brawly的博客

文章目录一、单选二、多选一、单选1、人们总说区块链是去中心化的、分布式的、区块化存储的数据库，以下说法正确的是==（ D ）==A、数据存储在主节点上，每个从节点只存储部分数据B、数据分片存储，在每一个节点存储部分分片数据C、数据分散存储，随机存储在每台节点上D、数据在每台节点上全量存储2、在区块链的某个节点中，删除一个或多个区块，下列说法正确的是==（ B ）==A、删除的区块会在区块链网络中丢失。B、删除的区块只是影响本节点，对别的节点的区块没影响C、删除区块后，区块链不能稳定运行

1、输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：（ C ）A、95B、96C、97D、98E、99F、100输出尺寸=(输入尺寸-filter尺寸+2*padding）/stride+1h1=(200-5+2*1)/2+1

文章目录一、习题二、总结一、习题1、以下属于生成式模型的是：（ C ）A、SVMB、随机森林C、隐马尔可夫模型HMMD、逻辑回归常见的生成式模型有 隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等2、以下几种模型方法属于判别式模型的有==（ C ）==1)混合高斯模型2)条件随机场模型3)区分度训练4)隐马尔科夫模型A、1,4B、3,4C、2,3D、1,2公式上看生成模型： 学习时先得到 P(x,y)，继而得到 P(y|x)。预测时应用最大后验

文章目录一、欠拟合二、过拟合三、正则化四、总结1、人工智能概念补充2 正则化补充2.1 正则化的概念2.2 正则化的作用2.3 正则化的常见类型2.4 关联概念一、欠拟合1、下列方法中，解决欠拟合的方法有哪些==（CD）==A、正则化方法B、集成学习方法C、添加新特征D、减少正则化系数集成学习解决过拟合欠拟合的原因：1.模型复杂度过低。2.特征量过少。解决方法：增加模型复杂度，添加新特征2、假如你用logistic Regression 算法去预测用户在网上的购买项目，然而，当你在

文章目录一、单选二、多选一、单选1、抖动技术可以==（ D ）==A、改善图像的空间分辨率B、改善图像的幅度分辨率C、利用半输出技术实现D、消除虚假轮廓现象抖动技术通过加入随机噪声，增加了图像的幅度输出值的个数，即改善了虚假轮廓。2、一幅数字图像是==（ B ）==A、一个观测系统B、一个有许多像素排列而成的实体C、一个2-D数组中的元素D、一个3-D空间的场景因为数学图像是由RGB组成，一般为深度为16，而GRAY是灰度图。3、当改变图像的空间分辨率时，受影响最大的是图

文章目录一、判断二、单选三、多选一、判断1、从计算角度上，Sigmoid和tanh激活函数均需要计算指数，复杂度高，而ReLU只需要一个阈值即可得到激活值。（ 对）从计算的角度，Sigmoid 和 tanh 激活函数均需要计算指数，复杂度高，而Relu 只需要一个阈值就可得到激活值。Relu 的非饱和性可以有效的解决梯度消失问题，提供相对宽的激活边界Relu 的单侧抑制提供了网络的稀疏表达能力2、Seq2Seq模型在解码时可以使用贪心法或Beam Search方法。（对）seq2se

文章目录一、判断二、单选三、多选一、判断1、训练CNN时，可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。这么说是对，还是不对？（对）输入进行旋转、平移、缩放等预处理相当于做了数据增强，提升泛化能力2、深度学习与机器学习算法之间的区别在于，后者过程中无需进行特征提取工作，也就是说，我们建议在进行深度学习过程之前要首先完成特征提取的工作。这种说法是：（错）机器学习和深度学习都需要特征提取工作深度学习是直接从数据中自动学习到特征，无需提前人工进行特征提取二、单选1、下列哪个函数不

文章目录一、单选二、多选一、单选1、当在一个决策树中划分一个节点时，以下关于“信息增益”的论述正确的是==（ C ）==1.较不纯的节点需要更多的信息来描述总体2.信息增益可以通过熵来推导3.信息增益偏向于选择大量值的属性A、1B、2C、2和3D、所有都对不纯度指的是基尼指数信息增益就是节点划分前后熵的差值，差值越大越好纯度高的节点需要较少的信息描述，不纯的节点需要更多的信息描述。2、有关机器学习算法，以下说法中不正确的是：（ D ）A、之所以说监督学习和无监督学习之间并不存

数理统计-刷题文章目录一、单选二、多选一、单选1、关于正态分布,下列说法错误的是==（C）==A、正态分布具有集中性和对称性B、正态分布的均值和方差能够决定正态分布的位置和形态C、正态分布的偏度为0，峰度为1D、标准正态分布的均值为0，方差为1正态分布：偏度=0，峰度=0偏度（Skewness）：衡量随机变量概率分布的不对称性；若偏度大于0，则分布右偏，即分布有一条长尾在右；若偏度小于0，则分布为左偏，即分布有一条长尾在左；同时偏度的绝对值越大，说明分布的偏移程度越严重。峰度（Kurt