东莞专业网站建设价钱,寮步营销型网站建设,太原网站建设哪家好,网站推广模板1178、以下哪个选项是华为的云端AI芯片#xff1f;#xff08;云服务考点#xff09; (A)Inferentia (B)MLU100 (C)Cloud TPU (D)Ascend 910
答案#xff1a;D 解析#xff1a;华为的云端AI芯片被称为Ascend芯片系列#xff0c;其中Ascend 910是其旗舰产品。Ascend 910…1178、以下哪个选项是华为的云端AI芯片云服务考点 (A)Inferentia (B)MLU100 (C)Cloud TPU (D)Ascend 910
答案D 解析华为的云端AI芯片被称为Ascend芯片系列其中Ascend 910是其旗舰产品。Ascend 910是一款基于AI架构设计的高性能芯片专为深度学习和人工智能计算而开发。它具有出色的处理能力和能效比可广泛应用于云计算和机器学习领域。选项A的Inferentia是亚马逊AWS云服务提供商的自研AI加速芯片。选项B的MLU100是某些云服务提供商如寒武纪推出的AI芯片。选项C的Cloud TPU是谷歌云服务提供商推出的专为加速机器学习工作负载而设计的特殊硬件。综上所述选项D的Ascend 910是华为的云端AI芯片是正确答案。 1179、人工智能的三个阶段包含了计算智能、、认知智能。AI考点 (A)弱人工智能 (B)感知智能 (C)行为智能 (D)强人工智能
答案B 解析人工智能的三个阶段是计算智能、感知智能和认知智能。计算智能指的是利用计算机进行数据处理和简单逻辑推理的能力。感知智能是指让计算机能够感知和理解来自外部环境的信息包括计算机视觉、语音识别等能力。认知智能是指使计算机具备像人类一样的思维能力可以进行复杂的问题解决、学习和创造等活动。选项A的弱人工智能指的是在特定领域中表现出相对较高智能水平的人工智能系统但其智能范围有限只能完成特定任务。选项C的行为智能并非人工智能发展的阶段而是指智能体在外部环境中做出适应性行为的能力。选项D的强人工智能指的是完全与人类智能相比拟的人工智能具备广泛的智能能力目前尚未实现。因此正确答案是B感知智能。 1180、下列选项中不属于华为全栈解决方案范畴的是AI考点 (A)应用使能 (B)边缘计算 (C)开源框架 (D)芯片使能
答案B 解析华为全栈解决方案是指涵盖从应用、平台、芯片三个层面的全栈云服务解决方案旨在为用户提供完整的云上能力。其中应用使能包括多种应用场景如智能客服、智能视频等平台消除了不同层级、不同构架之间的隔离实现了资源的共享和互通芯片使能则提供了能够满足不同场景需求的芯片方案。选项B中的边缘计算并不是华为全栈解决方案的核心内容它是一种基于分布式计算和物联网技术的新型计算模式旨在将数据处理任务从云端转移到物理设备如终端、路由器、交换机等端以达到更快速、更安全、更灵活的数据处理目的。因此正确答案是B边缘计算。 1181、根据美国汽车工程师协会SAE将自动驾驶按照车辆行驶对于系统依赖程度分为哪些级别AI考点 (A)L1~L4 (B)L1~L5 (C)LO~L4 (D)LO~L5
答案D 解析根据美国汽车工程师协会SAE对自动驾驶系统的分类将自动驾驶按照车辆行驶对于系统依赖程度分为了六个级别从LOLevel of Automation到L5。每个级别代表了不同程度的自动化能力和系统对于驾驶的依赖程度。具体的级别划分如下LO (Level 0)无自动化完全由人类驾驶。L1 (Level 1)辅助驾驶部分功能由自动化系统执行但仍需人类驾驶员监控。L2 (Level 2)部分自动化能够同时控制车辆的加速、刹车、转向等基本功能但仍需要人类驾驶员持续监控和介入。L3 (Level 3)有条件自动驾驶车辆能够在特定条件下进行自动驾驶但需要人类驾驶员随时准备接管控制。L4 (Level 4)高度自动驾驶车辆能够在大多数情况下实现自动驾驶但仍可能需要人类驾驶员在特定情况下介入。L5 (Level 5)完全自动驾驶车辆能够在任何道路和条件下实现自动驾驶无需人类驾驶员介入。因此正确答案是DLO~L5。 1182、人工智能处在感知智能阶段的表现是什么AI考点 (A)机器开始像人类一样能理解、思考与决策 (B)机器开始像人类一样会计算传递信息 (C)机器开始看懂和听懂做出判断采取一些简单行动
答案C 解析人工智能处于感知智能阶段时机器可以通过各种传感器获取环境中的信息并对这些信息进行处理和理解。机器在这个阶段具备了一定的视觉和听觉能力可以识别图像、理解语音并进行简单的语义分析。它们能够对所感知到的信息做出判断并采取一些简单的行动。然而机器并没有像人类一样具备深度的理解、思考和决策能力。它们的感知能力还相对有限只能处理一些特定领域的问题无法进行复杂的推理和抽象思维。因此正确答案是C. 机器开始看懂和听懂做出判断采取一些简单行动。 1183、符号主义的落脚点主要体现在哪里AI考点 (A)落脚点在神经元网络与深度学习。 (B)落脚点在推理符号推理与机器推理。 (C)落脚点在感知和行动。 (D)落脚点在行为控制、自适应与进化计算。
答案B 解析符号主义是一种人工智能的研究方法和思想它关注推理和符号推理的能力。符号主义认为人类智能的核心在于符号层面的推理能力通过符号表示和处理来实现智能。因此符号主义的落脚点主要体现在推理、符号推理和机器推理方面。神经元网络与深度学习选项A主要属于连接主义的领域强调通过神经网络模拟人脑的学习过程。感知和行动选项C则涉及到智能体与环境的交互。行为控制、自适应与进化计算选项D则是强调智能体的行为控制和自适应能力。因此正确答案是B. 落脚点在推理符号推理与机器推理。 1184、神经网络研究属于下列哪个学派AI考点 (A)符号主义 (B)连接主义 (C)行为主义 (D)以上都不是
答案B 解析神经网络研究属于连接主义学派。连接主义是一种基于神经网络的学习和信息处理的方法和理论。它模拟了人脑神经元之间的连接和信息传递方式通过构建多层神经网络来实现学习和推理功能。连接主义学派认为人类的智能和认知过程是由许多神经元之间的相互作用和连接所决定的。因此连接主义注重通过模拟神经网络来模拟和理解人类的智能行为。相对而言符号主义学派更注重基于符号和逻辑规则的推理和知识表示而行为主义学派则更关注行为和外部观察。所以正确答案是B连接主义。 1185、以下关于RAID的描述错误的是哪项云计算考点 (A)RAID6通过镜像的方式来保证用户数据的可靠性 (B)RAID5通过奇偶校验的方式来保证用户数据的可靠性 (C)RAID0通过条带化的方式来提升存储的读写性能 (D)RAID1通过镜像的方式来保证用户数据的可靠性
答案A 解析RAID6是通过两份校验的方式来保障用户数据的可靠性 1186、在RAID5和RAID6中允许出现故障的磁盘数量分别是云计算考点 (A)3,2 (B)2,1 (C)1,2 (D)2,3
答案C 解析RAID 5允许一块数据盘故障并可通过奇偶校验数据计算得到故障硬盘中的数据。如果出现两块或两块以上数据盘故障整个RAID组故障。RAID 6允许两块数据盘故障并可通过校验数据计算得到故障硬盘中的数据。 1187、RAID独立磁盘冗余阵列技术将多个单独的物理硬盘以不同的方式组成一个逻辑硬盘从而提高了硬盘的读写能力和数据安全性以下哪一种组合方式可以实现数据的镜像云计算考点 (A)RAID 3 (B)RAID 1 (C)RAID 0 (D)RAID 5
答案B 解析RAID 1可以实现数据的镜像RAID 1确实是可以实现数据的镜像。在RAID 1中数据同时写入两个磁盘中从而实现数据的镜像备份。即使一块磁盘发生故障另一块磁盘中的数据仍然可用。 1188、机器学习算法中以下不属于集成学习策略的是AI考点 (A)Boosting (B)Stacking (C)Bagging (D)Marking
答案D 解析在机器学习中集成学习是一种通过将多个基础学习器组合成一个更强大的整体模型来提高预测性能的方法。常见的集成学习策略包括 Boosting、Stacking 和 Bagging。A. Boosting 使用序列化方法根据前一个基础学习器的性能来调整下一个学习器的训练样本分布以便更关注先前分类错误的样本。常见的 Boosting 方法有 AdaBoost 和 Gradient Boosting。B. Stacking 是一种将多个基础学习器的预测结果作为输入再通过另一个学习器称为元学习器来融合这些预测结果的方法。C. Bagging 使用自助采样法bootstrap sampling从训练数据中有放回地采样出多个样本集然后分别训练多个基础学习器并最终将它们的预测结果融合起来。 1189、线性回归在 3 维以上的维度中拟合面是?AI考点 (A) 曲面 (B) 平面 (C)超平面 (D)超曲面
答案C 解析线性回归是一种回归分析方法用于建立自变量特征和因变量目标之间的线性关系模型。在三维空间中线性回归试图拟合一个平面来描述自变量和因变量之间的线性关系。而在三维以上的维度中线性回归将尝试拟合一个超平面来描述线性关系。超平面是指在高维空间中的一个维度比该空间的维数少一的线性子空间。也可以理解为一个 n-1 维的平面n 是特征的维度数。在高维空间中线性回归通过拟合一个超平面来尽可能地拟合样本数据的线性关系。因此选项 C 是正确的线性回归在 3 维以上的维度中拟合的是超平面。 1190、以下哪个关于监督式学习的说法是正确的AI考点 (A)决策树是一种监督式学习 (B)监督式学习不可以使用交叉验证进行训练 (C)监督式学习是一种基于规则的算法 (D)监督式学习不需要标签就可以训练
答案A 解析选项 A 是正确的说法。决策树是一种常见的监督式学习算法在训练过程中使用带有标签的数据来构建一棵树形结构以实现对未知样本的预测。选项 B 是错误的说法。监督式学习通常可以使用交叉验证进行训练。交叉验证是一种评估模型性能和选择最佳参数的技术可以在有监督学习中使用。选项 C 是错误的说法。监督式学习并不一定是基于规则的算法。监督式学习涉及使用带有标签的输入和输出数据训练模型以实现对新样本的预测。具体的算法可以包括决策树、逻辑回归、支持向量机等等这些算法可能采用不同的原理和方法。选项 D 是错误的说法。监督式学习通常需要有标签的数据来进行训练。这意味着训练样本中包含了输入和相应的输出标签信息模型通过学习这些标签来进行预测。 1191、数据在完成特征工程的操作后在构建模型的过程中以下哪个选项不属于决策br classmarkdown_return树构建过程当中的步骤AI考点 (A)剪枝 (B)特征选取 (C)数据清理 (D)决策树生成
答案C 解析决策树构建过程的步骤通常包括A. 剪枝Pruning决策树在构建过程中可能会过度拟合训练数据剪枝通过修改或删除决策树的一部分来减少过度拟合。剪枝策略可以分为预剪枝在构建决策树时提前停止避免过度拟合和后剪枝先构建完整的决策树然后进行删除或合并节点来降低复杂度。B. 特征选取Feature Selection在构建决策树时需要选择最优的特征来进行节点分裂。特征选取的目标是找到对目标变量具有最大分类能力的特征。常用的特征选取方法包括信息增益、信息增益比、基尼指数等。D. 决策树生成Decision Tree Generation决策树的生成是指根据训练数据构建决策树模型。生成过程基于选择最优特征和节点分割的策略逐步构建决策树的各个节点。因此选项C数据清理不属于决策树构建过程的步骤。 1192、梯度下降算法中损失函数曲面上轨迹最混乱的算法是以下哪种算法AI考点 (A)SGD (B)BGD (C)MGD (D)MBGD
