人工智能导论——期末半小时速成（选择、填空、问答题）

本文链接：https://blog.youkuaiyun.com/omit250/article/details/145001341

选择题

音频的量化是指（） B

A、对频率进行采样 B、对振幅进行采样

C、对音频进行编码 D、对时域进行采样

以下哪项硬件是Cuda加速模型训练的核心所在（）A

A、GPU B、CPU

C、Memory D、SSD

反向传播算法的高效性依赖于（）A

A、链式求导 B、递归求解

C、数值求解 D、以上都不是

学习率过大，则可能出现（） D

A、欠拟合 B、无法收敛

C、训练加快 D、以上都是

下列哪个不是人工智能的研究领域（） D

机器证明 B、模式识别 C、人工生命 D、编译原理

MFCC是（）的常用特征。B

文本处理 B、语音处理 C、图像处理 D、数据挖掘

下列哪一项不属于自然语言处理的研究领域（） C

A、情感分析 B、文本分类

C、人脸识别 D、语音识别

下列哪一项不属于机器学习的工作流程（） C

A、数据预处理 B、特征工程 C、模型部署 D、模型调优

下列哪一项不属于激活函数（） D

A、Tanh B、LeakyReLU

C、ReLU D、Dropout

训练模型使用Cuda的原因是（） B

A、提供数据处理 B、加速运算

C、提供模型结构 D、必不可缺

下列哪一项是激活函数（） C

A、Dropout B、批归一化

C、ReLU D、池化

判断题

强化学习的本质是智能体根据环境变化做出一系列的决策。答案：对。
遗传算法、模拟退火算法、蚁群算法都属于启发式搜索算法。答案：对
ReLU激活函数常用于隐藏层的激活。答案：对
感知机属于线性模型。答案：对
K-means是典型的回归(聚类)算法。答案：错
文本分词仅用于构建词向量。答案：错
音频的采样是对模拟信号进行的间隔测量。答案：对
Softmax回归的的最后输出是向量。答案：对
Sigmoid激活函数(RELU)常用于隐藏层的激活。答案：错
TF-IDF的值是词频和和逆文本频率的减法结果是乘积。答案：错
提取音频特征时，无需先将模拟信号进行采样、量化，转为数字信号。答案：错
确定了一个卷积核的步长、填充、核大小，即可确定卷积的输出尺寸。答案：错
区块链的典型特征包括去中心化、匿名性、透明性等。答案：对
区块链的应用不限于金融领域。答案：对
强化学习中的奖励是环境对智能体动作的反馈。答案：对
ReLU激活函数常用于输出层（隐藏层）的激活。答案：错
卷积网络用于图像分类时，通常在卷积后跟随一个全连接网络。答案：对
音频的采样属于连续（离散的数字音频信号）信号。答案：错
提取音频特征时，需先将模拟信号进行采样、量化，转为数字信号。答案：对
数字图像的像素值通常以整数进行记录。答案：对
RGB图像是三通道的彩色图像。答案：对
逻辑回归的损失函数常用交叉熵。答案：对

填空题

机器学习的流程包括抽象问题、______、数据预处理、______、训练模型及调优、______、最终模型。答案：获取数据、特征工程、模型评估
生成对抗网络的______用于判断样本真假，______用于生成假样本。答案：判别器、生成器
ReLU激活函数的表达式是______。答案：max(0, x)
2个3x3大小的卷积核，等效于1个______的卷积核。答案：5x5
回归任务常用______损失函数。答案：平方或均方
设有10分类任务，则采用Softmax回归后，其输出向量维度为______。答案：10
区块链中的加密算法属于______算法。答案：非对称加密
对一段音频进行切分，使其形成基本单元，叫做：______ 答案：分帧
分类和回归可看作两种基本机器学习任务，则图像分割属于______任务、图像生成属于______任务。答案：分类、回归
表达式y=wx+b，一般称w为______、b为______。答案：权重、偏置
单个神经元包含______、______、______、______四部分。答案：输入、权重、激活函数、输出
设某次训练数据为(N, C, H, W)，则批归一化是在维度______上进行的归一化。答案：N
Sigmoid激活函数的表达式是______。答案：1/(1+e^-x)
强化学习中，智能体的动作会同时获得______和改变______。答案：奖励、环境

简答题

1.多层人工神经网络需要激活函数的理由：如果神经网络没有激活函数，所有层的输出只是线性组合，那么无论有多少层，网络本质上仍然是一个线性模型，无法处理复杂的非线性关系。引入激活函数后，可以增加非线性因素，使网络能够拟合更复杂的函数，增强模型的表达能力。

2.小批量随机梯度下降法的优势：小批量随机梯度下降法结合了批量梯度下降和随机梯度下降的优点。它通过在每次更新中使用小批量数据，既提高了计算效率，又避免了随机梯度下降的高方差问题，加快了收敛速度，并提升了泛化能力。

3.学习率的含义及影响：学习率是优化算法中的超参数，控制每次更新时参数的步长。学习率过大可能导致模型发散，无法找到最优解；而学习率过小则会导致收敛缓慢，训练时间过长，甚至可能停滞在局部最优。

4.训练人工神经网络的三大元素：训练人工神经网络的三大元素包括前向传播、损失函数和反向传播。前向传播计算预测输出，损失函数评估预测误差，反向传播根据误差更新网络参数，通过梯度下降优化网络性能。

5.反向传播算法的作用及其优势：反向传播算法通过计算损失函数对各层参数的梯度，帮助神经网络优化参数。其优势在于高效计算梯度，避免了重复计算，使得深层网络也能有效训练，并能够自动调整网络权重。

6.分类与回归的含义及举例：分类是将数据分到不同的类别中，适用于离散目标变量，如垃圾邮件识别；回归是预测连续的数值输出，适用于目标变量为实数的情况，如房价预测。

7.现有待预测向量 x(0.5, 0.1, 0.3)以及目标向量 a(0.3, 0.7, 0.2)、目标向量 b(0.7, -0.2, 0.3) ，试分别采用欧式距离及余弦相似度（或余弦距离）作为度量，预测 x 的类别

：