手机扫描二维码答题
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！
00:00:00
2021年春季深度学习师资培训班入学考试（CV班）
录音中...
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.
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】
减小回归正则系数λ。
使用更多的训练数据。
增大回归正则系数λ。
使用更少的训练数据。
*
2.
令U和V为3维向量，令A和B为3*3的矩阵，则下列说法正确的是
【多选题】
A*B=B*A
如果B是3*3的单位矩阵，则A*B=B*A
如果C = A*B，则C是6*6的矩阵
如果V是3维向量，则A*B*V是一个3维向量
*
3.
相对于DNN模型，CNN模型做了哪些改变？
【多选题】
参数共享
使用了relu激活函数
增加了batch normalization
局部连接
*
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-NN
k-Means
决策树
朴素贝叶斯
*
5.
下列哪种不是Python元组的定义方式?
(1, )
(1, 2)
(1, 2, (3, 4))
(1)
*
6.
关于字符串下列说法错误的是
字符应该视为长度为1的字符串
字符串以\0来标志字符串的结束
既可以用单引号，也可以用双引号创建字符串
在三引号字符串中可以包含换行回车等特殊字符
*
7.
关于SVM泛化误差描述正确的是
SVM对训练数据的划分能力
SVM的误差阈值
SVM对未知数据的预测能力
超平面与支持向量之间距离
*
8.
下列语句输出正确的是
i = ['a', 'b']
l = [1, 2]
print (dict([l,i]))
{2: 1, 'b': 'a'}
{‘b’: 2, 'a': 1}
{1: 2, 'a': 'b'}
{‘a’: 2, ‘b': 1}
*
9.
假设有列表a = ['name', 'age', 'sex']和b = ['Dong', 38, 'Male']，请使用一个语句将这两个列表的内容转换为字典，并且以列表a中的元素为“键”，以列表b中的元素为“值”，这个语句可以写为
c=dict(zip(b,a))
c=dict(list(b,a))
c=dict(zip(a,b))
c=dict(list(a,b))
*
10.
已知一个由全连接层构成的前馈神经网络，输入层有5个神经元，第一隐层有10个神经元，第二隐层有10个神经元，输出层有2个神经元，则神经模型中共有（ ）条连接。
170
80
27
1000
*
11.
如果使用的学习率太大，会导致
网络收敛的快
网络收敛的慢
网络无法收敛
不确定
*
12.
与传统机器学习方法相比，深度学习的优势在于
深度学习完全不需要做数据预处理
深度学习可以自动学习特征
深度学习不需要调参
深度学习完全不提取底层特征，如图像边缘、纹理等
*
13.
图像灰度的方差表示图像的哪种属性
图像细节
图像饱和度
图像对比度
图像整体亮度
*
14.
下列说法正确的是
测试集的准确率越高越好
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
*
15.
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
所有效率都相同
(AB)C
AC(B)
A(BC)
*
16.
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
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
随机赋值，祈祷它们是正确的
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
*
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
目标检测网络SSD的网络结构中包含卷积层
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
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.
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
643
96
32
64
*
19.
RELU修正线性单元是一种常用的激活函数，其函数图像为
选项170
选项2
选项171
选项1
*
20.
SSD主要通过哪种方法来解决检测不同大小目标的问题
设置更多的anchor尺寸
在不同的特征图上进行预测
设置更多的anchor纵横比
使用图像金字塔作为输入
评价对象得分
字体大小