答案A 解析损失函数曲面上轨迹最混乱的梯度下降算法是随机梯度下降Stochastic Gradient Descent, SGD算法选项A。在SGD算法中每次迭代只随机选择一个样本进行梯度计算和参数更新。由于每次迭代只考虑一个样本因此损失函数曲面上的轨迹会表现出明显的波动和不规则性。这是因为每个样本的梯度估计可能会受到噪声的影响导致参数的更新方向具有不确定性。相比之下批量梯度下降Batch Gradient Descent, BGD算法选项B会在每次迭代时使用整个训练集的样本进行梯度计算和参数更新因此损失函数曲面上的轨迹相对较平滑。小批量梯度下降Mini-batch Gradient Descent, MGD算法选项C是介于SGD和BGD之间的一种方法每次迭代使用小批量的样本进行梯度计算和参数更新。因此在损失函数曲面上SGD算法的轨迹最为混乱。 1193、机器学习的算法中以下哪个不是无监督学习AI考点 (A)GMM (B)Xgboost (C)聚类 (D)关联规则
答案B 解析XgboostExtreme Gradient Boosting是一种集成学习算法但它主要用于监督学习问题。Xgboost通过集成多个弱分类器通常是决策树来提高模型的性能其中弱分类器是在样本的标签信息下进行训练的。而无监督学习是指在没有标签或类别信息的情况下从数据中发现模式、结构或规律。在选项A、C和D中GMM高斯混合模型用于聚类分析聚类是一种无监督的学习方法用于将数据样本划分为相似的群组。关联规则用于挖掘数据集中的频繁项集和关联规则也属于无监督学习的一种方法。因此选项BXgboost是不是无监督学习算法其他选项A、C和D均属于无监督学习算法。 1194、机器学习中模型需要输入什么来训练自身预测未知AI考点 (A)人工程序 (B)神经网络 (C)训练算法 (D)历史数据
答案D 解析在机器学习中模型通过使用历史数据来训练自身并且使用该经验来预测未知数据。历史数据包含了输入特征和对应的输出标签或目标变量。通过训练算法模型能够学习输入特征与输出标签之间的关系并用于预测未知数据的输出。 1195、批量梯度下降小批量梯度下降随机梯度下降最重要的区别在哪里AI考点 (A)梯度大小 (B)梯度方向 (C)学习率 (D)使用样本数
答案D 解析批量梯度下降、小批量梯度下降和随机梯度下降的最重要的区别在于使用的样本数不同。批量梯度下降使用全部样本去计算梯度并更新模型参数因此需要占用较大的计算资源和存储空间。但是它可以更准确地估计梯度并且在目标函数平滑时可以更快地收敛。小批量梯度下降使用部分样本去计算梯度并更新模型参数通常采用2~100个样本既能减少存储空间和计算资源的占用同时也比随机梯度下降更稳定更容易逃离局部最优解。随机梯度下降使用单个样本去计算梯度并更新模型参数因此计算速度非常快但不能准确地估计梯度并且可能会运行进入局部最优解的问题。但在实际应用中随机梯度下降通常能够在更短的时间内找到全局最优解同时也更能处理大规模的数据集。因此批量梯度下降、小批量梯度下降和随机梯度下降的最重要的区别在于使用的样本数D选项是正确答案 1196、以下属于回归算法的评价指标是AI考点 (A)召回率 (B)混淆矩阵 (C)均方误差 (D)准确率
答案C 解析回归算法的评价指标之一是均方误差Mean Squared Error简称MSE。均方误差衡量了预测值与真实值之间的平均差异程度计算方法为将预测值与真实值的差平方后求平均。A.召回率和B.混淆矩阵通常用于分类算法的评价指标而不是回归算法的评价指标。召回率是指模型正确预测为正例的样本数占实际正例样本数的比例。混淆矩阵是一个表格用于衡量分类模型预测结果的质量。D.准确率也常用于分类算法的评价指标它衡量了模型正确预测的样本数占总样本数的比例而不是回归算法的评价指标。因此选项C均方误差是回归算法的评价指标是正确答案。 1197、以下关于机器学习描述正确的是AI考点 (A)深度学习是机器学习的一个分支 (B)深度学习与机器学习是互相包含的关系 (C)深度学习与机器学习同属于人工智能但相互之间没有关系 (D)以上都不对
答案A 解析选项A是正确描述。深度学习是机器学习的一个分支它专注于使用深度神经网络来进行学习和推断。深度学习通过多层次的神经网络结构来提取和学习数据中的特征具有强大的模式识别和表示学习能力。因此深度学习可以看作是机器学习的一种方法或技术。选项B是不准确的描述。深度学习和机器学习之间并非互相包含的关系而是深度学习是机器学习的一个子集。机器学习是一个更广泛的概念它包括了不仅仅是深度学习还包括其他方法和技术如决策树、支持向量机等。选项C也是不正确的描述。深度学习和机器学习都属于人工智能领域并且它们之间具有密切的关联和交叉。深度学习可以被看作是机器学习的一个子集而机器学习是人工智能的一个核心分支。 1198、回归算法预测的标签是AI考点 (A)自变型 (B)离散型 (C)应变型 (D)连续型
答案D 解析回归算法是用于预测连续型变量也称为数值型变量的一类算法其输出结果可以是任意实数或实数区间内的值。例如在房价预测中预测房价的结果应该是一个连续的实数值而不是一些离散的取值。选项A.自变量表示输入特征而不是回归算法预测的标签。选项B.离散型通常与分类算法相关用于预测离散型变量例如将一组数据分为两个或多个类别。选项C.应变型是指因变量与回归算法预测的标签有些接近但并不精确。应变量广泛应用于统计学和经济学中指被观察到、测量或记录下来的变量。因此选项D.连续型是回归算法预测的标签类型 1199、以下关于标准RNN模型说法正确的是 AI考点 (A)不存在一对一的模型结构 (B)反向传播时不考虑时间方向 (C)不存在多对多的模型结构 (D)会出现长时间传输记忆的信息衰减的问题
答案D 解析答案是D. 会出现长时间传输记忆的信息衰减的问题。标准的循环神经网络RNN模型存在信息衰减的问题也称为梯度消失问题。在反向传播过程中由于反复应用相同的权重矩阵较早时间步的梯度会连续地与权重相乘导致梯度逐渐减小并趋近于零从而无法有效地传播到更早的时间步。这种问题会导致长时间依赖关系的信息难以传递和保持限制了RNN在处理长序列任务中的表现。为了解决这个问题后续提出了一些改进的RNN变体如长短期记忆网络LSTM和门控循环单元GRU用以捕捉长期依赖关系并减轻梯度消失问题的影响。其他选项的说法是不正确的A. 存在一对一的模型结构。例如可以将RNN应用于每个时刻上独立的输入和输出。B. 反向传播时会考虑时间方向因为在RNN中梯度会随时间步的反向传播而更新。C. 存在多对多的模型结构。例如可以输入一个序列得到一个相同长度的输出序列或者输入一个序列得到一个不同 1200、我们在训练神经网络过程中使用梯度下降法不断更新哪种数值进而使得损失函数最小化 AI考点 (A)样本数目 (B)特征值 (C)超参数 (D)参数
答案D 解析在训练神经网络的过程中我们使用梯度下降法来更新网络的参数以使得损失函数最小化。具体而言梯度下降法通过计算损失函数对于参数的梯度然后沿着梯度的反方向更新参数值以便逐步接近或达到损失函数的最小值。其他选项的说法是不正确的A. 样本数目是指用于训练的数据集中的样本数量并不是梯度下降法需要更新的数值。B. 特征值是指输入数据中的特征的数值同样也不是梯度下降法要更新的数值。C. 超参数是指在训练神经网络时需要手动设置的参数如学习率、正则化参数等并非梯度下降法要更新的数值。因此正确答案是D. 参数。在神经网络训练过程中我们通过梯度下降法来更新网络的参数以最小化损失函数。 1201、前馈神经网络是一种简单的神经网络各神经元分层排列是目前应用最广泛发展最迅速的人工神经网络之一。以下关于前馈神经网络说法正确的是 AI考点 (A)具备计算能力的神经元与上下两层相连 (B)其输入节点具备计算能力 (C)同一层神经元相互连接 (D)层间信息只沿—个方向传递
答案D 解析答案是D. 层间信息只沿一个方向传递。前馈神经网络是一种最为基础的前向结构神经网络模型各层节点之间的神经元没有反向连接只有前一层节点到后一层节点的单向连接因此层间信息只沿一个方向传递输入信号仅由输入层流向输出层。这也是“前馈”一词的含义所在。其他选项的说法是不正确的A. 具备计算能力的神经元与上下两层相连这个说法不准确。神经元的计算能力是通过处理输入数据并产生输出信号来实现的前馈神经网络中的神经元被完全连接起来每个神经元都接收来自上一层神经元的信号并将其传递到下一层。B. 其输入节点具备计算能力这个说法不准确。输入节点只起到传递输入信号到下一层的作用没有计算能力。C. 同一层神经元相互连接这个说法也是不正确的。在前馈神经网络中同一层神经元之间没有连接只有上一层神经元到下一层神经元的连接存在。 1202、在神经网络中我们是通过以下哪个方法在训练网络的时候更新参数从而最小化损失函数的 AI考点 (A)正向传播算法 (B)池化计算 (C)卷积计算 (D)反向传播算法
答案D 解析答案是D. 反向传播算法。在神经网络中我们使用反向传播算法来更新网络的参数以最小化损失函数。反向传播算法通过沿着损失函数的梯度方向计算参数的梯度并将这些梯度信息反向传播到网络的每一层从而更新参数值。通过迭代不断调整参数神经网络能够逐渐学习到合适的参数配置以使得损失函数最小化。其他选项的说法是不正确的A. 正向传播算法用于计算神经网络中的前向传播过程将输入信号从输入层传递到输出层但不涉及参数的更新。B. 池化计算是一种操作用于减小输入数据的空间维度以减少计算复杂性和参数数量而不是更新参数。C. 卷积计算是卷积神经网络CNN中的一种重要操作用于提取输入数据中的特征。然而在训练过程中卷积计算通常与反向传播算法结合使用通过梯度下降法来更新卷积核的参数。 1203、优化器是训练神经网络的重要组成部分使用优化器的目的不包含以下哪项 AI考点 (A)加快算法收敛速度 (B)减少手工参数的设置难度 (C)避过过拟合问题 (D)避过局部极值
答案C 解析答案是C. 避免过拟合问题。优化器是训练神经网络的重要组成部分它通过调整网络参数来最小化损失函数。使用优化器的目的包括以下几点A. 加快算法收敛速度优化器可以通过根据损失函数的梯度方向来更新参数帮助网络更快地收敛到最优解。B. 减少手工参数的设置难度优化器通过自动调整学习率、正则化等参数减少了人工调参的工作量和难度。D. 避免局部极值优化器的目标是寻找全局最优解而不是陷入局部极值。它可以通过使用不同的优化算法和策略来避免陷入局部最优解。然而优化器并不能直接避免过拟合问题。过拟合是指模型在训练集上表现很好但在测试集或新数据上表现较差的情况。为了解决过拟合问题通常需要采取其他策略如正则化、早停等措施。 1204、感知器在空间中可以展现为 AI考点 (A)线 (B)平面 (C)超平面 (D)点
答案C 解析答案是C. 超平面。感知器是一种简单的二分类线性分类器它可以将输入数据分为两个类别。在空间中感知器可以通过超平面来展现。超平面是一个d-1维的子空间将d维空间分成两个部分。对于二维空间d2超平面是一条直线对于三维空间d3超平面是一个平面。在更高维度的空间中超平面仍然是一个(d-1)维的对象。感知器通过学习权重和偏置参数构建一个超平面将不同类别的样本分隔开。根据输入特征的线性组合和阈值的比较感知器可以决定样本属于哪个类别。 1205、损失函数反映了神经网络的目标输出和实际输出的误差在深度学习中常用的损失函数是 AI考点 (A)指数损失函数 (B)均方损失函数 (C)对数损失函数 (D)Hinge 损失函数
