tf测试题

62 阅读 0 评论 41 点赞

我是靠谱客的博主自然曲奇，最近开发中收集的这篇文章主要介绍tf测试题，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

一、选择题
1、已知：大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。每一个神经元都有输入、处理函数和输出。神经元组合起来形成了网络，可以拟合任何函数。为了得到最佳的神经网络，我们用梯度下降方法不断更新模型给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？A.加入更多层，使神经网络的深度增加B.有维度更高的数据C.当这是一个图形识别的问题时D.以上都不正确答案：A
2、训练CNN时，可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。这么说是对，还是不对？A.对 B.不对答案：A
3、下列哪一项在神经网络中引入了非线性？A.随机梯度下降B.修正线性单元（ReLU）C.卷积函数D.以上都不正确答案：B
4、在一个神经网络中，知道每一个神经元的权重和偏差是最重要的一步。如果知道了神经元准确的权重和偏差，便可以近似任何函数，但怎么获知每个神经的权重和偏移呢？A. 搜索每个可能的权重和偏差组合，直到得到最佳值B.赋予一个初始值，然后检查跟最佳值的差值，不断迭代调整权重C. 随机赋值，听天由命D. 以上都不正确的正确答案是：B
5、输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为A. 95B. 96C. 97D. 98答案： C
6、当在卷积神经网络中加入池化层(pooling layer)时，变换的不变性会被保留，是吗？A. 不知道B.看情况C. 是D. 否正确答案是：C
7、在选择神经网络的深度时，下面哪些参数需要考虑？(1) 神经网络的类型(如MLP,CNN)(2) 输入数据(3) 计算能力(硬件和软件能力决定)(4) 学习速率(5) 映射的输出函数A. (1),(2),(4),(5)B. (2),(3),(4),(5)C. 都需要考虑D. (1),(3),(4),(5)正确答案是：C
8、考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个类似问题已经预先训练好的神经网络。可以用下面哪种方法来利用这个预先训练好的网络？A. 把除了最后一层外所有的层都冻结，重新训练最后一层B. 对新数据重新训练整个模型C. 只对最后几层进行调参(fine tune)D. 对每一层模型进行评估，选择其中的少数来用正确答案是：C
9、增加卷积核的大小对于改进卷积神经网络的效果是必要的吗？A. 是B.否正确答案是：B
10、假设我们已经在ImageNet数据集(物体识别)上训练好了一个卷积神经网络。然后给这张卷积神经网络输入一张全白的图片。对于这个输入的输出结果为任何种类的物体的可能性都是一样的，对吗？A. 对的B. 不知道C. 看情况D. 不对正确答案是：D
11、对于一个分类任务，如果开始时神经网络的权重不是随机赋值的，而是都设成0，下面哪个叙述是正确的？A. 其他选项都不对B. 没啥问题，神经网络会正常开始训练C. 神经网络可以训练，但是所有的神经元最后都会变成识别同样的东西D. 神经网络不会开始训练，因为没有梯度改变正确答案是：C
12、对于一个图像识别问题(在一张照片里找出一只猫)，下面哪种神经网络可以更好地解决这个问题？A. 循环神经网络B. 感知机C. 多层感知机D. 卷积神经网络正确答案是：D
13、对于神经网络的说法, 下面正确的是 : (1) 增加神经网络层数, 可能会增加测试数据集的分类错误率(2) 减少神经网络层数, 总是能减小测试数据集的分类错误率(3) 增加神经网络层数, 总是能减小训练数据集的分类错误率A. (1)B. (1) 和 (3)C. (1 )和 (2)D. (2)正确答案是：A
14、深度学习与机器学习算法之间的区别在于，后者过程中无需进行特征提取工作，也就是说，我们建议在进行深度学习过程之前要首先完成特征提取的工作。这种说法是：A. 正确的B. 错误的正确答案是： B
15、下列哪一项属于特征学习算法（representation learning algorithm）？A .K近邻算法B .随机森林C.神经网络D.都不属于正确答案是：C
16、假设你有5个大小为7x7、边界值为0的卷积核，同时卷积神经网络第一层的深度为1。此时如果你向这一层传入一个维度为224x224x3的数据，那么神经网络下一层所接收到的数据维度是多少？A. 218x218x5B. 217x217x8C. 217x217x3D. 220x220x5正确答案是：A
