《人工智能深度学习应用开发》题库答案.docx

1.人工神经网络2. 机器学习3. 监督学习模式无监督学习模式4. 真实值(groundtruth5. 人工神经网络6. 数据量大计算力提升网络规模大7. 数据量硬件依赖特征工程解决问题的方法执行时间可解释性8. 计算机视觉自然语言处理强化学习9. B10. C11. C12. C13. D14. C15. D16. AB17. 18. ×19. 20. 21. 22. 23. 24. 25. 人工智能最核心的部分可以理解为类似人的大脑，就是机器学习，机器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。神经网络简单来说就是机器学习众多算法中的一类，其原理就是模仿人脑的思维逻辑。26. TheanOxSCikit-Ieam、Caffe、Torch>MXNetPyTorCh、KerasTensorFlow027. 深度学习中的每种算法都具有相似的学习过程，深度学习过程的步骤如下：(1)选择相关数据集并准备进行分析；(2)选择要使用的算法，基于算法构建分析模型；(3)在训练数据集上训练模型，并根据需要对模型进行修改；(4)对训练得到的模型进行测试。28. 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：数据量机器学习可以处理大量数据也可以处理少量数据，随着数据量的增加，机器学习的处理效果没有明显变化。而深度学习的特点在于，在一定范围内，随着数据量的增加，深度学习的处理效果是上升的。(2)硬件依赖与传统的机器学习算法不同，深度学习算法需要执行大量的矩阵乘法运算，因此深度学习需要计算机的计算能力做支撑。(3)特征工程深度学习避免了开发每个新问题的特征工程的问题。数据和特征决定了机器学习的上限，算法和模型不过是逼近这个上限。深度学习不用像传统机器学习那样人为的合成高级复杂特征，深度学习只需利用经过先验知识处理的一阶特征，就可以学习到相关的高级复杂特征。(4)解决问题的方法传统的机器学习遵循标准程序，将问题分解成多个部分，先解决每个问题，然后将他们组合起来以获得最终的结果。而深度学习侧重于端到端的解决问题。执行时间深度学习因数据量的庞大和模型参数的众多，一般需要大量的时间进行训练，机器学习所需要的执行时间则相对较短。(6)可解释性可解释性是比较机器学习和深度学习算法的主要因素。机器学习算法为我们提供了清晰的规则和可解释的算法推理过程，因此像决策树、逻辑回归等机器学习算法主要用于工业中需要可解释性的场景中。深度学习算法主要是通过仿生的神经网络做算法推理。29. 无监督学习中，训练样本未按其所属的类别进行标记。无监督学习模型是识别无标签数据结构的模型。该模型通过寻找具有共同特征的数据，并根据数据内部知识特征对其进行分类，这种学习算法适用于聚类问题。30. 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，我们称标注信息为真实值(groundtruth)o模型的输出值与真实值之间的差值用损失函数(IoSS)来衡量，采用最小损失函数执行训练过程。训练完成后，使用验证集或测试集测量模型的准确性。31. 略32. 略33. 略1 .深度学习2 .图像识别自然语言处理3 .张量4 .计算图(COmPUtatiOnGraph)5 .标量向量矩阵张量6 .数值型字符串型布尔型7 .监督学习8 .向量9 .D10 .B11 .D12 .13 .14 .15 .16 .17 .18 .TensorFlow框架具有许多优点，如高度灵活性、真正的可移植性、连接研究与产品、自动微分、多语言选择以及最大化性能六大特性。19 .TensorFlow的主要功能有以下几个方面：以张量的多维数组轻松定义、优化和计算数学表达式；(2)支持深度神经网络和机器学习技术的编程；(3)具有多种数据集、网络模型等高度可扩展的计算模块；(4)允许模型部署到工业生产的应用中；(5)支持GPU计算，实现了自动化管理。提供了对初学者友好的高级APIKeraS接口。20 .例：importtensorflowastfa=tf.constant(5)print（八）print('a是维Tensor*.format(a.ndim)21 .例：pat.v1astfpat.v1.disable_eager_execution()matrix1=tf.constant(3,3,1,2,2,2,1,1,1)matrix2=tf.constant(2,3,4)product=tf.matmul(matrixl,matrix2)print(product)withtf.Session()assess:result=sess.run(product)print(result)22 .答案详见2.6节。23 .答案详见2.7节。单元31 .用户友好模块化易扩展性基于PythOn实现2 .序列式(SeqUential)函数式(FUnCtional)子类(SUbCIaSSing)3 .激活函数损失函数优化器正则化器4 .目标函数5 .有准确率(ACCUraCy)精确度(PreCiSion)召回率(ReCan)6 .有激活函数损失函数优化器正则化器7 .输入层隐藏层输出层卷积层池化层8 .一维二维三维9 .