答案B 解析答案是B. 均方损失函数。损失函数用于衡量神经网络的预测输出和实际输出之间的误差。在深度学习中常用的损失函数有多种选择其中最常见的是均方损失函数Mean Squared Error, MSE。均方损失函数计算预测输出与实际输出之间的平方差的平均值公式为MSE (1/n) * Σ(y_pred - y_actual)^2其中y_pred表示神经网络的预测输出y_actual表示实际的目标输出n表示样本的数量。其他选项的说法是不正确的A. 指数损失函数通常用于分类问题特别是二分类问题但在深度学习中使用较少。C. 对数损失函数Logarithmic Loss也称为交叉熵损失函数Cross Entropy Loss通常用于分类问题特别是多分类问题。D. Hinge损失函数通常用于支持向量机SVM中在深度学习中使用较少。 1206、深度学习中神经网络类型很多以下神经网络信息是单向传播的是 AI考点 (A)LSTM (B)卷积神经网络 (C)循环神经网络 (D)GRU
答案B 解析答案是B. 卷积神经网络。单向传播也叫前向传播是指神经网络的信息流只能从输入层到输出层单向传递中间没有反馈。这种网络结构常见于前馈神经网络Feedforward Neural Network, FNN和卷积神经网络Convolutional Neural Network, CNN中。卷积神经网络是一种特殊的前馈神经网络主要用于图像分类、目标检测、语音识别等任务。它的前向传播过程包括卷积、非线性激活、池化等操作最终输出分类或回归结果。在卷积神经网络中每个层都是单向的下一层的输入只依赖于上一层的输出。相比之下循环神经网络Recurrent Neural Network, RNN和长短时记忆网络Long Short-Term Memory, LSTM、门控循环单元Gated Recurrent Unit, GRU等具有反馈机制输入和输出不仅与当前时刻的数据相关还与之前时刻的数据有关因此它们不属于单向传播的范畴。 1207、在深度学习神经网络中感知器是最简单的神经网络关于其结构说法正确的是 AI考点 (A)其隐含层只有两层 (B)其隐含层只有一层 (C)其网络中使用的是Sigmoid激活函数 (D)其网络中使用的是Relu激活函数
答案B 解析答案是B. 其隐含层只有一层。感知器Perceptron是最简单的神经网络之一由一层或多层神经元组成。每个神经元接收一些输入并产生一个输出这个输出又作为其他神经元的输入。感知器的主要思想是将输入的特征与相应的权重相乘然后将它们相加并传递给激活函数进行处理得到输出结果。感知器中只有一层神经元即输出层没有隐含层。因此选项B中的说法是正确的。感知器的激活函数通常使用阶跃函数Step Function或者更常见的符号函数Sign Function而不是Sigmoid或ReLU等现代深度学习模型中使用的激活函数。阶跃函数和符号函数都是非线性函数可以使感知器拟合非线性模型。因此选项C和D中的说法是不正确的。 1208、循环神经网络不同于卷积神经网络它比较擅长解决以下哪些问题 AI考点 (A)序列相关问题 (B)图像分类 (C)图像检测 (D)推荐问题
答案A 解析答案是A. 序列相关问题。循环神经网络Recurrent Neural Network, RNN是一种具有记忆和递归结构的神经网络专门用于处理序列数据。RNN在每个时间步接受一个输入和一个来自上一时间步的隐藏状态并根据这些输入和隐藏状态产生输出和下一时间步的隐藏状态。这种循环的结构使得RNN能够对不同时间步之间的依赖关系进行建模从而擅长解决序列相关的问题。图像分类和图像检测通常使用卷积神经网络Convolutional Neural Network, CNN。CNN适用于处理图像数据通过卷积、池化等操作来提取图像的局部特征和整体特征从而实现图像分类和物体检测等任务。 1209、关于反向传播以下说法错误的是 AI考点 (A)反向传播只能在前馈神经网络中运用 (B)反向传播可以结合梯度下降算法更新网络权重 (C)反向传播会经过激活函数 (D)反向传播指的是误差通过网络反向传播
答案A 解析反向传播Backpropagation是一种用于训练神经网络的常见算法它可以在不同类型的神经网络中使用包括前馈神经网络Feedforward Neural Network和循环神经网络Recurrent Neural Network等。B. 反向传播可以结合梯度下降算法更新网络权重。反向传播算法计算了网络中每个权重对于损失函数的梯度然后使用梯度下降算法或其变种来更新网络的权重以最小化损失函数。C. 反向传播会经过激活函数。在反向传播算法中激活函数在前向传播和反向传播的过程中都会被使用。在前向传播中输入经过激活函数得到输出而在反向传播中误差通过激活函数传递回前一层用于计算权重的梯度。D. 反向传播指的是误差通过网络反向传播。反向传播算法的关键是计算网络中每个权重对于损失函数的梯度。这些梯度值将根据误差从输出层到输入层反向传播并用于更新网络的权重。综上所述说法A是错误的。反向传播不仅可以在前馈神经网络中应用也适用于其他类型的神经网络。 1210、以下不属于对抗生成网络的应用是 AI考点 (A)文字生成 (B)图像生成 (C)图像识别 (D)数据增强
答案C 解析对抗生成网络Generative Adversarial NetworkGAN是一种用于生成模型的框架由生成器和判别器两个网络组成。生成器负责生成与真实样本相似的新样本而判别器则负责判断给定样本是真实样本还是生成样本。对抗生成网络被广泛应用于以下几个领域A. 文字生成通过对抗生成网络可以生成具有语义和语法逻辑的自然语言文本如生成故事、生成对话等。B. 图像生成对抗生成网络能够生成逼真的图像样本包括人脸、场景、艺术图像等。D. 数据增强通过对抗生成网络可以生成额外的合成数据样本用于扩充原始数据集从而提高模型的泛化能力和鲁棒性。C. 图像识别并不是对抗生成网络的主要应用领域。图像识别一般指的是利用深度学习模型对图像进行分类或识别而对抗生成网络主要用于生成新的样本。因此选项C. 图像识别不属于对抗生成网络的应用。 1211、神将网络训练时常会遇到很多问题对于梯度消失问题我们可以通过选择使用以下哪种函数减轻该问题 AI考点 (A)Relu函数 (B)Sigmoid 函数 (C)tanh 函数 (D)Softsign函数
答案A 解析梯度消失问题是在神经网络训练中经常遇到的一个问题尤其是在深层网络中。当使用一些激活函数时梯度在反向传播过程中会逐渐变小导致梯度无法有效地传递给较浅的层影响网络的训练效果。Relu函数Rectified Linear Unit是一种常用的激活函数它具有非线性的特性并且在输入大于零时保持恒定的输出。相比于Sigmoid函数、tanh函数和Softsign函数Relu函数在解决梯度消失问题上表现更好。当输入大于零时Relu函数的导数为1这意味着梯度不会消失而当输入小于等于零时导数为0这可能会导致部分神经元“死亡”但是它可以通过参数初始化和随机失活等技术来缓解。因此选择使用Relu函数激活神经网络可以减轻梯度消失问题。 1212、深度学习神经网络的隐藏层数对网络的性能有一定的影响以下关于其影响说法正确的是 AI考点 (A)隐藏层数适当减少神经网络的分辨能力不变 (B)隐藏层数适当增加神经网络的分辨能力越强 (C)隐藏层数适当减少神经网络的分辨能力越强 (D)隐藏层数适当增加神经网络的分辨能力越弱
答案B 解析答案是B. 隐藏层数适当增加神经网络的分辨能力越强。隐藏层数指的是神经网络中介于输入层和输出层之间的层次数目。增加隐藏层数可以增加神经网络的复杂度从而提高网络的表达能力和分辨能力。随着隐藏层数的增加神经网络可以学习更加复杂和抽象的特征表示。每一层都可以对前一层的输出进行进一步的抽象和组合从而增强模型的表示能力使其能够更好地适应复杂的数据分布和任务。然而隐藏层数的增加也可能引入一些问题如梯度消失、过拟合等。因此隐藏层数的选择需要考虑数据集和任务的复杂性并进行适当的调整和验证。总的来说适当增加隐藏层数可以提高神经网络的分辨能力但需要注意合理控制层数并进行适当的调优和验证。 1213、在经典的卷积神经网络模型中Softmax函数是跟在什么隐藏层后面的 AI考点 (A)卷积层 (B)池化层 (C)全连接层 (D)以上都可以
答案C 解析在经典的卷积神经网络模型如LeNet、AlexNet等中通常会在卷积层和全连接层之间添加一个或多个全连接层来进行特征提取和分类而Softmax函数通常是跟在最后一个全连接层也称为输出层后面的。全连接层将卷积层和池化层的特征映射展开为一维向量并通过权重矩阵将它们与输出层的神经元连接起来以生成最终的预测结果。输出层可以使用不同的激活函数来实现不同的分类任务而在分类任务中一般使用Softmax函数作为输出层的激活函数对各个类别的概率进行归一化以表示该样本属于每个类别的可能性大小。因此答案是C。 1214、关于循环神经网络以下说法错误的是 AI考点 (A)循环神经网络可以根据时间轴展开 (B)LSTM无法解决梯度消失的问题 (C)LSTM也是一种循环神经网络 (D)循环神经网络可以简写为RNN
答案B 解析答案是B。关于循环神经网络以下说法都是正确的A.循环神经网络可以根据时间轴展开循环神经网络可以处理时序数据和动态长度的序列数据通过在循环层之间建立时间上的连接将当前时刻的输入信息和历史时刻的状态进行结合从而生成当前时刻的输出结果。展开后的循环神经网络可以看作是多个相同的循环单元按照时间顺序排列的形式常用于处理自然语言处理、语音识别、图像描述等任务。B.LSTM无法解决梯度消失的问题LSTMLong Short-Term Memory是一种特殊的循环神经网络它通过引入输入门、输出门和遗忘门来控制从当前时刻的输入、上一时刻的状态和当前时刻的输出之间的信息流动从而有效地缓解了梯度消失和梯度爆炸的问题。因此这个说法是错误的。C.LSTM也是一种循环神经网络LSTM是一种基于循环神经网络的改进模型它能够有效地解决传统循环神经网络中的梯度消失和梯度爆炸问题。LSTM通过引入三个门控制当前时刻的输入、上一时刻的状态和输出之间的信息流动从而提高了网络的记忆能力常用于处理序列和时间序列数据。D.循环神经网络可以简写为RNNRNN是Recurrent Neural Network的缩写即循环神经网络的英文缩写。循环神经网络通过引入循环结构来处理序列数据和时间序列数据它具有记忆能力、适应长度可变的序列数据、自然地建模前后文关系等优点因此在自然语言处理、语音识别、机器翻译等领域得到广泛应用。因此这个说法也是正确的。 1215、对于图像分类问题以下哪个神经网络更适合解决这个问题 AI考点 (A)感知器 (B)循环神经网络 (C)卷积神经网络 (D)全连接神经网络
