问卷发布者还未购买企业标准版或企业标准版已到期，此问卷暂时不能被填写！

2021年春季深度学习师资培训班入学考试（CV班）

疫情浇不灭我们学习的热情，感谢您报名2021全国高校深度学习师资培训第14期（CV班）！为了保证此次培训效果达到最佳，特设置此测试，一共20道题目，全部为选择题，包含单选和多选，根据答题得分和报名信息综合择优录取。请您仔细阅读下面的考试规则，感谢您的理解和支持！
考试规则：
1.请保证报名本人作答，提交问卷则表示同意该要求
2.每人只有一次作答机会，限时30分钟，不可反复提交
3.只允许在全屏状态下作答，全程切屏（即鼠标离开考试页面）超过6次将立即结束考试
*
基本信息（请保证所填姓名和手机号与报名填写的姓名、手机号一致）：
姓名：
姓名：
学校：
学校：
手机号:
手机号:
*
1.
观察样本次数如何影响过拟合？注意：所有情况的参数都保持一致 【多选题】
观察次数多，容易发生过拟合
观察次数多，不容易发生过拟合
观察次数少，容易发生过拟合
观察次数少，不容易发生过拟合
*
2.
假设你使用带正则的逻辑回归进行目标分类，然而当你将算法用于一个新的测试数据集上，你发现本来在训练数据集上表现很好的分类器产生了非常大的测试误差。如下哪些措施可以用来减小测试误差【多选题】
使用更少的训练数据。
增大回归正则系数λ。
使用更多的训练数据。
减小回归正则系数λ。
*
3.
在分类问题中,我们经常会遇到正负样本数据量不等的情况,比如正样本为10w条数据,负样本只有1w条数据,以下最合适的处理方法是【多选题】
将负样本每个权重设置为10,正样本权重为1,参与训练过程
将负样本重复10次,生成10w样本量,打乱顺序参与分类
直接进行分类,可以最大限度利用数据
从10w正样本中随机抽取1w参与分类
*
4.
在数据预处理阶段，我们常常对数值特征进行归一化或标准化(standardization, normalization)处理。这种处理方式理论上不会对下列哪个模型产生很大影响？【多选题】
k-Means
k-NN
朴素贝叶斯
决策树
*
5.
下列关于L1和L2正则描述错误的是？
L1和L2正则的引入都能预防过拟合。
L1正则项是非凸的，L2正则项是凸的。
L1正则兼具特征选择的功能。
L1正则的引入会使得权重产生更多的0元素。
*
6.
一段代码定义如下，下列调用结果正确的是？

def bar(multiple):

      def foo(n):

          return multiple ** n

      return foo

bar(3)(2) == 8
bar(2)(3) == 8
bar(2)(3) == 6
bar(3)(2) == 6
*
7.
下列哪种类型是Python的映射类型?
dict
list
str
tuple
*
8.
下列哪种不是Python元组的定义方式?
(1, 2)
(1, )
(1, 2, (3, 4))
(1)
*
9.
下列语句输出正确的是

i = ['a', 'b']

l = [1, 2]

print (dict([l,i]))

{1: 2, 'a': 'b'}
{‘b’: 2, 'a': 1}
{2: 1, 'b': 'a'}
{‘a’: 2, ‘b': 1}
*
10.
以下哪个关键字是与 try 语句一起使用来处理异常的？
exception
except
catch(a)
catch
*
11.
在一个神经网络里，知道每一个神经元的权重和偏差是最重要的一步。如果以某种方法知道了神经元准确的权重和偏差，就可以近似任何函数。实现这个最佳的办法是
随机赋值，祈祷它们是正确的
赋予一个初始值，通过检查跟最佳值的差值，然后迭代更新权重
搜索所有权重和偏差的组合，直到得到最佳值
以上都不正确
*
12.
深度学习涉及到大量的矩阵相乘，现需要计算三个稠密矩阵A,B,C的乘积ABC,假设三个矩阵的尺寸分别为m∗n，n∗p，p∗q，且m < n < p < q，以下计算顺序效率最高的是
AC(B)
所有效率都相同
A(BC)
(AB)C
*
13.
假设你有一个变量 "example"，如何判断它的类型？
Type(example)
getType(example)
type(example)
example.type:
*
14.
下列哪个if语句是正确的？
if a>=22
if a>=22:
if (a=>22)
if (a>=22）
*
15.
下列说法正确的是
单隐层神经网络可以拟合任意单值连续函数
参数越多拟合能力越强从而泛化能力越强
深度神经网络做序列标注优于传统机器学习方法
测试集的准确率越高越好
*
16.
与传统机器学习方法相比，深度学习的优势在于
深度学习完全不提取底层特征，如图像边缘、纹理等
深度学习可以自动学习特征
深度学习完全不需要做数据预处理
深度学习不需要调参
*
17.
以下哪一个关于卷积神经网络的说法是错误的
AlexNet是一个八层的卷积神经网络
卷积神经网络中的建模学习，学习对象是每一层神经元的值
目标检测网络SSD的网络结构中包含卷积层
典型的卷积神经网络，由卷积层、池化层、激活层、全连接层等组成
*
18.
以下哪一个关于卷积神经网络的说法是错误的
多元神经网络可看成是一个复合的非线性多元函数。
在神经元总数相当的情况下，增加网络的深度可以比增加宽度带来更强的网络表示能力。
输入一个300*300的RGB图像，经过10个5*5的卷积核，隐层的参数量为760（考虑偏置）。
Relu非线性激活函数的收敛速度比sigmoid要慢得多
*
19.
假设一个具有 3 个神经元和输入为 [1, 2, 3] 的简单多层感知机模型。输入神经元的权重分别为 4, 5 和 6。假设激活函数是一个线性常数值 3 (激活函数为：y = 2x)。输出是
96
643
64
32
*
20.
下列目标检测网络中，哪个是一阶段的网络
YOLOv3
Faster-rcnn
RFCN
SPP-net
问卷星提供技术支持
举报