人工智能实践：TensorFlow笔记2——测验与作业答案汇总（北京大学-曹健-MOOC课程有字幕）（6章已更完）

课程信息

课程链接：人工智能实践：Tensorflow笔记

课程源码：https://pan.baidu.com/s/19XC28Hz_TwnSQeuVifg1UQ
提取码：mocm

课件及笔记：http://note.youdao.com/s/V3qzP0XX
课程概述：课程梳理出Tensorflow2搭建优化神经网络的八股，带你逐步完善代码，实现图像识别与股票预测。课程以录像形式讲解知识点，以录屏形式分析源代码，通过助教的Tensorflow笔记实现回顾与扩展。内容包括：深度学习、神经网络的基本概念原理和代码实现示例。
说明：以上资源全来自课程，若有侵权，联系删。

第一讲 神经网络计算[1015]

1单选(2分)
该张量的维度是

[[ 1.3688478 1.0125661 ]

[ 0.17475659 -0.02224463]]
A.（2，1）
B.（4，1）
C.（1，2）
D.（2，2）
正确答案：D

2多选(2分)
人工智能主流的三个学派是什么？
A.行为主义
B.符号主义
C.计算主义
D.连接主义
正确答案：ABD

3判断(2分)
以下语句实现了损失函数loss 分别对可训练参数w1和b1求偏导数，并将计算结果保存到grads列表中。
with tf.GradientTape() as tape:
前向传播过程计算y
计算总loss
grads = tape.gradient(loss, [ w1, b1 ])
正确答案：✔

4判断(2分)
设计神经网络的步骤包括：准备数据、搭建网络、优化参数、应用网络。
正确答案：✔

5判断(2分)
神经网络可以让计算机具备感性思维，能实现图像识别、趋势预测。
正确答案：✔

第二讲 神经网络优化[1015]

1单选(2分)
在某个三分类问题中，已知真实标签y_=(0, 0, 1)，神经网络预测值分别为y1=(0.51, 0.32, 0.17)，y2=(0.22, 0.73, 0.05)，y3=(0.15, 0.17, 0.68)，y4=(0.04, 0.03, 0.93)，哪个预测值更接近真实标签？
A.y2
B.y1
C.y3
D.y4
正确答案：D

2单选(2分)
tf.nn.relu([[-2., 1.], [0., 3.]])的计算结果是哪个？
A.tf.Tensor([ [0. 1.] [0. 3.] ], shape=(2,2), dtype=float32)
B.tf.Tensor([ 0. 1. 0. 3.], shape=(4,), dtype=float32)
C.tf.Tensor([ [-2. 1.] [0. 3.] ], shape=(2,2), dtype=float32)
D.tf.Tensor([ -2. 1. 0. 3.], shape=(4,), dtype=float32)
正确答案：A

3单选(2分)
下列哪一项是均方误差损失函数的代码实现？
A.-tf.reduce_sum(labels * tf.math.log(tf.nn.softmax(logits)), axis=1)
B.tf.reduce_mean(tf.abs(y_true-y_pred))
C.tf.reduce_mean(tf.square(y_true - y_pred))
D.-tf.reduce_sum(y_true * tf.math.log(y_pred))
正确答案：C

4多选(2分)
解决过拟合问题的方法有：
A.增加网络参数
B.增大训练集
C.采用正则化
D.减小正则化参数
正确答案：BC

5多选(2分)
下列属于神经网络优化器的有？
A.RMSProp
B.SGD
C.Adam
D.AdaGrad
正确答案：ABCD

第三讲 神经网络八股[1015]

1判断(2分)
本课中搭建神经网络六步法包括如下步骤：

1、import

2、train, test

3、Sequential / Class

4、model.compile

5、model.fit

6、model.summary

正确答案：✔

2单选(2分)
使用Sequential()函数搭建神经网络训练MNIST数据集的代码为：

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation=‘relu’),
tf.keras.layers.Dense(10, activation=‘softmax’)])

请问使用model.summary()打印网络结构和参数统计中，Total params的数目为？
A.100480
B.1280
C.101770
D.101632

正确答案：101770
解析： 第一层：784128+128=100480
第二层：12810+10=1290
共计：101770

3单选(2分)
以下数据为训练过程中某个epoch的最终输出，其中最能直观有效反映网络准确度的数据是？

60000/60000 [==============================]

• 4s 68us/sample

• loss: 0.2916

• sparse_categorical_accuracy: 0.8920

• val_loss: 0.3387

• val_sparse_categorical_accuracy: 0.8770

A.0.2916
B.0.8920
C.0.3387
D.0.8770

正确答案：0.8770
解析： D、测试集准确率可以更好表征网络效果

4单选(2分)
如果标签以数值形式给出，模型推理结果以概率形式给出，则model.compile()函数中metrics参数应选择哪一项？

A.‘sparse_categorical_crossentropy’
B. ‘accuracy’
C.‘categorical_accuracy’
D.‘sparse_ categorical_accuracy’