答案C 解析答案是C. 卷积神经网络更适合解决图像分类问题。卷积神经网络Convolutional Neural NetworkCNN是一种专门设计用于处理图像和视觉数据的神经网络模型。相比于其他神经网络结构卷积神经网络能够利用其独特的卷积层和池化层来自动提取图像中的局部特征并保留空间结构信息。感知器Perceptron是一种最简单的神经网络结构它主要用于二分类问题并不能直接应用于图像分类任务。循环神经网络Recurrent Neural NetworkRNN主要用于处理序列数据和时序数据对于图像分类问题来说循环神经网络并不是首选因为图像数据在特征提取上具有空间上的局部关系而非时序关系。全连接神经网络Fully Connected Neural Network是一种基本的神经网络结构但对于图像分类问题来说全连接神经网络不适合处理大尺寸的图像数据因为全连接层会引入大量的参数导致计算量过大和过拟合的风险。 1216、激活函数对于神经网络模型学习、理解非常复杂的问题有着重要的作用以下关于激活函数说法正确的是 AI考点 (A)激活函数都是线性函数 (B)激活函数都是非线性函数 (C)激活函数部分是非线性函数部分是线性函数 (D)激活函数大多数是非线性函数少数是线性函数
答案B 解析答案是B. 激活函数都是非线性函数。激活函数在神经网络中起到非线性映射的作用通过引入非线性变换激活函数可以帮助神经网络模型更好地表示和学习复杂的问题。如果激活函数全部都是线性函数那么多层神经网络的组合仍然只能表示线性关系无法处理非线性问题。常用的激活函数包括Sigmoid、ReLU、Leaky ReLU、Tanh等它们都是非线性函数。这些激活函数能够引入非线性特性使得神经网络模型能够更好地逼近非线性函数并具有更强的表达能力。 1217、生成对抗网络像是一个博弈系统生成器生成伪造的样本判别器进行判断是真是假我们理想的结果是 AI考点 (A)生成器产生样本的大致相同 (B)判别器高效的分辨生成器产生样本的真假 (C)判别器无法分辨生成器产生样本的真假 (D)生成器产生样本的不尽相同
答案C 解析答案是C. 判别器无法分辨生成器产生样本的真假。生成对抗网络Generative Adversarial NetworkGAN是一种由生成器Generator和判别器Discriminator组成的博弈系统。生成器的目标是生成逼真的伪造样本而判别器的目标是判断给定样本是真实样本还是生成器生成的伪造样本。在理想情况下生成对抗网络希望生成器生成的样本能够越来越接近真实样本同时判别器难以准确区分真实样本和生成样本。这意味着生成器成功地欺骗了判别器使得判别器无法有效地识别生成样本的真假。 1218、深度学习神经网络训练时需要大量的矩阵计算一般我们需要配用硬件让计算机具备并行计算的能力以下硬件设备可提供并行计算能力的是 AI考点 (A)主板 (B)内存条 (C)GPU (D)CPU
答案C 解析在深度学习神经网络训练中大量的矩阵计算是非常耗时的操作。为了加快计算速度提高训练效率我们通常会使用具备并行计算能力的硬件设备。GPUGraphics Processing Unit图形处理单元是一种专门用于图形渲染的硬件设备但由于其高度并行的特性也被广泛应用于深度学习中。相比于传统的中央处理器CPUGPU拥有更多的计算核心和高内存带宽可以同时处理大量的计算任务提供了强大的并行计算能力。因此选项CGPU可提供并行计算能力是正确答案。其他选项如主板、内存条和CPU虽然在计算机系统中也扮演重要角色但并不是具备并行计算能力的硬件设备。 1219、在深度学习网络中反向传播算法用于寻求最优参数在反向传播算法中使用的什么法则进行逐层求导的AI考点 (A)链式法则 (B)累加法则 (C)对等法则 (D)归一法则
答案A 解析在深度学习网络中反向传播算法用于求解神经网络的损失函数对模型参数的梯度以实现最优参数的寻找。而在进行反向传播算法时涉及计算复合函数的导数需要运用链式法则进行逐层求导。链式法则是对复合函数求导的一种基本方法它表明如果一个函数能表示为另一个函数和其自变量的复合函数则它的导数可以通过另一个函数和该函数关于其自变量的导数计算得到。在深度学习中每个神经元都可以看作是由输入和激活函数复合而成的函数因此链式法则被广泛应用于神经网络的反向传播算法中以计算各层神经元的梯度。因此选项A是正确答案。 1220、L1和L2正则化是传统机器学习常用来减少泛化误差的方法以下关于两者的说法正确的是AI考点 (A)L1正则化可以做特征选择 (B)L1和L2正则化均可做特征选择 (C)L2正则化可以做特征选择 (D)L1和L2正则化均不可做特征选择
答案A 解析当涉及到L1和L2正则化时它们通常被用来减少机器学习模型的泛化误差。下面是对每个选项的解析A. 正确。L1正则化可以用来做特征选择。由于L1正则化引入了特征的绝对值之和作为正则项它有助于使得模型的某些特征系数变为零因此实现了特征选择的效果。这使得L1正则化在处理稀疏数据或需要特征选择的情况下非常有用。B. 错误。虽然L2正则化在一定程度上也可以减小特征的系数但通常不会将其减小到零因此在严格意义上说L2正则化并不能直接做特征选择。C. 错误。L2正则化通常不会直接做特征选择因为它不会将特征的系数减小到零。D. 错误。如前所述L1正则化可以做特征选择而L2正则化虽然不会将系数减小到零但仍然可以在一定程度上调整特征的重要性因此这个选项也是错误的。 1221、传统机器学习和深度学习是人工智能核心技术在工程流程上略有差别以下步骤在深度学习中不需要做的是AI考点 (A)模型评估 (B)特征工程 (C)数据清洗 (D)模型构建
答案B 解析在传统机器学习中特征工程是一个非常重要的步骤它涉及到从原始数据中提取、转换和选择特征以便让机器学习算法能够更好地理解数据。这包括处理缺失值、异常值进行特征缩放、特征组合等操作。而在深度学习中通常使用端到端的学习方式模型可以直接从原始数据中学习到特征的表示因此不需要像传统机器学习那样手动进行特征工程的操作。深度学习模型可以通过学习数据的层次性特征来实现对原始数据的建模因此减少了对特征工程的需求 1222、深度学习中如果神经网络的层数较多比较容易出现梯度消失问题。严格意义上来讲是在以下哪个环节出现样度消失间题AI考点 (A)反向传播更新参数 (B)正向传播更新梦故 (C)反向传播计算结果 (D)正向传播计算结果
答案A 解析梯度消失问题通常在反向传播过程中出现。在深度神经网络中通过链式法则将输出误差逐层向后传播计算每一层对应的梯度并利用这些梯度来更新网络参数。然而在较深的网络中由于梯度会随着层次的加深而指数级地减小因此在靠近输入层的地方梯度可能会变得非常小甚至接近于零导致参数无法得到有效的更新这就是梯度消失问题。因此严格意义上说梯度消失问题主要是在反向传播更新参数的过程中出现的。 1223、在对抗生成网络当中带有标签的数据应该被放在哪里AI考点 (A)作为生成模型的输出值 (B)作为判别模型的输入值 (C)作为判别模型的输出值 (D)作为生成模型的输入值
答案B 解析在GAN中包含标签信息的数据通常用作判别模型Discriminator的输入以帮助判别模型更好地学习真实数据的特征和分布。通过将标签信息引入判别模型可以提高GAN的稳定性和生成样本的质量。 1224、输入3232的图像用大小55的卷积核做步长为1的卷积计算输出图像的大小是AI考点 (A)28*23 (B)28*28 (C)29*29 (D)23*23
答案B 解析计算输出图像的大小可以使用以下公式N (W − F 2P) / S 1在这个问题中输入图像大小为32*32卷积核大小为5*5步长为1。代入公式计算得到N (32 - 5)/1 1 28 因此输出图像的大小为28*28 1225、神将网络训练时常会遇到很多问题对于梯度消失问题我们可以通过选择使用以下哪种函数减轻该问题AI考点 (A)Softsign 函数 (B)Relu函数 (C)tanh 函数 (D)Sigmoid 函数
答案B 解析对于梯度消失问题可以通过选择使用ReLURectified Linear Unit函数来减轻这一问题。ReLU函数相比于Sigmoid和Tanh函数能更好地缓解梯度消失的问题因为它没有饱和区域避免了梯度在反向传播过程中过早趋近于零。 1226、在训练神经网络过程中我们目的是让损失函数不断减少我们常用以下哪种方法最小化损失函数AI考点 (A)梯度下降 (B)Dropout (C)交叉验证 (D)正则化
答案A 解析在训练神经网络过程中我们的目标是最小化损失函数常用的方法是梯度下降。梯度下降通过沿着损失函数梯度的反方向更新模型参数逐渐减小损失函数的值使模型逼近最优解。Dropout是一种正则化方法交叉验证用于评估模型的性能正则化可以帮助控制模型的复杂度但它们并不是直接用来最小化损失函数的方法。 1227、人下关于神经网络的说法错误的是AI考点 (A)随着神经网络隐藏层数的增加模型的分类能力逐步减弱 (B)单层感知器的局限在于不能解决异或问题 (C)前馈神经网络可用有向无环图表示 (D)前馈神经网络同一层的神经元之问不存在联系四、业界主流开发框架
答案A 解析随着神经网络隐藏层数的增加模型的分类能力不一定会逐步减弱通常情况下适当增加隐藏层可以提高模型的表达能力但是也可能会引入过拟合等问题。 1228、TensorF1ow2.0中可用于张量合并的方法有AI考点 (A)join (B)concat (C)split (D)unstack
答案B 解析在TensorFlow 2.0中用于张量合并的方法是concat。 1229、当使用TensorFlow2.0的keras接口搭建神经网络时需要进行网络的编译工作需要用到以下哪种方法AI考点 (A)compile (B)write (C)join (D)fit
答案A 解析使用TensorFlow 2.0的Keras接口搭建神经网络时需要进行网络的编译工作这时候需要用到compile方法。compile方法允许你配置模型的学习流程包括选择优化器、损失函数以及评估指标等。 1230、下列选项中不是TensorF1ow2.0支持的运算符是AI考点 (A)pow (B) (C)^ (D)//
答案C 解析在TensorFlow 2.0中不支持的运算符是^ 1231、TensorFlow使用的数据类型是AI考点 (A)Scalar (B)Vector (C)Tensor (D)Matrix
答案C 解析TensorFlow使用的数据类型就是张量Tensor它可以包括标量Scalar、向量Vector、矩阵Matrix以及更高维度的数组。 1232、PyTorch现有版本均支持Python2和Python3AI考点 (A)TRUE (B)FALSE
答案B 解析PyTorch当前的版本已经不再支持Python 2只支持Python 3。 1233、TensorF1ow2.0不支持tensor在GPU和CPU之间相互转移。 AI考点 (A)TRUE (B)FALSE
答案B 解析TensorFlow 2.0支持在GPU和CPU之间相互转移张量这对于深度学习模型的训练和推理是非常重要的。 1234、TensorF1ow2.0中查看张量维度的方法是AI考点 (A)dimens (B)dtype (C)ndim (D)device
答案C 解析在TensorFlow 2.0中要查看张量的维度可以使用.ndim方法。 1235、代码 modelfitmnisttraininmagemnisttrainlabelsepochs5中的epochs参数代表AI考点 (A)全体训练集将被训练5次 (B)全体测试集将被测试5次 (C)全体训练集将被分为6份 (D)全体训练集将被分为5份
答案A 解析当你使用model.fit(mnist.train, image, mnist.train.labels, epochs5)时其中的epochs参数代表整个训练数据集将被训练的次数。因此正确答案是A表示整个训练集将被训练5次。这个参数用来控制训练过程的迭代次数每个epoch会遍历一次整个训练集。 1236、下列属性中TensorF1ow2.0不支持创建tensor的方法是AI考点 (A)zeros (B)fill (C)create (D)constant
