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

早在2009年，深度學(xué)習(xí)還只是一個(gè)新領(lǐng)域。只有少數(shù)人認(rèn)為這是一個(gè)富有成果的研究領(lǐng)域。今天，它被用來開發(fā)被認(rèn)為很難做的應(yīng)用程序。

語音識(shí)別、圖像識(shí)別、數(shù)據(jù)集中的搜索模式、照片中的對(duì)象分類、文字生成、自動(dòng)駕駛等等只是其中的幾個(gè)例子。所以熟悉深度學(xué)習(xí)及其概念很重要。

在這次技能測(cè)試中，我們測(cè)試了我們社區(qū)中深度學(xué)習(xí)的基本概念。共有1070人參加了這次技能測(cè)試。

錯(cuò)過了考試，可以看看這些題，檢查一下自己的技能水平。

總體成績

以下是分?jǐn)?shù)的分布，這將有助于您評(píng)估自己的表現(xiàn):

考慮到上面的符號(hào)，一個(gè)線性方程(y = mx + c)會(huì)屬于神經(jīng)元的范疇嗎？

A.是

B.不

解決方法:(一)

沒有非線性的單個(gè)神經(jīng)元可以被認(rèn)為是線性回歸函數(shù)。

Q3。假設(shè)我們對(duì)單個(gè)神經(jīng)元實(shí)現(xiàn)一個(gè)與函數(shù)。下面是“與”函數(shù)的表格表示:

X1X2X1 AND X2000010100111

我們神經(jīng)元的激活函數(shù)表示為:

權(quán)重和偏差是多少？

(提示:我們的神經(jīng)元為w1、w2和b的哪個(gè)值實(shí)現(xiàn)了與函數(shù)？)

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.這些都不是

解決方法:(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，選項(xiàng)A是正確的

Q4。當(dāng)多個(gè)神經(jīng)元堆疊在一起時(shí)，就形成了一個(gè)網(wǎng)絡(luò)。讓我們舉一個(gè)神經(jīng)網(wǎng)絡(luò)模擬XNOR函數(shù)的例子。

假設(shè)X1為0，X2為1，上述神經(jīng)網(wǎng)絡(luò)的輸出將是什么？

A.0

B.一

解決方法:(一)

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

a2的輸出:f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0

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

所以正確答案是A

Q5。在神經(jīng)網(wǎng)絡(luò)中，知道每個(gè)神經(jīng)元的權(quán)重和偏差是最重要的一步。如果你能以某種方式得到每個(gè)神經(jīng)元的正確權(quán)重和偏差值，你就可以逼近任何函數(shù)。解決這個(gè)問題的最好方法是什么？

A.分配隨機(jī)值，向上帝祈禱它們是正確的

B.搜索權(quán)重和偏差的所有可能組合，直到獲得最佳值

C.迭代檢查賦值后你離最佳值有多遠(yuǎn)，并稍微改變賦值值使它們更好

D.這些都不是

解決方法:(三)

選項(xiàng)C是梯度下降的定義。

Q6。使用梯度下降算法有哪些步驟？

計(jì)算實(shí)際值和預(yù)測(cè)值之間的誤差

不斷重復(fù)，直到找到網(wǎng)絡(luò)的最佳權(quán)重

通過網(wǎng)絡(luò)傳遞輸入，并從輸出層獲取值

初始化隨機(jī)權(quán)重和偏差

找到導(dǎo)致誤差的每個(gè)神經(jīng)元，并更改其各自的值以減少誤差

A.1, 2, 3, 4, 5

B.5, 4, 3, 2, 1

C.3, 2, 1, 5, 4

D.4, 3, 1, 5, 2

解決方案:(D)

選項(xiàng)D是正確的

Q7。假設(shè)您有x、y和z輸入，其值分別為-2、5和-4。你有一個(gè)神經(jīng)元“q”和一個(gè)神經(jīng)元“f”，它們的功能是:

q = x + y

f = q * z

功能的圖形表示如下:

使用兩個(gè)簡單的輸入p和h2

B

C

D:可能是A或B，取決于神經(jīng)網(wǎng)絡(luò)的權(quán)重

解決方案:(D)

如果不知道神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差是什么，我們就不能評(píng)論它會(huì)給出什么輸出。

Q33。假設(shè)在ImageNet數(shù)據(jù)集(對(duì)象識(shí)別數(shù)據(jù)集)上訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。然后給這個(gè)訓(xùn)練好的模型一個(gè)完全白色的圖像作為輸入。這個(gè)輸入的輸出概率對(duì)所有類都是相等的。真假？

A.真正的

B.假的

解決方法:(二)