17、假设有一个如下定义的神经网络：如果我们去掉ReLU层，这个神经网络仍能够处理非线性函数，这种说法是：A. 正确的B. 错误的正确答案是： B
18、深度学习可以用在下列哪些NLP任务中？A. 情感分析B. 问答系统C. 机器翻译D. 所有选项正确答案是：D
19、给定一个长度为n的不完整单词序列，我们希望预测下一个字母是什么。比如输入是“predictio”(9个字母组成)，希望预测第十个字母是什么。下面哪种神经网络结构适用于解决这个工作？A. 循环神经网络B. 全连接神经网络C. 受限波尔兹曼机D. 卷积神经网络正确答案是：A
20、梯度爆炸问题是指在训练深度神经网络的时候，梯度变得过大而损失函数变为无穷。在RNN中，下面哪种方法可以较好地处理梯度爆炸问题？A. 用改良的网络结构比如LSTM和GRUsB. 梯度裁剪C. DropoutD. 所有方法都不行正确答案是： B
21、下面哪种方法没办法直接应用于自然语言处理的任务？A. 去语法模型B. 循环神经网络C. 卷积神经网络D. 主成分分析(PCA)正确答案是：D
22、在下列哪些应用中，我们可以使用深度学习来解决问题？A. 蛋白质结构预测B. 化学反应的预测C. 外来粒子的检测D. 所有这些正确答案是：D
23、在CNN中使用1×1卷积时，下列哪一项是正确的？A. 它可以帮助降低维数B. 可以用于特征池C. 由于小的内核大小，它会减少过拟合D. 所有上述正确答案是：D
24、利用机器视觉可以解决的问题为（）A．图片识别B．目标检测C．视频理解D．以上都是答案：D
25、强化学习方法用于的应用是（）A.虚拟游戏B.机器人C．自动驾驶D．全部答案： D
26、TensorFlow 2的特点有（）A. 不支持动态图优先模式B. 在计算时可以同时获得计算图与数值结果，不可以代码中调试实时打印数据C. 搭建网络也像搭积木一样，层层堆叠，非常符合软件开发思维。D．以上全部答案：B
27、在 TensorFlow 中间，为了表达方便，一般把（）称为张量。A．标量B．矢量C．矩阵D．以上全部答案：D
28、tf.Variable 类型在普通的张量类型基础上添加了 name，（）属性来支持计算图的构建。A．dataB．trainableC．scopeD．全部答案：B
29、通过 ( )可创建任意形状全 0张量.A. tf.zeros()B. tf.ones()C.tf.zeros_like()D.tf.ones_like()答案：B
30、在a = tf.ones([2,3])这句之后，执行tf.zeros_like(a)的功能是（）A.建立一个二行三列的全零张量B．建立一个全零张量C．建立一个全一张量D．建立一个二行三列的全一张量答案：A
31、tf.random.normal(shape, mean=0.0, stddev=1.0)可以创建形状为（），均值为（），标准差为（）的正态分布。A．mean shape stddevB．stddev mean shapeC．shape mean stddevD．以上都不对答案：C
32、创建采样自区间[0,1]，shape为[2,2]的矩阵的语句为（）A．tf.random.uniform（2，2）B．tf.random.uniform([2,2])C．tf.random([2,2])D.tf.random.uniform([2])答案：B
33、标量是（）。A. 就是一个简单的数字B. 维度数为 0C. shape 为 []D. 以上都是答案：D
34、经过 tf.keras.losses.mse(或 tf.keras.losses.MSE)返回每个样本上的( )值A. 误差B．属性C．数量D．以上都不对答案：A
35、通过????????????????????:????????????:????????????????切片方式可以方便地提取一段数据，其中（）为开始读取位置的索引，（）为结束读取位置的索引(不包含（）位)，（）为读取步长。A. end start start ????????????????B.start end step endC. ???????????????????? ???????????? end ????????????????D. 以上都不对答案：C
36. x[0,::]表示（）A. 读取所有图片B. 读取第 1 张图片的所有行C．读取第2张图片的所有行D．以上都不对答案：B
37. 表示取所有图片，隔行采样，隔列采样，所有通道信息的语句是（）A.x[1:,0:28:2,0:28:2,:]B. x[:,:,0:28:2,0:28:2]C. x[:,0:28:1,0:281,:]D. x[:,0:28:2,0:28:2,:]答案：D
38. 38. 通过（）可在指定的 axis 轴前可以插入一个新的维度。A．tf.expand_dims(x, axis)B．tf.squeeze(x, axis)C．tf.transpose(x, perm)D．以上都不对答案：A