答案C 解析在TensorFlow 2.0中zeros、fill和constant都是用于创建张量的方法而create并不是TensorFlow 2.0中用于创建张量的方法 1237、PyTorch不具备以下哪种功能AI考点 (A)内嵌keras (B)支持动态图 (C)自动求导 (D)GPU加速
答案A 解析PyTorch不具备内嵌Keras的功能。虽然PyTorch和Keras都是用于深度学习的库但它们是独立的框架PyTorch并不内嵌Keras。PyTorch支持动态图、自动求导和GPU加速但并不包含内嵌Keras。 1238、TensorF1ow是下列哪个公司首先开发的AI考点 (A)甲骨文 (B)Facebook (C)英伟达 (D)Google
答案D 解析TensorFlow最初由谷歌公司开发。TensorFlow于2015年11月9日对外发布是由Google Brain团队开发的深度学习框架。 1239、Pytorch是有哪一个公司首先推出的AI考点 (A)百度 (B)Google (C)Facebook (D)Huawei
答案C 解析PyTorch最初是由Facebook的人工智能研究团队开发和推出的。 1240、TensorFlow2.0的keraspreprocessing的作用是AI考点 (A)keras数据处理工具 (B)keras 内置优化器 (C)keras模型部署工具 (D)Keras 生成模型工具
答案A 解析ensorFlow 2.0的keras.preprocessing模块主要用于数据处理包括图像数据、文本数据等的预处理工作 1241、在TensorF1ow2.0中tfcontrib方法可以继续使用。AI考点 (A)TRUE (B)FALSE
答案B 解析tf.contrib在TensorFlow 2.0中被移除所以不能继续使用。 1242、下列选项中不支持TensorFLow2.0进行维度变换的属性是。AI考点 (A)squeeze (B)reshape (C)gather (D)transpose
答案C 解析在TensorFlow 2.0中squeeze、reshape和transpose都是支持维度变换的方法而gather并不是用于维度变换的方法 1243、以下哪个不是MindSpore 常用的Operation AI考点 (A)signal (B)math (C)array (D)nn
答案A 解析在MindSpore中常用的Operation包括math、nn和array。这些Operation用于执行数学计算、神经网络构建和数组操作等。而signal并不是MindSpore中常用的Operation 1244、以下哪个不是MindSpore核心架构的特点AI考点 (A)自动微分 (B)自动调优 (C)自动编码 (D)自动并行
答案C 解析在MindSpore核心架构中自动微分、自动调优和自动并行是其特点之一而自动编码并不是MindSpore核心架构的特点。 1245、面对超大规模模型需要实现高效分布式训练的挑战MindSpore的处理方式为AI考点 (A)自动并行 (B)串行 (C)手动并行
答案A 解析面对超大规模模型需要实现高效分布式训练的挑战MindSpore采用的处理方式是自动并行。这意味着MindSpore能够自动地进行并行化处理从而提高训练效率和性能。 1246、使用随机梯度下降时因为每次训练选取的样本是随机的这本身就带来了不稳定性会导致损失函数在下降到最低点的过程中收敛过程不稳定.AI考点 (A)正确 (B)错误
答案A 解析 1247、indSpore支持整图卸载执行充分发挥昇腾大算力支持 Pipeline 并行和跨层内存复用等框架优化技术以及on- Device 执行和深度图优化等软硬件协同优化技术AI考点 (A)False (B)True
答案B 解析 1248、下面哪—项不属于ModelArts平台中数据管理的功能?AI考点 (A)自动持征挖掘 (B)获取数据 (C)全数据格式支持 (D)达代式皙能标注框架
答案B 解析 1249、人工智能处在感知智能阶段的表现是什么?AI考点 (A)机器开始看懂和听懂做出判断采取些简单行动 (B)机器开始像人类—样能理解、思考与决策 (C)机器开始像人类—样会计算传递信启
答案A 解析 1250、MindSpore 中的MindInsight子系统通过收集训练的超参数据集、数据增强信息实现模型溯源并可在多次训练间进行对比。AI考点 (A)正确 (B)错误
答案A 解析 1251、人工智能学科研究的是如何使机器(计算机)具有智能或者说如何利用计算机实现智能的理论、方法和技术AI考点 (A)False (B)True
答案B 解析 1252、华为云ОBS(对象存储服务服务可自动提取票据的关键信息帮助员工自动填写报销单同时结合RPA自动化机器人可以大幅提升财务报销工作效率。AI考点 (A)True (B)False
答案A 解析 1253、张量通常分为常量张量和变量变量。AI考点 (A)True (B)False
答案A 解析 1254、Atlas 200 DK所基于的异腾310芯片主要的应用是?AI考点 (A)模型推理 (B)训练模型 (C)构建模型
答案A 解析 1255、FPGA是图形处理器是一种由大量运算单元组成的大规模并行计算架构专为同时处理多重任务而设计。AI考点 (A)正确 (B)错误
答案B 解析 1256、MindSpore 中,Tensor初始化时如果包含多种不同类型的数据则按照以下哪一项优先级完成数据类型转换?AI考点 (A) intlt;boollt;float (B)intlt;floatlt;bool (C) boollt;floats int (D) boollt;ints float
答案D 解析 1257、在使用华为云翻拍识别服务时,recapture_detect aksk ()函数的返回结果中如果suggestion为真时,category的取值为以下哪项?AI考点 (A) 、original (B)True (C)空字符 (D) recapture
答案C 解析 1258、在语音合成实验的输出结果中,以下哪一个选项的描述是错误的?AI考点 (A)即使调用失败了输出结果中也会有trace id字殷 (B)saved_Path字段表元合成的语音文件的保存路径 (C)result字段在调用成功时表示识别结果调用失败时无此字段 (D)is saved字段表示合成的语音文件是否成功保存
答案D 解析 1259、关于语音识别服务中的一句话识别指的是用于短语音的同步识别。一次性上传整个音频响应中即返回识别结果。AI考点 (A)正确 (B)错误
答案A 解析 1260、以下哪—项是Sigmoid函数导数的最大值AI考点 (A)0.5 (B)True (C)0.25 (D)0
答案C 解析 1261、相比于传统基于规则的方法机器学习算法所应对的问题规模大规则比较简单AI考点 (A)True (B)False
答案B 解析 1262、线性回归的损失函数中加入L1 正则化此时该回归叫做Lasso回归AI考点 (A)True (B)False
答案A 解析 1263、以下哪一个选项是强人工智能和弱人工智能的本质区别?AI考点 (A)是否具有“自我意识”和真正的逻辑推理能力 (B)使用者不同 (C)数据量不同 (D)提出者不同
答案A 解析 1264、在训练神经网络过程中我们目的是让损失函数不断减少我们常用以下哪种方法最小化损失函数?AI考点 (A)Dropout (B)正则化 (C)梯度下降 (D)交叉验证
答案C 解析 1265、K -means 对于下列哪—种类型的数据集的聚类效果不好?AI考点 (A)凸多边形分布数据集 (B)摆旋形分布数据集 (C)带状分布数据集 (D)园形分布数据集
答案B 解析 1266、数据不—致问题是指数据集中存在矛盾有差异的记录AI考点 (A)正确 (B)错误
答案A 解析 1267、根据多元智力理论人类的智能可以分成七个范畴以下哪一项不属于人类智能的范畴?AI考点 (A)语言 (B)空间 (C)逻辑 (D)爱好
答案D 解析 1268、以下哪—项技术常用于图像特征提取研究领域?AI考点 (A) Word2Vec技术 (B)朴素贝叶斯分类算法 (C)卷积神经网络 (D)长短周期记忆网络
答案C 解析 1269、华为昇腾Al芯片是NPU(神经网络处理器)的典型代表之一。AI考点 (A)TRUE (B)FALSE
答案A 解析 1270、根据美国汽车工程师协会(SAE)将自动驾驶按照车辆行驶对于系统依赖程度分为哪些级别?AI考点 (A)L1~L4 (B)L1~L5 (C)LO~L4 (D)LO~L5
答案D 解析 1271、联邦学习在保证数据隐私安全的前提下利用不同数据源合作训练模型进步突破数据的瓶颈。AI考点 (A)TRUE (B)FALSE
答案A 解析 1272、特征是描述样本的特性的维度关于其在传统机器学习和深度学习的可解释性以下说法正确的是:AI考点 (A)特征在传统机器学习可解释性强而在深度学习可解释性弱 (B)特征在传统机器学习可解释性弱而在深度学习可解释性强 (C)特征在传统机器学习和深度学习可解释性均弱 (D)特征在传统机器学习和深度学习可解释性均强
答案A 解析 1273、由机器学习算法构成的模型在理论层面上它并不能表征真正的数据分布函数只是逼近它而已。AI考点 (A)TRUE (B)FALSE
答案A 解析 1274、机器学习算法中以下不属于集成学习策略的是?AI考点 (A)Boosting (B)Stacking (C)Bagging (D)Marking
答案D 解析 1275、网格搜索是—种参数调节的方法。AI考点 (A)TRUE (B)FALSE
答案B 解析 1276、以下哪个关于监督式学习的说法是正确的?AI考点 (A)决策树是一种监督式学习 (B)监督式学习不可以使用交叉验证进行训练 (C)监督式学习是—种基于规则的算法 (D)监督式学习不需要标签就可以训练
答案A 解析 1277、全局梯度下降算法、随机梯度下降算法和批量梯度下降算法均属于梯度下降算法以下关于其有优缺点说法错误的是:AI考点 (A)全局梯度算法可以找到损失函数的最小值 (B)批量梯度算法可以解决局部最小值问题 (C)随机梯度算法可以找到损失函数的最小值 (D)全局梯度算法收敛过程比较耗时
答案C 解析 1278、有监督学习中“近朱者赤近墨者黑”是用来形容下列哪个模型?AI考点 (A)K-Means (B)SVM (C)KNN (D)神经网络
答案C 解析 1279、朴素贝叶斯算法不需要样本特征之间的独立同分布。AI考点 (A)TURE (B)FALSE
答案B 解析 1280、以下哪个不是图像识别服务的应用?AI考点 (A)目标检测 (B)智能相册 (C)场景分析 (D)语音合成
答案D 解析 1281、下列哪一个是图像标签服务的URI?AI考点 (A)/v1.0/image/recognition (B)/v1.0/image/celebrity-recognition (C)/v1.0/image/recapture-detect (D)/v1.0/image/tagging
