorflowB.MXnetC.torchD.numpy三、判断题17 .Keras是基于Python语言的开源深度学习框架，由Google的人工智能研究员开发。()18 .深度学习是机器学习框架的

13、主要子领域之一，其主要方法核心是人工神经网络。()19 .Keras是专门为用户而设计的API。()20 .Keras提供了序列式(SeqUentia1)、函数式(FUnCtiOnal)和子类(SUbelaSSing)三种定义模型的API。()21 .Keras常用的核心模块有激活函数、损失函数、优化器和正则化器等。()22 .评估指标用于评估当前训练模型的性能，常见的评估指标有准确率(ACCUracy)、精确度(PreCiSiOn)和召回率(ReCall)等。()23 .优化器，即神经网络优化算法，或梯度下降算法。常见的优化器模块有Adam、SGD等。()24 .Keras模型中的每个层代表

14、神经网络模型中的对应层，Keras提供了许多预构建层，如输入层、隐藏层、输出层、卷积层、池化层等，因此提高了构建复杂神经网络模型的效率。()四、简答题25 .简述KeraS的特点。26 .Keras的核心模块有哪些。27 .Keras提供的网络层有哪些。28 .简述Keras的创建模型的流程。29 .简述什么是Keraso五、综合程序设计30 .采用KeraS矿建实现多层感知器实现手写数字识别。31 .完成实战-KeraS实现花朵图像分类。32 .了解keras框架的基础，使用keras框架完成自己感兴趣的一个项目案例。一、填空题1 .（）是深度学习的开端，卷积神经网络（CNN）、循环神经网络

15、（RNN）、长短时记忆网络（1.STM）等各种神经网络都是基于全连接神经网络而提出的，最基础的原理都是由反向传播而来。2 .人类大脑由（）、神经胶质细胞、神经干细胞和血管组成。3 .人工神经元模型是受（）的启发，是对生物神经元模型抽象、简化而形成的一种数学计算结构，是人工神经网络中的基本处理单元。4 .感知器包括（）和（）o5 .（）是深度学习的开端，全连接神经网络是最基本的神经网络，网络参数多，计算量大，全连接即为除输入层之外的每个神经元都和上一层所有的神经元有连接。6 .常见的激活函数主要有（）、Re1.U1.eakyRe1.UTanh（）。7 .卷积神经网络（ConVOIUtionNerUaINetWOrk）是一种（）,简称CNN,擅长大型图像处理。8 .卷积神经网络本质为一个多层的（）,与全连接神经网络不同的是，卷积神经网络采用了局部连接和权值共享的方式，