数据预处理建立模型编译模型训练模型评估模型模型预测10.importkerasfromkeras.datasetsimportmnistfromkeras.modelsimportSequentialfromkeras.layersimportDense,Dropoutfromkeras.optimizersimportRMSpropimportnumpyasnp11. D12. A13. A14. C15. B16. ABC17. 18. 19. 20. 21. 22. 23. 24. 25.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APl调用变得轻松高效。KeraS框架具有以下功能特点：(1)用户友好，Keras是专门为用户而设计的API；(2)模块化网络模型是由一系列独立的、完全可配置的模块组成的序列；(3)易扩展性使用keras创建的模型，可以增加或删除模块，以提升模型的性能,新的模块是很容易添加的;(4)基于Python实现KeraS没有特定格式的单独配置文件，模块是用PyIhon代码来定义的，这些代码紧凑，易于调试，并且易于扩展。26.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，常用的核心模块有激活函数、损失函数、优化器和正则化器等。27.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。28.深度学习框架Keras是像搭积木般构建神经网络模型，主要分为6个部分，每个部分只需调用kerasAPI函数就能实现。使用keras框架建模流程通常包括：（1）数据预处理：获取并预处理训练数据；（2）建立模型：定义由网络层组成的网络或模型，将输入数据映射成目标；（3）编译模型：配置训练过程参数，包括损失函数、优化器、模型评估指标；（4）训练模型：调用函数在训练数据上进行迭代，更新模型权重；（5）评估模型：使用测试集或验证数据集，评估模型的性能是否达到要求；（6）模型预测：使用训练好的模型预测新的数据。29.Keras是功能强大且易于使用的深度学习框架之一，它建立在TensorFlow等流行的深度学习框架的基础上，旨在快速定义深度学习模型，使创建深度学习模型更为简单。30. 详见3.5.31. 详见3.6.32. 略。1. 神经网络(NeUraINetwork)2. 神经元3. 生物神经元模型4. 输入层输出层5. 全连接神经网络6. Sigmoid函数Solftmax7. 前馈神经网络8. 感知机9. C10. C11. C12. C13. A14. AC15. A16. D17. 18. 19. 20. 21. ×22. 23. 24. 25.随着神经科学和认知科学的不断进步，科学家们对人类大脑的神经系统的认知更为清晰，早期的神经科学家构造了一种模仿人脑神经系统的数学模型，称为人工神经网络(ArtiflCialNeuralNetwork,ANN),简称神经网络。在机器学习领域，神经网络是指由很多人工神经元构成的网络结构模型。26.神经网络的神经元中，输入数据通过加权求和后，还被作用了一个函数，这个函数就是激活函数。激活函数有以下特点：1.非线性；2可微性；3.单调性；4.输出与输入值相差不大；5.输出值范围不大。27.Sigmoid函数也叫1.ogistic函数，定义为:l/(l+e"),优点：它的一个优良特性就是能够把的输入"压缩”到0,l区间，这个区间的数值在机器学习常用来表示以下意义：概率分布，0,1区间的输出和概率的分布范围契合，可以通过Sigmoid函数将输出转译为概率输出信号强度，一般可以将01理解为某种信号的强度，如像素的颜色强度，1代表当前通道颜色最强，0代表当前通道无颜色；抑或代表门控值(Gate)的强度，1代表当前门控全部开放，0代表门控关闭Sigmoid函数，连续可导，相对于阶跃函数，可以直接利用梯度下降算法优化网络参数，应用的非常广泛。28.卷积(COnVOkItion),也叫褶积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积。29.1.eNet-5共有7层，包括2个卷积层、2个池化层、3个全连接层。过程详见4.730. 1.eNet-5是最早提出的卷积神经网络，该网络是由Yann1.eCun基于1988年以来的工作提出。1.eNet-5的主要贡献：1.在神经网络中引入卷积层；2.引入下采样；3.卷积+池化(下采样)+非线性激活的组合是CNN的典型特征；4.使用MP1.作为分类器。31.model=Sequential()model.add(Conv2D(filters=6,kemel_size=(5,5),padding='valid,input_shape=(1,28,28),activation='tanh')model.add(MaxPool2D(pool_size=(2,2)model.add(Conv2D(filters=16,kemel_size=(5,5),padding-valid1,activation='tanh')model.add(MaxPool2D(pool_size=(2,2)#池化后变成16个4x4的矩阵，然后把矩阵压平变成一维的，一共256个单元。model.add(Flatten()#下面是全连接层model.add(Dense(120,activation='tanh,)model.add(Dens