答案D 解析 1282、关于图像内容审核服务说法错误的是?AI考点 (A) politics为涉政敏感人物检测结果 (B)terrorism为涉政暴恐检测结果 (C) confidence代表置信度范围0-100 (D)labe1代表每个检测结果的标签
答案C 解析 1283、感知器在空间中可以展现为?AI考点 (A)线 (B)平面 (C)超平面 (D)点
答案C 解析 1284、关于反向传播以下说法错误的是?AI考点 (A)反向传播只能在前馈神经网络中运用 (B)反向传播可以结合梯度下降算法更新网络权重 (C)反向传播会经过激活函数 (D)反向传播指的是误差通过网络反向传播
答案A 解析 1285、深度学习神经网络的隐藏层数对网络的性能有一定的影响以下关于其影响说法正确的是:AI考点 (A)隐藏层数适当减少神经网络的分辨能力不变 (B)隐藏层数适当增加神经网络的分辨能力越强 (C)隐藏层数适当减少神经网络的分辨能力越强 (D)隐藏层数适当增加神经网络的分辨能力越弱
答案B 解析 1286、输入32*32的图像用大小5*5的卷积核做步长为1的卷积计算输出图像的大小是AI考点 (A)28*23 (B)28*28 (C)29*29 (D)23*23
答案B 解析 1287、TensorFlow2.0中可用于张量合并的方法有?AI考点 (A)join (B)concat (C) split (D)unstack
答案B 解析 1288、TensorFlow是当下最流行的深度学习框架之一。AI考点 (A)TRUE (B)FALSE
答案A 解析 1289、PyTorch 现有版本均支持Python2和 Python3?AI考点 (A)TRUE (B)FALSE
答案B 解析 1290、下列属性中TensorFlow2.0不支持创建tensor的方法是?AI考点 (A)zeros (B)fill (C)create (D)constant
答案C 解析 1291、以下哪个不是 MindSpore常用的Operation?AI考点 (A) signal (B)math (C)array (D)nn
答案A 解析 1292、昇腾Al处理器的逻辑架构不包括以下哪个选项?AI考点 (A)DVPP (B)GPU (C)Al计算引擎 (D)芯片系统控制CPU
答案B 解析 1293、HUAWEI HiAl Engine 能够轻松将多种Al能力与App 集成。AI考点 (A)TRUE (B)FALSE
答案A 解析 1294、以下哪一项是HUAWEI HiAl Foundation模块的功能?AI考点 (A)App集成 (B)让服务主动找到用户 (C)快速转化和迁移已有模型 (D)根据用户所需适时适地推送服务
答案C 解析 1295、以下选项中,哪个选项的模型无法分割线性不可分数据集?AI考点 (A)神经网络 (B)线性回归 (C)SVM (D)KNN
答案B 解析 1296、根据所选特征评估标准从上至下递归地生成子节点直到数据集不可分则决策树停止生长以下哪一个选项代表的是决策树构建过程中的这—步骤?AI考点 (A)决策树生成 (B)剪枝 (C)数据集重构 (D)特征选择
答案A 解析 1297、以下关于交叉验证的描述中,哪一项是错误的AI考点 (A)k-折交叉验证是常用的交叉验证方法 (B)交叉验证首先用训练集对分类器进行训练再利用验证集来测试训练得到的模型以此来做为评价分类器的性能指标 (C)交叉验证是用来验证分类器的性能—种统计分析方法 (D)k-折交叉验证方法中的k不是超参数是由模型训练得来的
答案D 解析 1298、数据是记录信息的符号是信息的载体和表示。下列关于数据在Al应用中描述正确的是哪个选项?AI考点 (A)数据仅仅指excel中的表格数据 (B)数据的质量与模型的好坏无关 (C)对数据不需要预欧处理就可以直接输入模型 (D)数据的质量很重要很大程度上决定模型的结果
答案D 解析 1299、模型超参数是模型内部的配置超参数通常需要依靠模型自己学习和选择而不是靠使用者指定。AI考点 (A)False (B)True
答案A 解析 1300、MindCompiler子系统提供图级即时编译能力以下哪一项不属于其面向硬件所进行的优化操作?AI考点 (A)算子融合 (B)layout优化 (C)冗余消除 (D)自动并行
答案D 解析 1301、人工智能的四要素是数据、算法、算力、场景。要满足这四要素,我们需要将AI与云计算、大数据和物联网结合使其更好地服务社会。AI考点 (A)True (B)False
答案A 解析 1302、ModelArts 平台中的数据管理中不支持视频数据格式。AI考点 (A)True (B)False
答案B 解析 1303、以下哪—项不属于人工智能技术带来的争议性问题?AI考点 (A)利用GAN网络生成家居图像发布在租房和订酒店的平台以达到欺骗消费者的目的。高铁站利用计算机视觉技术进行人脸识别快速完成身份信息比对。 (B)高铁站利用计算机视觉技术进行人脸识别快速完成身份信息比对 (C)通过图像处理技术很多减肥药广告可以改变人物的外观以达到减肥前后的对比 (D)通过图像处理技术把犯罪辕疑人P在一个从未去过的地方或将他与未见过的人放在一起以此来制造假证据
答案B 解析 1304、tensorFlow2.0中可用于张量合并的方法有?AI考点 (A)split (B)join (C)concat (D)unstack
答案C 解析 1305、机器学习的算法中,以下哪个不是无监督学习?AI考点 (A)聚类 (B)Xgboost (C)关联规则 (D)GMM
答案B 解析 1306、图像识别实验中在4251个训练图片中有超过2000个类别只有一张图片。还有一些类中有2-5个图片。这一描述反映了以下哪—种数据问题?AI考点 (A)数据不平衡问题 (B)腱数据和数据异常值问题 (C)数据缺失问题 (D)数据过拟合问题
答案A 解析 1307、以下关于深度学习中常用的损失函数的描述哪—项是不正确的?AI考点 (A)二次代价函数关心目标输出和实际输出之间的“距离” (B)二次代价函数更多得用于分类问题而交叉椅代价函数一股用于回归问题 (C)交叉嫡代价函数刻画了两个概率分布之间的距离 (D)训练的目的是使得损失函数达到最小
答案B 解析 1308、TensorFlow2.0中查看张量维度的方法是?AI考点 (A) dtype (B)dimens (C)ndim (D) device
答案C 解析 1309、人工神经网络是—种旨在模仿人脑结构及其功能的信息处理系统。AI考点 (A)正确 (B)错误
答案A 解析 1310、以下关于梯度下降的描述,错误的是哪—项?AI考点 (A)全局样度下降比较稳定这种稳定性能帮助模型收敛到全局极值。 (B)全局梯度下降每次更新权值都需要计算所有的训练样例。 (C)当样本量过多时不使用GPU做并行运算时全局样度下降的收敛过程非常慢。 (D)使用GPU做并行运算时小批量裤度下降完成一个epoch的速度比随机样度下降快。
答案D 解析 1311、以下哪个不是 MindSpore核心架构的特点?AI考点 (A)自动并行 (B)自动调优 (C)自动编码 (D)自动微分
答案C 解析 1312、在语音识别实验中,如果想要设置输出结果添加标点需要使用以下哪一个选项?AI考点 (A)asr_request.set_add_punc(yes) (B)asr_request.set_add_punc(no) (C) config.set_ read_timeout(yes) (D) config.set_read_timeout(no)
答案A 解析 1313、mindspore.ops.GradOperation(get_allFalse,get by_listFalse,sens _paramFalse)。以下关于上述代码的描述中正确的是哪—项?AI考点 (A)get_all为False时会对所有揄入求导 (B)sens_param对网络的输出值做缩放以改变最终梯度 (C)get _by_list为False时会对权重求导。 (D)GradOperation方法在梯度下降和反向传播中没有任何用处
答案B 解析 1314、Mindspore通过面向芯片的深度图优化技术同步等待少最大化“数据–计算–通信的并行度AI考点 (A)正确 (B)错误
答案A 解析 1315、在综合实验中以下有关通用表格识别测试实验和通用文字识别测试实验的描述错误的是哪一个选项?AI考点 (A)两个实验所使用的API都是OCR API (B)两个实验的输出结果都有Status code,表示服务状态 (C)两个实验的输出结果都有words block list,代表子区域识别文字块列表。 (D)两个实验输出结果都包含type信息代表文字识别区域类型
答案D 解析 1316、深度学习常用的损失函数主要有均方误差和交叉嫡误差针对两者的使用场景以下说法正确的是:AI考点 (A)均方误差更多用于分类问题 (B)交叉嫡误差更多用于回归问题 (C)两者均可用于回归问题 (D)两者均可用于分类问题
答案D 解析 1317、K折交叉验证是指将测试数据集划分成K个子数据集AI考点 (A)正确 (B)错误
答案B 解析 1318、在语音识别实验中以下哪—项属于初始化客户端所需要的方法AI考点 (A) Asrcustomizationclient() (B) Asrcustomshortrequest) (C) get_short_response (D)set_add _punc
答案A 解析 1319、以下常见分布中哪—项是一般认为的线性回归中的误差服从的分布AI考点 (A)指数分布 (B)伯努利分布 (C)正态分布 (D)泊松分布
答案C 解析 1320、Tensorflow是下面哪家公司开源的第二代用于数字计算的软件库?AI考点 (A)华为 (B)高通 (C)微软 (D)谷歌
答案D 解析 1321、下列哪—项不属于深度学习中常用的优化器?AI考点 (A)Softplus (B)Adagrad (C) Adam (D)RMSprop
答案A 解析 1322、下列选项中不属于华为全栈解决方案范畴的是?AI考点 (A)应用使能 (B)边缘计算 (C)开源框架 (D)芯片使能
答案B 解析 1323、人工智能处在感知智能阶段的表现是什么?AI考点 (A)机器开始像人类—样能理解、思考与决策 (B)机器开始像人类—样会计算传递信息 (C)机器开始看懂和听懂做出判断采取一些简单行动
答案C 解析 1324、机器学习中模型需要输入什么来训练自身预测未知?AI考点 (A)人工程序 (B)神经网络 (C)训练算法 (D)历史数据
答案D 解析 1325、批量梯度下降小批量梯度下降随机梯度下降最重要的区别在哪里?AI考点 (A)梯度大小 (B)梯度方向 (C)学习率 (D)使用样本数
答案D 解析 1326、以下关于机器学习描述正确的是?AI考点 (A)深度学习是机器学习的一个分支 (B)深度学习与机器学习是互相包含的关系 (C)深度学习与机器学习同属于人工智能但相互之间没有关系 (D)以上都不对
答案A 解析 1327、多项式回归当中模型的公式中存在平方项因此其不是线性的。AI考点 (A)TRUE (B)FALSE
答案B 解析 1328、训练误差会随着模型复杂度的上升不断诚小。AI考点 (A)TRUE (B)FALSE
