Python深度学习实战 习题及答案 深度学习(各章习题) 最新[2页].pdfVIP

第七章

选择题：

1.通过池化降低空间维度的做法不但降低了计算开销，还使得卷积神经网络对于噪声具有

（A）。

A.健壮性

B.静态性

C.局部性

D.准确性

2.（B）的主要问题是最后的3层全连接层的参数量过于庞大。

A.InceptionNet

B.VCG网络

C.ResNet

D.AlexNet

3.（C）的残差结构解决了深度学习模型的退化问题，在ImageNet的数据集上，其Top5

准确率达到了95.51%。

A.InceptionNet

B.VCG网络

C.ResNet

D.AlexNet

4.在InceptionNet中，使用（D）和单层的全连接层替换掉了VCG的三层全连接层。

A.全局最大池化层

B.全局最小池化层

C.卷积层

D.全局平均池化层

5.如果前一层有M个节点，后一层有N个节点，通过参数共享，两层之间的连接权值减

少为c个，前向传播和后向传播过程中，计算开销与内存开销分别为（A）：

A.O（n）和O（c）

B.O（c）和O（n）

C.O（n）和O（n）

D.O（c）和O（c）

判断题：

1.人们通常采用在输出张量边界上填充0的方式，使得卷积核的中心可以从边界上开始扫

描，从而保持卷积操作输入张量和输出张量大小不变。（×）

2.VCG网络在ImageNet的Top5准确率为93.3%，不仅准确率高于InceptionNet，推断速

度也更胜一筹。（×）

3.最大池化是指在池化区域中，取卷积特征值最大的作为所得池化特征值。（√）

4.神经网络越深，对复杂特征的表示能力就越强。（√）

5.两个步长为1的3*3的卷积核和一个7*7大小的卷积核的感受是一致的。（×）

填空题：

1.传统BP神经网络，以全局连接方式，前一层有M个节点，后一层有N个节点，就会有

M*N个连接权值，每一轮后向传播更新权值的时候都要对这些权值进行重新计算，造成了

2

O(M*N)=O(n)的计算与内存开销

2.局部连接方式把连接限制在空间中相邻的c个节点，把连接权值降到了c*N，计算内存

与开销就降低到了O（c*N）=O（n）

3.离散的卷积操作满足了局部连接和参数共享的性质。

4.网络在达到一定深度后，模型训练的准确率也不会再提升，甚至会开始下降，这种现象

称为训练准确率的退化问题。

5.ResNet提出了残差学习的方法，用于解决深度学习模型的退化问题。

简答题：

1.画出一个最基本卷积神经网络。

输出

非线性变换

池化层

卷积层

输入

2.局部连接与全局变量的区别是什么？

局部连接：连接权值为c*N，计算与内存开销为O（c*n）=O（n）

2

全局连接：连接权值为M*N，计算与内存开销为O（M*N）=O（n）

3.池化的作用是什么？

降低特征空间的维度，还使得卷积神经网络对于噪声具有健壮性。

4.简述卷积操作。

卷积核从输入向量左边开始扫描，权值在第一个位置分别与对应输入值相乘求和，

得到卷积特征值向量的第一个值，接下来移动一个步长，到达第二个位置，进行

相同的操作，以此类推。

5.比较AlexNet与VCG网络

VCG全3*3卷积核，AlexNet有大卷积核，两者整体结构一致，都是先用5层

卷积层提取图像特征，再用3层全连接层作为分类器，VCG的层是由几个3*3

的卷积层叠加起来的，而AlexNet是一个大卷积层为一层，所以AlexNet只有八

层，而VCG网络可多达19层。