深度学习判断题
- 该题库围绕深度学习和机器学习相关知识进行考核，旨在检验对TensorFlow、Keras等框架以及多种模型和算法的理解与掌握程度。 - 涵盖了神经网络（CNN、RNN、LSTM、Transformer等）、机器学习（线性回归、多项式回归等）、数据预处理、损失函数、优化算法、激活函数、正则化等多个主题，涉及人工智能领域的基础和进阶知识。
章节列表
思维导图
相似题库
练习中心
顺序练习
按照章节顺序依次练习所有题目，适合系统学习
组卷考试
随机抽取题目进行练习，适合巩固知识和检验学习效果
错题重做
针对做错的题目进行重点练习，强化薄弱环节
章节练习
选择特定章节进行练习，针对性提升某一知识点
轻松一刻
收藏题目
集中练习收藏的重点题目，加深理解和记忆
考试记录
按题型或难度进行专项练习，突破学习瓶颈
题型练习
按照章节题型获取题目练习，适合系统学习
小练习
随机抽取题目练习
题目预览
1、TensorFlow 支持多平台部署,可在 Windows、Linux、macOS 等操作系统上运行。()
1、线性回归模型的损失函数只能采用均方误差,无法使用其他损失函数衡量预测值与真实值的差距。()
1、欠拟合是由于模型复杂度过低,无法捕捉数据中的复杂模式导致的,通过增加模型复杂度可以改善欠拟合问题。()
1、ReLU 激活函数的数学表达式为 \(ReLU(x)=max(x, 0)\),其导数在输入为负时为 0、输入为正时为 1,能够有效缓解梯度消失问题。()
1、TensorFlow 中的 Constant 类创建的常量可以通过设置参数改为可训练状态,会在反向传播过程中被更新。()
1、Word2Vec 编码相比 One-hot 编码,能够有效捕捉词元之间的语义关联性,生成的词向量维度更紧凑。()
1、K 折交叉验证通过将训练集分成 K 个不重叠的子集,轮流使用 K-1 个子集训练、1 个子集验证,适用于训练数据稀缺的场景。()
1、卷积神经网络 (CNN) 的核心优势仅在于权值共享,局部感受野机制对特征提取无明显作用。()
1、卷积神经网络 (CNN) 的卷积核用于提取数据的空间特征,而 RNN 的循环核用于提取数据的时间特征。()
1、文本预处理中的 jieba 分词工具仅能处理英文文本,无法支持中文文本的词元化拆分。()