答案A 解析 1329、护照识别服务的图像数据是不需要用base64编码的。AI考点 (A)TRUE (B)FALSE
答案B 解析 1330、在神经网络中我们是通过以下哪个方法在训练网络的时候更新参数从而最小化损失函数的?AI考点 (A)正向传播算法 (B)池化计算 (C)卷积计算 (D)反向传播算法
答案D 解析 1331、关于神经网络的说法错误的是?AI考点 (A)随着神经网络隐藏层数的增加模型的分类能力逐步减弱 (B)单层感知器的局限在于不能解决异或问题 (C)前馈神经网络可用有向无环图表示 (D)前馈神经网络同—层的神经元之间不存在联系
答案A 解析 1332、tf.keras.datasets可以查看keras中内置的数据集。AI考点 (A)TRUE (B)FALSE
答案A 解析 1333、TensorFlow2.0的keras.metrics的内置指标不包括的方法有?AI考点 (A) Accuracy (B)Recall (C)Sum (D)Mean
答案C 解析 1334、TensorFlow2.0中查看张量维度的方法是?AI考点 (A) dimens (B)dtype (C) ndim (D)device
答案C 解析 1335、PyTorch 不具备以下哪种功能?AI考点 (A)内嵌keras (B)支持动态图 (C)自动求导 (D)GPU加速
答案A 解析 1336、Atlas 200 DK所基于的异腾310芯片主要的应用是?AI考点 (A)模型推理 (B)构建模型 (C)训练模型
答案A 解析 1337、GPU擅长计算密集和易于并行的程序。AI考点 (A)TRUE (B)FALSE
答案A 解析 1338、HiAl移动计算平台提供丰富的上层功能业务APl,可在移动设备高效运行。AI考点 (A)TRUE (B)FALSE
答案A 解析 1339、在超参数搜索空间较大的情况下采用随机搜索会优于网格搜索的效果。AI考点 (A)正确 (B)错误
答案A 解析 1340、下列哪些属于AI 的子领域AI考点 (A)机器学习 (B)计算机视觉 (C)语音识别 (D)自然语言处理
答案ABCD 解析机器学习是一种让计算机模仿人类学习能力的方法通过从数据中学习规律和模式来改进算法的性能。计算机视觉是指让计算机像人类一样理解和分析图像和视频的能力包括图像识别、目标检测、人脸识别等应用场景。语音识别是指通过计算机程序将语音信号转换成文本或命令的技术是实现语音交互的重要技术之一。自然语言处理是指让计算机处理自然语言的能力包括文本分类、信息抽取、语义理解等任务是实现智能对话和语音助手等应用的关键技术。综上所述ABCD选项均属于AI的子领域。 1341、人工智能包括哪些要素AI考点 (A)算法 (B)场景 (C)算力 (D)数据
答案ABCD 解析人工智能是指使机器能够模拟和实现人类智能的一门学科。在人工智能的实现过程中需要涉及到多个方面的要素其中最重要的是算法、场景、算力和数据。算法指的是运用数学、逻辑等方法设计、优化和实现的人工智能模型是实现人工智能的基础。场景指的是人工智能应用所针对的具体应用场景如人脸识别、智能语音等。算力则是指支撑人工智能技术运作所需的计算能力包括硬件设备和相关软件工具等。数据则是人工智能的重要基础涉及到数据的质量、数量、种类等方面。因此正确答案是ABCD即算法、场景、算力和数据。 1342、以下哪几个方面属于华为的全栈AI解决方案AI考点 (A)Ascend (B)CANN (C)ModelArts (D)MindSpore
答案ABCD 解析华为的全栈AI解决方案主要包含四个部分即Ascend芯片、CANN华为神经网络处理器架构、ModelArts平台和MindSpore框架。其中Ascend芯片是华为自主研发的AI芯片支持高性能计算、深度学习推理和训练等多种应用场景CANN是面向Ascend芯片的神经网络处理器架构可以极大提高硬件加速功能ModelArts是华为云推出的基于AI的全栈解决方案提供了一整套丰富的AI开发和运行环境MindSpore是华为自主研发的AI框架具有高效、灵活、易用等特点。因此正确答案是ABCD。 1343、下面哪些属于AI的应用领域AI考点 (A)智慧教育 (B)智慧城市 (C)智慧家居 (D)智慧医疗
答案ABCD 解析人工智能的应用领域非常广泛涵盖各行各业。智慧教育、智慧城市、智慧家居、智慧医疗等都是AI应用的领域之一。具体来说A. 智慧教育AI可应用于教育资源智能推荐、智能辅导、教学管理等领域帮助教师和学生提高教学和学习效率。B. 智慧城市AI可应用于城市交通、环保、安全、治理等各个方面通过数据分析和智能决策提升城市的智慧化水平。C. 智慧家居AI可为家庭提供智能家居控制、语音识别、智能安防等服务让家庭更加便捷、舒适、安全。D. 智慧医疗AI可应用于医学影像、辅助诊断、智能健康管理等领域提高医疗诊断和治疗的准确性和效率。因此选项ABCD均为AI的应用领域。 1344、人工智能现在的技术应用方向主要有AI考点 (A) 自然语言处理 (B)控制系统 (C)计算机视觉 (D)语音识别
答案ACD 解析人工智能的技术应用方向非常广泛但是目前主要集中在自然语言处理、计算机视觉和语音识别等方向上。A. 自然语言处理(NLP)是指让机器能够理解、分析、生成自然语言(如英语、中文等)。目前的NLP技术已经被应用于很多领域如智能客服、智能翻译、智能写作等。C. 计算机视觉(CV)是指让机器能够理解和解释图像和视频。CV技术已经被应用于人脸识别、自动驾驶、智能安防等领域。D. 语音识别(SR)是指让机器能够理解和识别人类语音。SR技术已经被应用于智能助理、智能客服、语音识别系统等领域。因此正确答案是ACD自然语言处理、计算机视觉和语音识别。 1345、随着AI技术的发展现在各项技术几乎都涉及到了人工智能以下哪个是现在AI的应用领域云计算考点 (A)声音识别 (B)NLP Neuro-Linguistic Programing (C)图像识别 (D)安抚机器人
答案ABCD 解析所有选项都是现在人工智能的应用领域安抚机器人、声音识别、图像识别和NLP自然语言处理都是现在人工智能的应用领域。 1346、以下关于RAID的描述正确的是 (A)RAID可以看作是由两个或更多个磁盘组成的存储空间其可用容量为各磁盘容量之和 (B)当一块磁盘出现损坏后RAID5中的其他磁盘仍能正常工作磁盘IO性能不受影响 (C)RAID6与RAID5相比数据恢复能力更强但磁盘的读写能力下降 (D)RAID是通过在多个磁盘上并发读写数据来提高存储系统的IO性能
答案CD 解析磁盘阵列是由很多块独立的磁盘组合成一个容量巨大的磁盘组利用个别磁盘提供数据所产生加成效果提升整个磁盘系统效能。 RAID 6与RAID 5相比,RAID 6增加了第二个独立的奇偶校验信息块.两个独立的奇偶系统使用不同的算法,数据的可靠性非常高,即使两块磁盘同时失效也不会影响数据的使用.但RAID 6需要分配给奇偶校验信息更大的磁盘空间,相对于RAID 5有更大的“写损失”,因此“写性能”非常差.较差的性能和复杂的实施方式使得RAID 6很少得到实际应用. 1347、随着AI技术的发展现在各项技术几乎都涉及到了人工智能以下哪个是现在AI的应用领域 (A)声音识别 (B)NLP Neuro-Linguistic Programing (C)图像识别 (D)安抚机器人
答案ABCD 解析所有选项都是现在人工智能的应用领域安抚机器人、声音识别、图像识别和NLP自然语言处理都是现在人工智能的应用领域。 1348、处理实际问题时以下什么情况下该使用机器学习AI考点 (A)数据分布本身随时间变化需要程序不停的重新适应比如预测商品销售的趋势 (B)规则复杂程度低且问题的规模较小的问题 (C)任务的规则会随时间改变比如生产线上的瑕疵检测 (D)规则十分复杂或者无法描述比如人脸识别和语音识别
答案ACD 解析可以使用机器学习的情况有A. 数据分布本身随时间变化需要程序不停地重新适应比如预测商品销售的趋势。使用机器学习的时间序列分析方法可以捕捉数据的演变趋势并进行预测。C. 任务的规则会随时间改变比如生产线上的瑕疵检测。机器学习可以通过学习复杂的数据模式和特征来适应任务规则的变化从而实现准确的瑕疵检测。D. 规则十分复杂或者无法描述比如人脸识别和语音识别。由于传统的规则编程难以处理复杂的规则或无法完整描述的问题机器学习可以通过从大量数据中学习特征和模式来实现准确的人脸识别和语音识别。因此正确答案是 AC D。这些情况下机器学习可以帮助解决问题而在规则复杂程度低且问题规模较小的情况下可能可以使用传统的规则编程方法。 1349、正则化是传统机器学习中重要且有效的减少泛化误差的技术以下技术属于正则化技术的是AI考点 (A)L1 正则化 (B)L2 正则化 (C)Dropout (D)动量优化器
答案ABC 解析A. L1 正则化L1 正则化是一种常见的正则化方法它在损失函数中添加了权重的 L1 范数作为正则化项可以有效地推动模型参数稀疏化有助于特征选择和降低过拟合。B. L2 正则化L2 正则化是另一种常用的正则化方法它在损失函数中添加了权重的 L2 范数作为正则化项可以有效地控制模型参数的大小降低模型的复杂度帮助减少过拟合问题。C. DropoutDropout 是一种正则化技术它在神经网络的训练过程中随机选取一部分神经元并将其输出置为零以降低模型对特定神经元的依赖从而减少过拟合。选项D. 动量优化器并不属于正则化技术。动量优化器是一种优化算法在梯度下降中加入了动量的概念有助于加速训练和跳出局部最优点但不直接起到减少泛化误差的作用。综上所述属于正则化技术的选项是 ABC。 1350、12.以下关于机器学习算法与传统基于规则方法的区别中正确的是AI考点 (A)传统的基于规则的方法其中的规律可以人工显性的明确出来 (B)传统基于规则的方法使用显性编程来解决问题 (C)机器学习中模型的映射关系是自动学习的 (D)机器学习所中模型的映射关系必须是隐性的
答案ABC 解析A. 传统的基于规则的方法其中的规律可以人工显性地明确出来。在传统的规则编程方法中开发人员需要显式地定义规则和逻辑来解决问题规则是直接编码的。B. 传统基于规则的方法使用显性编程来解决问题。这意味着开发人员需要根据问题的要求编写规则和逻辑以指导程序的行为。C. 机器学习中模型的映射关系是自动学习的。在机器学习中模型通过从数据中自动学习特征和规律从而形成输入和输出之间的映射关系。相比之下传统基于规则的方法需要人为地编码规则和逻辑D. 选项D错误。机器学习中的模型映射关系可以是显性的例如使用线性回归或逻辑回归模型时模型直接定义了输入和输出之间的关系。然而并不是所有机器学习模型都是显性的例如深度神经网络的模型映射关系通常是隐性的网络通过训练自动学习参数来建立映射关系。综上所述正确答案是 ABC。 1351、有大量销售数据但没有标签的情况下企业想甄别出VIP客户以下模型中合适的有AI考点 (A)逻辑回归 (B)SVM (C)K-Means (D)层次聚类
答案CD 解析在没有标签的情况下逻辑回归和SVM等监督学习算法无法直接应用。而聚类分析是一种无监督学习方法可以将相似的数据点分组为簇从而可以对客户进行分类。K-Means是一种常见的聚类算法通过迭代地将数据点分配到最近的聚类中心并更新聚类中心来实现聚类。这种方法可以帮助企业甄别出VIP客户群体。层次聚类是另一种聚类算法它采用一种自底向上的方式通过计算数据点之间的相似度或距离来构建聚类树。层次聚类可以帮助企业发现潜在的VIP客户群体。因此在没有标签的情况下K-Means和层次聚类是合适的模型选择。 1352、以下关于 KNN 算法当中k 值描述正确的是AI考点 (A)K 值越大模型越容易过拟合 (B)K 值越大分类的分割面越平滑 (C)K 值是超参数 (D)可以将 k 值设为 0