正确答案：‘sparse_ categorical_accuracy’
解析： D、Metrics告知网络评测指标
Accuracy表示，y_和y都以数值形式给出 比如鸢尾花分类标签是 第1类鸢尾花 用数值 1 表示 网络输出结果也是 第1类鸢尾花 用 数值1表示 使用 字符串accuracy
categorical_accuracy表示 y_和y都是以独热码或概率分布形式给出 比如鸢尾花分类标签是 第1类鸢尾花 用 0 10 的独热码形式给出 网络输出结果是 第1类鸢尾花 用概率分布0.256 0.695 0.048表示 要使用字符串categorical_accuracy

sparse_categorical_accuracy 表示 y_是以数值形式给出，y以独热码形式给出 比如鸢尾花分类标签是 第1类鸢尾花 用数值1 表示 网络输出结果是 概率分布0.256 0.695 0.048使用字符串 sparse_categorical_accuracy
我们的例子都 以数值形式给出标签，以概率分布形式表示输出 所以应该 选用sparse_categorical_accuracy作为评测指标

5多选(2分)
以下关于MNIST数据集和Fashion_mnist数据集描述正确的是？
A.MNIST数据集一共包括7万张图片，其中6万张用于训练，1万张用于测试。
B.每张图片包括1024(32×32)个像素点。
C.MNIST数据集是为0到9的手写数字数据集。
D.Fashion_mnist数据集中的图片被分为20类。

正确答案：AC

第四讲 网络八股扩展[1016]

1单选(2分)
数据增强函数ImageDataGenerator()的输入维度是多少？
A.1
B.2
C.3
D.4
正确答案：D

2单选(2分)

import numpy as np
np.set_printoptions(   )

np.set_printoptions的括号内填写什么内容，可以保证print所有内容都明文显示？
A.threshold=1
B.precision=6
C.threshold=9
D.threshold=np.inf
正确答案：D

3单选(2分)
fashion_mnist数据集的规模是多少？训练集（），测试集（）。
A.60000，60000
B.60000 10000
C.10000 60000
D.10000 10000
正确答案：B

4判断(2分)
本讲中的功能扩展模块包括自制数据集、数据增强、断点续训、参数提取、acc/loss可视化
正确答案：✔

5判断(2分)
如果训练集的准确率高，那么测试集的准确率也一定高。
正确答案：✔

第五讲 卷积神经网络[1017]

1单选(2分)
已知两层3×3的卷积核与一层5×5的卷积核具有相同的感受野，那么前者（3×3）和后者（5×5）的参数量和计算量是什么关系（特征图尺寸为32）？
A.前者参数量小、后者计算量更小
B.前者计算量小、后者参数量更小
C.前者的参数量和计算量都更小
D.后者的参数量和计算量都更小
正确答案：C

2单选(2分)
在批标准化（BN）操作中，如果batch size大小为32，特征图深度为16，那么该BN层的总参数以及可训练参数个数分别为：
A.256，128
B.128，64
C.64，32
D.32，16
正确答案：B

3单选(2分)
卷积神经网络中常用的卷积层、激活层、BN层，它们最常见的顺序是怎样的？
A.卷积层→BN层→激活层
B.卷积层→激活层→BN层
C.BN层→卷积层→激活层
D.激活层→卷积层→BN层
正确答案：A

4单选(2分)
在ResNet的残差结构中，会涉及到特征的相加操作，即H(x) = F(x) + x，该操作对F(x)和x的维度（H×W×C）有什么要求？
A.特征图的尺寸（H×W）相同即可
B.特征图的通道数（C）相同即可
C.特征图的尺寸和通道数必须完全相同
D.特征图的尺寸和通道数都不必相同
正确答案：C

5单选(2分)
本课程中搭建卷积神经网络的八股是：
A.CBAPD
B.Conv2D
C.CBA
D.PD
正确答案：A

第六讲 循环神经网络[1017]

1单选(2分)
在RNN前向传播过程中按时间展开，记忆体状态信息ht、参数矩阵和两个偏置项是变化的还是不变的？
A.三者都固定不变；
B.三者都随时间刷新变化；
C.ht和参数矩阵随时间刷新变化、偏置项固定不变；
D.ht随时间刷新变化、参数矩阵和偏置项固定不变；

2单选(2分)
在tf.keras.layers.SimpleRNN()中，记忆体个数、return_sequences=False分别代表什么含义：
A.记忆体个数代表RNN层数、return_sequences=False代表返回最后时间步的输出值ht；
B.记忆体个数代表RNN循环核中记忆体的个数、return_sequences=False代表返回全部时间步的输出ht；
C.记忆体个数代表RNN循环核中记忆体的个数、return_sequences=False代表返回最后时间步的输出值ht；
D.记忆体个数代表RNN层数、return_sequences=False代表返回全部时间步的输出ht；

3单选(2分)
对abcde这几个字母进行独热编码，共需要几位数字？
A.3
B.5
C.4
D.2

4单选(2分)
关于tf.keras.layers.Embedding(词汇表大小，编码维度)，下列表述错误的是？
A.词汇表大小：编码一共要表示多少个单词；
B.输出维度：三维张量[送入样本数，循环核时间展开步数，编码维度]
C.输入维度：二维张量[送入样本数，编码维度]；
D.编码维度：用几个数字表达一个单词；

5单选(2分)
关于LSTM、GRU，下列说法错误的是？
A.GRU中ht表示短期记忆;
B.LSTM中Ct表示长期记忆；
C.LSTM中ht表示短期记忆；
D.GRU中有两个门，LSTM有三个门；