深度学习基础与实践 单元练习答案汇总 单元1--10.docx

PAGE

PAGE1

1.6单元练习

1.20世纪30年代到50年代，就提出了神经网络，但是由于硬件条件和数据集的限制，让神经网络之后陷入冰河时代，之后的硬件条件和数据集大量提高让神经网络重回人们视野，并取得了令人著名成绩。

2.迁移学习和端到端学习可以结合到一个网络中。

3.深度学习是由神经网络发展而来的。

4.推动深度学习成功有三大因素：大数据出现、计算能力提高、算法的创新。

5.卷积神经网络的应用领域有：图像分类、目标检测、图像分割、人像检测。

2.7单元练习

1.“过拟合”常常在模型学习能力较弱，而数据复杂度较高的情况出现，此时模型由于学习能力不足，无法学习到数据集中的“一般规律”，导致泛化能力弱。（错）

2.在神经网络训练的过程中，欠拟合主要表现为输出结果的高偏差，而过拟合主要表现为输出结果的高方差。（对）

3.过拟合的缓解办法有：数据增强、正则化、Dropout、增加噪声等。（对）

4.损失函数通常是指在单个样本上的函数，是一个样本的误差，而代价函数是整个训练集上的函数，是所有样本的误差平均，代价函数是目标函数的一部分。（对）

5.对数损失函数用到了极大似然估计的思想，在当前模型上取正确预测的概率，取对数即可得到结果。（错）

6.MSE通常可以作为回归问题的性能指标，RMSE通常作为回归问题的代价函数。（错）

7.优化在深度学习中的挑战有局部最小值和鞍点。（对）

8.数据增强常用在视觉表象和图像分类中，其中有随机旋转、随机裁剪、色彩抖动、高斯噪声、水平翻转和竖直翻转，可增加图像的多样性。（对）

9.DropConnect与DropOut的区别在于前者在输入时减少权重的连接，而后者是在输出时减少权重的连接。（错）

3.6单元练习

1.PyTorch是开源的机器学习库，用于自然语言处理等应用程序，提供了强大的GPU加速张量的计算，且包含自动求导的机制。（对、错）

2.PyTorch这个框架擅长处理数据分析，拥有众多模块包，且上手快，代码简洁灵活，文档规范等都是该框架的优点。（对、错）

3.PyTorch框架相对于其他的框架而言更为简洁灵活、方便易用，在灵活的同时速度也很快，且提供了完整的文档和社区供开发者讨论学习。（对、错）

4.PyTorch内置大量的数学操作，如加法操作、绝对值操作、随机生成数组等。

5.PyTorch提供了张量、数学操作、数理统计、比较操作。

6.PyTorch中的张量概念包括标量、向量和线性算子。

7.张量可以用坐标系统来表达，是可以记作标量的数组。

4.7单元练习

1.torch.mm是做矩阵中元素相乘，torch.mul是做矩阵乘法。（错）

2.x+y不能使用torch.sum(x,y)，而是用torch.add(x,y)。（对）

3.只有相同环境下的变量才能一起运算，如果一个变量在CPU上，而另一个变量在GPU上，它们是不允许做任何运算的。（对）

4.只有相同环境下的变量才能一起运算，如果一个变量在CPU上，而另一个变量在GPU上，它们是不允许做任何运算的。（对）

5.归一化的目的是减少内部协变量偏移问题，让输入数据的分布一致，比如都归一化到标准正态分布上。（对）

6.全连接层的操作类似于传统的神经网络的操作。（对）

5.6单元练习

1.PyTorch的数据加载器有两种，分别是Torch.utils.Dataset和Torchvision.datasets.ImageFolder，其中Torchvision.datasets.ImageFolder对数据集文件夹分布有要求，而Torch.utils.Dataset没有。（对）

2.PyTorch实现深度模型有四大步骤：输入处理模块；模型构建模块；定义代价函数和优化器模块；构建训练过程。（对）

3.采样器torch.utils.dataloader是对加载器Torch.utils.Dataset和Torchvision.datasets.ImageFolder的再次封装，torch.utils.dataloader定义采样的策略，采样样本的数量等信息。（对）

4.Transforms.ToTensor()是深度学习图像处理必不可少的预处理方式，它是将PIL图像转为tensor张量，从而让计算机进行图像张量的计算。（对）

5.数据集的预处理是非常重要的一个环节，它有数据增强、提高精度、加速模型学习等作用。（对）

6.State_dict表示参数权重字典，在进行测试阶段时，必须使用model.eval()，将