2023-2024-1 期中理论测试¶
2023年12月5日 13:00-14:30 回忆版
选择¶
20个，每个3分
-
summer vision几几年？ 1960
-
计算机视觉任务 哪一个不是？ 图像描述
-
神经网络优势？ 健壮性强
-
KNN 劣势 不包括？ 训练时间长
-
relu的缺点不包括？ 正区间饱和
-
tanh的缺点？ x趋向正负无穷会饱和
-
梯度回传的几个门 ppt上面有 relu max ＋
-
VGG的特点？ 比Alex更小卷积核
-
哪一个在不同维度上的学习率不同？ RMSProp
-
随机梯度下降和梯度下降的区别？梯度下降需要遍历所有样本
-
batchnorm下面哪一个不对？ 正面右边最后一题 B fc层需要N个均值 N个方差 N是batchsize
-
哪一个 不能提高模型健壮性？ 学习率衰减
-
Softmax的计算公式 考点在于分母的求和需不需要包括正确分类
-
最后一题 关于RNN 选truncated可以缓解梯度消失和梯度爆炸
-
A 必须多个输入 多个输出
- B RNN的层数是时刻数
-
C 梯度裁剪 可以缓解梯度消失和梯度爆炸
-
倒数第二题 RNN 不太记得了 与RNN有关 和iofg有关 选错误的 我记得是o的解释不对 cell vector
- CPU GPU TPU区别 ？选GPU 核心比较多 适合并行
- 关于静态图和动态图的错误的一项是？动态图效率高
- 权重初始化为全0 SVM softmax？C-1 logC
- 哪一个F和stride 不会改变输入图像尺寸？ F=3 stride=1
- 【因为太过简单没有回忆出来】
简答¶
-
NN算法测试集准确率低 为什么？如何调整？
-
SVM损失函数计算
-
Y = X @ W R = ReLU(Y) 两个前向传播
然后计算反向传播 L对R偏导全为1 要求L对Y 偏导 L对X偏导 L对W偏导
-
常规计算题 给输出 计算参数
-
momentum SGD+Nes 迭代公式 香草RNN 和LSTM公式