39. 39.轻量级的复制操作是（）A．tileB．BroadcastingC．copyD. 以上都不对答案：B
40. 整除和余除也是常见的运算之一，分别通过（）和（）运算符实现。A．/ %B．% //C.// %D.// /答案：C
41. 能完成tensorflow乘方操作的方式有（）A．tf.pow(x, a)B. 通过运算符**实现???? ∗∗ ????C. 通过循环写程序实现D. 以上都正确答案:D
42. 在 TensorFlow 中，可以通过 tf.concat(tensors, axis),其中tensors 保存了( )，axis 指定( )A. 所有需要合并的张量List 需要合并的维度B. 需要合并的维度所有需要合并的张量ListC. 需要合并的维度需要合并的维度D．需要合并的张量需要合并的张量答案：A
43. 43. 卷积神经网络VGG16名称中16指的是（） A.论文发表于2016年 B.网络总共有16层 C.网络有16层的参数需要训练 D.VGG发表的第16代网络答案：B
44. 44. Keras中想要在模型中加入尺寸为2*2的最大池化层，相应的Python语句是（）A. model.add(MaxPool2D[2])B.model.add(AvgPool2D(2))C.model.add(AvgPool2D[2])D.model.add(MaxPool2D(2))答案：D
45. 45. 在神经网络中，“梯度消失”问题的主要来源是（）A.被Dropout丢弃B.被Pooling丢弃C.梯度为负数D.梯度趋近于零答案：C
二、多项选择：
1、神经网络中参数极多，常用的初始化方法有哪些？（）A.全零初始化 B.随机初始化 C.加载预训练模型 D.使用深度信念网络答案：ABC
2、人工智能网络的常用激活函数有（）A.sigmond B.tanh C.sinh D.relu E.cos答案：ABCDE
3.对于神经网络，以下哪些是超参数？( ) A.神经网络的层数（number of layers） B.神经网络的学习率（learning rate） C.神经网络的权重（weights） D.神经网络的偏置（bias）答案：AB
4.以关于梯度下降法叙述正确的有？( ) A. 精度下降方法迭代时将沿着梯度方向进行更新 B.梯度下降方法迭代时将沿着负梯度方向进行更新 C.梯度方向是使得函数值下降最快的方向 D.梯度方向是使得函数值上升降最快的方向答案：BD
5.常用的池化层有哪些？( )A.MaxPooling B.AveragePooling C.MinPooling D.MedianPooling答案：AB
6.Keras中想要引入Dropout，每次只让四分之三的神经元参与训练，相应的Python语句是（）A.model.add(Dropout(0.25))B.model.add(Dropout(0.75))C.model.add(Dropout(0.5))D.model.add(Dropout(0.333))答案：A
7.相对于普通的神经网络，循环神经网络（RNN）的“循环”主要体现在（）A.训练过程中的反向传播次数更多B.训练经过一定轮次之后将参数归零C.深层节点的输出会反过来影响浅层节点D.每个节点自循环答案：CD
三判断
1、本质上深度学习和神经网络所指代的不是同一类算法答案：错误
2、通过 tf.where(cond, a, b)操作可以根据 cond 条件的真假从 a 或 b 中读取数据。答案：正确
3、通过 tf.scatter_nd(indices, updates, shape)可以高效地刷新张量的部分数据，不只在全 0 张量的白板上面刷新，因此不需要结合其他操作来实现现有张量的数据刷新功能。答案：错误
4、在 TensorFlow 中，要实现全连接层，只需要定义好权值张量 W 和偏置张量 b，并利用 TensorFlow 提供的批量矩阵相乘函数 tf.matmul()即可完成网络层的计算。答案正确
5、在设计全连接网络时，网络的结构配置等超参数不可以按着经验法则自由设置，这样做会影响网络精度。（）答案：错误
6、利用误差反向传播算法进行反向计算的过程也叫反向传播(Backward propagation)。（）答案：正确
7、概率分布 [0,1]区间的输出和概率的分布范围契合，不能通过 Sigmoid 函数将输出转译为概率输出。（）答案：错误
8、ReLU 函数定义为 ????????????????(????) ≔ min(0,????)（）答案：错误
9、除了可以使用函数式接口 tf.nn.relu 实现 ReLU 函数外，还可以像 Dense 层一样将 ReLU 函数作为一个网络层添加到网络中，对应的类为 layers.ReLU()类（）答案：正确
10、卷积神经网络和循环神经网络都擅长处理图像数据。（）答案：错误