將會(huì)有一些神經(jīng)元對(duì)于作為輸入的白色像素不被激活。所以階級(jí)不會(huì)平等。

Q34。當(dāng)在卷積神經(jīng)網(wǎng)絡(luò)中加入?yún)R聚層時(shí)，保持了平移方差。真假？

A.真正的

B.假的

解決方法:(一)

當(dāng)您使用池時(shí)，會(huì)導(dǎo)致平移不變性。

Q35。當(dāng)數(shù)據(jù)太大，無法在RAM中同時(shí)處理時(shí)，哪種梯度技術(shù)更有優(yōu)勢(shì)？

A.整批梯度下降

B.隨機(jī)梯度下降

解決方法:(二)

選項(xiàng)B是正確的。

Q36。該圖表示四隱藏層神經(jīng)網(wǎng)絡(luò)的梯度流，該神經(jīng)網(wǎng)絡(luò)在每個(gè)訓(xùn)練周期使用sigmoid激活函數(shù)進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)存在消失梯度問題。

您確定數(shù)據(jù)一定有問題。你繪制數(shù)據(jù)，發(fā)現(xiàn)原始數(shù)據(jù)有些偏差，這可能是問題的原因。

你將如何應(yīng)對(duì)這一挑戰(zhàn)？

A.正?；?/p>

B.應(yīng)用主成分分析，然后歸一化

C.對(duì)數(shù)據(jù)進(jìn)行日志轉(zhuǎn)換

D.這些都不是

解決方法:(二)

首先，你要去除數(shù)據(jù)的相關(guān)性，然后把它置零。

Q41。以下哪一項(xiàng)是神經(jīng)網(wǎng)絡(luò)的決策邊界？

甲)乙

乙)甲

C) D

D) C

所有這些

解決方案:(五)

神經(jīng)網(wǎng)絡(luò)被稱為通用函數(shù)逼近器，因此它可以在理論上表示任何決策邊界。

Q42。在下圖中，我們觀察到誤差有許多“起伏”

我們應(yīng)該擔(dān)心嗎？

A.是的，因?yàn)檫@意味著神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率有問題。

B.不，只要訓(xùn)練和驗(yàn)證誤差都有累積性的降低，我們就不用擔(dān)心。

解決方法:(二)

選項(xiàng)B是正確的。為了減少這些“起伏”，請(qǐng)嘗試增加批次大小。

Q43。選擇神經(jīng)網(wǎng)絡(luò)深度的因素有哪些？

神經(jīng)網(wǎng)絡(luò)類型(如MLP、美國有線電視新聞網(wǎng)等)

輸入數(shù)據(jù)

計(jì)算能力，即硬件能力和軟件能力

學(xué)習(xí)率

要映射的輸出函數(shù)

A.1, 2, 4, 5

B.2, 3, 4, 5

C.1, 3, 4, 5

D.所有這些

解決方案:(D)

以上因素對(duì)神經(jīng)網(wǎng)絡(luò)深度的選擇都很重要

Q44?？紤]一下場(chǎng)景。您試圖解決的問題有少量數(shù)據(jù)。幸運(yùn)的是，你有一個(gè)預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，它是在一個(gè)類似的問題上訓(xùn)練的。您會(huì)選擇以下哪種方法來利用這個(gè)預(yù)先培訓(xùn)好的網(wǎng)絡(luò)？

A.為新數(shù)據(jù)集重新訓(xùn)練模型

B.評(píng)估每一層模型的表現(xiàn)，只選擇其中的幾個(gè)

C.只微調(diào)最后幾層

D.凍結(jié)除最后一層以外的所有層，重新訓(xùn)練最后一層

解決方案:(D)

如果數(shù)據(jù)集非常相似，最好的方法是只訓(xùn)練最后一層，因?yàn)橹暗乃袑佣际亲鳛樘卣魈崛∑鞴ぷ鞯摹?/p>

Q45。卷積核大小的增加必然會(huì)提高卷積網(wǎng)絡(luò)的性能。

A.真正的

B.假的

解決方法:(二)

增加內(nèi)核大小不一定會(huì)提高性能。這在很大程度上取決于數(shù)據(jù)集。

結(jié)束筆記

我希望你喜歡參加考試，你會(huì)發(fā)現(xiàn)解決方案很有幫助。測(cè)試側(cè)重于概念知識(shí)的深度學(xué)習(xí)。

我們?cè)噲D通過這篇文章來澄清所有的疑問，但是如果我們錯(cuò)過了什么，請(qǐng)?jiān)谙旅娴脑u(píng)論中告訴我。如果您有任何建議或改進(jìn)，您認(rèn)為我們應(yīng)該在評(píng)論部分放棄您的反饋，以便在下一次技能測(cè)試中通知我們。