测试45 45测试深度学习基础知识的问题（以及解决方案）

原文:https://www . analyticsvidhya . com/blog/2017/01/must-know-questions-deep-learning/introduction

早在2009年，深度学习还只是一个新领域。只有少数人认为这是一个富有成果的研究领域。今天，它被用来开发被认为很难做的应用程序。

语音识别、图像识别、数据集中的搜索模式、照片中的对象分类、文字生成、自动驾驶等等只是其中的几个例子。所以熟悉深度学习及其概念很重要。

在这次技能测试中，我们测试了我们社区中深度学习的基本概念。共有1070人参加了这次技能测试。

错过了考试，可以看看这些题，检查一下自己的技能水平。

总体成绩

以下是分数的分布，这将有助于您评估自己的表现:

考虑到上面的符号，一个线性方程(y = mx + c)会属于神经元的范畴吗？

A.是

B.不

解决方法:(一)

没有非线性的单个神经元可以被认为是线性回归函数。

Q3。假设我们对单个神经元实现一个与函数。下面是“与”函数的表格表示:

X1X2X1 AND X2000010100111

我们神经元的激活函数表示为:

权重和偏差是多少？

(提示:我们的神经元为w1、w2和b的哪个值实现了与函数？)

A.偏差= -1.5，w1 = 1，w2 = 1

B.偏差= 1.5，w1 = 2，w2 = 2

C.偏置= 1，w1 = 1.5，w2 = 1.5

D.这些都不是

解决方法:(一)

A.

f(-1.5*1 + 1*0 + 1*0) = f(-1.5) = 0

f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0

f(-1.5*1 + 1*1 + 1*0) = f(-0.5) = 0

f(-1.5*1 + 1*1+ 1*1) = f(0.5) = 1

因此，选项A是正确的

Q4。当多个神经元堆叠在一起时，就形成了一个网络。让我们举一个神经网络模拟XNOR函数的例子。

假设X1为0，X2为1，上述神经网络的输出将是什么？

A.0

B.一

解决方法:(一)

a1输出:f(0.5*1 + -1*0 + -1*1) = f(-0.5) = 0

a2的输出:f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0

a3输出:f(-0.5*1 + 1*0 + 1*0) = f(-0.5) = 0

所以正确答案是A

Q5。在神经网络中，知道每个神经元的权重和偏差是最重要的一步。如果你能以某种方式得到每个神经元的正确权重和偏差值，你就可以逼近任何函数。解决这个问题的最好方法是什么？

A.分配随机值，向上帝祈祷它们是正确的

B.搜索权重和偏差的所有可能组合，直到获得最佳值

C.迭代检查赋值后你离最佳值有多远，并稍微改变赋值值使它们更好

D.这些都不是

解决方法:(三)

选项C是梯度下降的定义。

Q6。使用梯度下降算法有哪些步骤？

计算实际值和预测值之间的误差

不断重复，直到找到网络的最佳权重

通过网络传递输入，并从输出层获取值

初始化随机权重和偏差

找到导致误差的每个神经元，并更改其各自的值以减少误差

A.1, 2, 3, 4, 5

B.5, 4, 3, 2, 1

C.3, 2, 1, 5, 4

D.4, 3, 1, 5, 2

解决方案:(D)

选项D是正确的

Q7。假设您有x、y和z输入，其值分别为-2、5和-4。你有一个神经元“q”和一个神经元“f”，它们的功能是:

q = x + y

f = q * z

功能的图形表示如下:

使用两个简单的输入p和h2

B

C

D:可能是A或B，取决于神经网络的权重

解决方案:(D)

如果不知道神经网络的权重和偏差是什么，我们就不能评论它会给出什么输出。

Q33。假设在ImageNet数据集(对象识别数据集)上训练一个卷积神经网络。然后给这个训练好的模型一个完全白色的图像作为输入。这个输入的输出概率对所有类都是相等的。真假？

A.真正的

B.假的

解决方法:(二)

将会有一些神经元对于作为输入的白色像素不被激活。所以阶级不会平等。

Q34。当在卷积神经网络中加入汇聚层时，保持了平移方差。真假？

A.真正的

B.假的

解决方法:(一)

当您使用池时，会导致平移不变性。

Q35。当数据太大，无法在RAM中同时处理时，哪种梯度技术更有优势？

A.整批梯度下降

B.随机梯度下降

解决方法:(二)

选项B是正确的。

Q36。该图表示四隐藏层神经网络的梯度流，该神经网络在每个训练周期使用sigmoid激活函数进行训练。神经网络存在消失梯度问题。

您确定数据一定有问题。你绘制数据，发现原始数据有些偏差，这可能是问题的原因。

你将如何应对这一挑战？

A.正常化

B.应用主成分分析，然后归一化

C.对数据进行日志转换

D.这些都不是

解决方法:(二)

首先，你要去除数据的相关性，然后把它置零。

Q41。以下哪一项是神经网络的决策边界？

甲)乙

乙)甲

C) D

D) C

所有这些

解决方案:(五)

神经网络被称为通用函数逼近器，因此它可以在理论上表示任何决策边界。

Q42。在下图中，我们观察到误差有许多“起伏”

我们应该担心吗？

A.是的，因为这意味着神经网络的学习率有问题。

B.不，只要训练和验证误差都有累积性的降低，我们就不用担心。

解决方法:(二)

选项B是正确的。为了减少这些“起伏”，请尝试增加批次大小。

Q43。选择神经网络深度的因素有哪些？

神经网络类型(如MLP、美国有线电视新闻网等)

输入数据

计算能力，即硬件能力和软件能力

学习率

要映射的输出函数

A.1, 2, 4, 5

B.2, 3, 4, 5

C.1, 3, 4, 5

D.所有这些

解决方案:(D)

以上因素对神经网络深度的选择都很重要

Q44。考虑一下场景。您试图解决的问题有少量数据。幸运的是，你有一个预先训练的神经网络，它是在一个类似的问题上训练的。您会选择以下哪种方法来利用这个预先培训好的网络？

A.为新数据集重新训练模型

B.评估每一层模型的表现，只选择其中的几个

C.只微调最后几层

D.冻结除最后一层以外的所有层，重新训练最后一层

解决方案:(D)

如果数据集非常相似，最好的方法是只训练最后一层，因为之前的所有层都是作为特征提取器工作的。

Q45。卷积核大小的增加必然会提高卷积网络的性能。

A.真正的

B.假的

解决方法:(二)

增加内核大小不一定会提高性能。这在很大程度上取决于数据集。

结束笔记

我希望你喜欢参加考试，你会发现解决方案很有帮助。测试侧重于概念知识的深度学习。

我们试图通过这篇文章来澄清所有的疑问，但是如果我们错过了什么，请在下面的评论中告诉我。如果您有任何建议或改进，您认为我们应该在评论部分放弃您的反馈，以便在下一次技能测试中通知我们。