深度学习神经网络题目及解析.docxVIP

深度学习神经网络题目及解析

一、单项选择题（共10题，每题1分，共10分）

下列激活函数中，在输入正区间内导数恒为1，能有效缓解深层网络梯度消失问题的是（）

A.Sigmoid函数

B.ReLU函数

C.Softmax函数

D.Tanh函数

答案：B

解析：ReLU函数的数学表达式为max(0,x)，当输入大于0时，导数为1，反向传播时梯度不会因连乘而快速衰减，缓解梯度消失。Sigmoid函数和Tanh函数的导数最大仅为0.25和1，但在输入偏离原点时导数会趋近于0，易引发梯度消失；Softmax函数主要用于多分类输出层，不用于隐藏层激活，因此正确选项为B。

下列损失函数中，适合二分类任务且常用交叉熵变体的是（）

A.均方误差损失

B.交叉熵损失

C.Huber损失

D.余弦相似度损失

答案：B

解析：交叉熵损失（二分类版本为二元交叉熵）针对概率输出与真实标签的差异计算梯度，收敛速度快于均方误差，尤其适合分类任务。均方误差损失对异常值敏感，易在深层网络训练中引发梯度爆炸；Huber损失用于回归任务，兼顾均方误差和绝对误差优点；余弦相似度损失多用于文本匹配等序列任务，因此正确选项为B。

下列技术中，不属于缓解模型过拟合的方法是（）

A.Dropout

B.L2正则化

C.增加网络层数

D.数据增强

答案：C

解析：增加网络层数若未配合正则化措施，会增加