答案BC 解析B. K值越大分类的分割面越平滑。在KNN算法中k值表示要考虑的最近邻样本的数量。当k值较大时意味着将更多的邻居样本考虑在内这会导致分类的决策边界更加平滑。相反当k值较小时分类的决策边界可能会更加复杂和不规则。C. K值是超参数。在机器学习中超参数是在模型训练之前手动设置的参数而不是通过训练过程获得的。KNN算法中的k值就是一个超参数我们需要选择适当的k值来获得较好的分类性能。选择合适的k值可能需要进行交叉验证或者其他调参方法。选项A是错误的描述。K值的大小与模型过拟合之间没有直接的关系。过拟合是指模型在训练集上表现良好但在测试集上表现较差与k值的选择无关。选项D也是错误的描述。K值不能设为0因为至少需要考虑一个邻居样本进行分类。K值必须是一个正整数。因此选项B和C是正确的 1353、在随机森林中最终的集成模型是通过什么策略决定模型结果的AI考点 (A)累加制 (B)求平均数 (C)投票制 (D)累乘制
答案BC 解析在随机森林中生成若干个决策树模型每个模型都对数据进行预测。为了得到最终的模型结果随机森林采用投票制或求平均数来决定数个模型预测结果的最终权值。具体而言若使用投票制将每颗决策树对应的预测结果进行统计以得到最终权值。如果多数决策树预测样本为正类则随机森林最终判断该样本为正类反之则判断为负类。若使用求平均数法将每颗决策树对应的预测结果进行平均得到最终权值。对于回归问题最终模型输出为若干颗决策树输出的平均值对于分类问题最终模型输出为各个决策树输出最高的概率值也就是概率平均。 1354、常见的聚类算法有哪些AI考点 (A)密度聚类 (B)层次聚类 (C)谱聚类 (D)Kmeans
答案ABCD 解析常见的聚类算法包括A.密度聚类Density-based Clustering如DBSCANDensity-Based Spatial Clustering of Applications with Noise根据样本点周围的密度来进行聚类可以发现任意形状的聚类簇并且对噪声数据有较好的鲁棒性。B.层次聚类Hierarchical Clustering将样本逐步分割成多个聚类簇可以形成层次化的聚类结果。常见的方法有自上而下的凝聚聚类和自下而上的分裂聚类。C.谱聚类Spectral Clustering通过样本之间的相似度构建相似度矩阵然后通过特征向量分解或者图论方法对相似度矩阵进行降维和聚类可以处理非球形簇以及具有复杂结构的数据。D.K-means通过迭代的方式将数据集划分为K个簇在每次迭代中将样本点分配到距离最近的质心并更新质心的位置直到质心不再变化或达到迭代次数。K-means算法易于实现和理解是最常用的聚类算法之一。除了上述常见的聚类算法还有其他聚类算法如高斯混合模型Gaussian Mixture Models, GMM、均值漂移Mean Shift等。不同的聚类算法适用于不同的数据特征和问题场景选择合适的聚类算法可以更好地解决实际问题。 1355、以下哪些激活函数容易产生梯度消失问题 AI考点 (A)ReLU (B)Softplus (C)Tanh (D)Sigmoid
答案CD 解析梯度消失问题是指在神经网络的反向传播过程中梯度逐渐减小并趋近于零导致较深层的权重更新缓慢甚至停止。以下是容易导致梯度消失问题的激活函数C. Tanh双曲正切函数Tanh函数的导数范围在0到1之间当输入值较大或较小时其导数接近于0因此在梯度反向传播时梯度会逐渐减小并趋近于零导致梯度消失问题。D. Sigmoid函数也称为Logistic函数Sigmoid函数同样具有导数范围在0到1之间的特点因此在较深的网络中使用Sigmoid函数作为激活函数容易导致梯度消失问题。相比之下A. ReLU修正线性单元ReLU函数在正区间上具有导数为1的特点因此不会出现梯度消失问题。B. Softplus函数Softplus函数在大部分区间上的导数都大于0也不容易产生梯度消失问题。因此Tanh和Sigmoid函数是容易产生梯度消失问题的激活函数。 1356、在神经网络中常有权重共享现象以下哪些神经网络会发生权重共享 AI考点 (A)感知器 (B)卷积神经网络 (C)全连接神经网络 (D)循环神经网络
答案BD 解析权重共享是指在神经网络中多个神经元或多个层之间共用同一组权重参数的情况。这有助于减少模型的参数量和计算复杂度提高模型的效率和泛化能力。卷积神经网络Convolutional Neural Network, CNN中常常会发生权重共享。在CNN中通过使用卷积操作来提取图像的特征。卷积操作使用一个卷积核也称为滤波器对输入进行卷积计算而不同位置的输入共享同一个卷积核权重。这样可以有效地减少参数量并且使得模型能够对图像的局部特征进行学习。循环神经网络Recurrent Neural Network, RNN中也会发生权重共享。RNN在每个时间步都使用相同的权重参数来对输入和隐藏状态进行计算同时更新隐藏状态和生成输出。这种权重共享的机制使得RNN能够处理序列数据并且在序列的不同位置共享模型参数从而实现对序列的依赖关系建模。感知器Perceptron和全连接神经网络Fully Connected Neural Network通常不会发生权重共享。感知器是最简单的神经网络模型每个神经元与上一层的所有神经元相连并且没有共享参数的机制。全连接神经网络中每个神经元都与上一层的所有神经元相连也不会有权重共享的情况。 1357、在深度学习任务中遇到数据不平衡问题时我们可以用以下哪些方法进行解诀 AI考点 (A)批量删除 (B)随机过采样 (C)合成采样 (D)随机欠采样
答案BCD 解析数据不平衡指的是在训练数据集中不同类别的样本数量差异较大。在处理数据不平衡问题时我们需要采取一些方法来平衡各个类别的数据分布以避免模型对多数类别的过度偏向。以下是针对数据不平衡问题常用的解决方法B. 随机过采样Random Oversampling对少数类别的样本进行随机复制增加其数量以达到与多数类别相近的样本数量。这样可以平衡数据分布但可能会导致过拟合问题。C. 合成采样Synthetic Sampling使用插值或生成算法根据已有的样本生成新的合成样本来增加少数类别的数量。例如SMOTESynthetic Minority Oversampling Technique算法通过对特征空间中的少数类样本进行插值来生成新的合成样本。D. 随机欠采样Random Undersampling将多数类别的样本随机删除减少其数量以达到与少数类别相近的样本数量。这样可以平衡数据分布但可能会丢失一些重要信息。批量删除Batch Deletion并不是一种常用的解决数据不平衡问题的方法。批量删除会直接删除部分样本可能会导致信息丢失和模型的偏倚。综上所述对于数据不平衡问题常用的解决方法是随机过采样、合成采样和随机欠采样。这些方法可以根据数据集的情况选择合适的策略来平衡数据分布从而改善模型的性能。 1358、深度学习中常用的损失函数有 AI考点 (A)L1损失函数 (B)均方误差损失函数 (C)交叉熵误差损失函数 (D)自下降损失函数
答案BC 解析深度学习中常用的损失函数包括但不限于以下几种B. 均方误差损失函数Mean Squared Error Loss也称为L2损失函数用于回归任务。它计算预测值与真实值之间的平均平方差可以衡量预测值与真实值之间的距离。C. 交叉熵误差损失函数Cross Entropy Loss用于分类任务尤其是在多类别分类中广泛使用。它通过将预测的概率分布与真实标签的概率分布进行比较计算两者之间的交叉熵用于衡量模型输出与真实标签之间的差异。A. L1损失函数Mean Absolute Error Loss用于回归任务计算预测值与真实值之间的平均绝对差。与均方误差相比L1损失函数更加鲁棒对异常值的影响较小。D. 自下降损失函数自下降损失函数并不常见此处可能为错误选项。除了以上提到的损失函数还有其他的损失函数可根据具体问题的需求进行选择和设计如交叉熵的变种如二分类交叉熵、多标签交叉熵、对抗生成网络GAN中的生成器损失函数和判别器损失函数等。综上所述深度学习中常用的损失函数有均方误差损失函数和交叉熵误差损失函数。 1359、已知全连接神经网络的某一层的参数总量为330则上一层和本层的神经元数量可能为 AI考点 (A)32和10 (B)10和33 (C)33和10 (D)9和33
答案BC 解析假设上一层的神经元数量为N本层的神经元数量为M。全连接神经网络中每个神经元与上一层的所有神经元都有连接因此本层的参数总量可以通过上一层的神经元数量和本层的神经元数量来计算。假设上一层和本层的神经元数量分别为N和M则本层的参数总量为 N * M。根据题目中的信息本层的参数总量为330即 N * M 330。考虑选项中的可能组合A. 32个神经元和10个神经元 32 * 10 320不符合条件。B. 10个神经元和33个神经元 10 * 33 330符合条件。C. 33个神经元和10个神经元 33 * 10 330符合条件。D. 9个神经元和33个神经元 9 * 33 297不符合条件。因此上一层和本层的神经元数量可能为B. 10和33 或C. 33和10。 1360、在深度学习模型训练的过程中常见的优化器有哪些 AI考点 (A)Adam (B)Adagrad (C)SGD (D)Momentum
答案ABCD 解析答案是ABCD。常见的深度学习模型训练优化器包括A. AdamAdaptive Moment EstimationAdam是一种自适应学习率优化算法结合了动量法和RMSProp算法。它能够根据梯度的一阶矩估计和二阶矩估计自适应地调整学习率并且对稀疏梯度有较好的适应性。B. AdagradAdaptive Gradient AlgorithmAdagrad是一种自适应学习率优化算法它根据历史梯度的平方和来自适应地调整学习率。在训练过程中它会对出现频率较低的特征使用较大的学习率对出现频率较高的特征使用较小的学习率从而有效处理稀疏数据问题。C. SGDStochastic Gradient DescentSGD是一种随机梯度下降算法它每次迭代从训练集中随机选择一个样本进行更新。SGD的优点是计算简单并且可以在大规模数据集上有效训练但收敛速度相对较慢。D. MomentumMomentum是一种基于动量的优化算法它引入了动量项来加速梯度下降过程。动量项可以看作是之前梯度的指数加权平均能够在梯度方向上提供一定的惯性从而减少局部最优解带来的影响加快收敛速度。这些优化器都是为了在神经网络的训练过程中能够更快、更有效地找到合适的参数组合以提高模型的性能和训练效果。在实际应用中选择适合具体任务和数据集的优化器是非常重要的。 1361、深度学习中以下哪些步骤是由模型自动完成的 AI考点 (A)模型训练 (B)特征选择 (C)分析定位任务 (D)特征提取
答案BD 解析在深度学习中模型训练和特征提取通常是由模型自动完成的步骤而特征选择和分析定位任务等则需要人工干预。具体来说特征提取深度学习模型可以根据给定的数据集和标签自动从原始数据中提取出最具有代表性的特征。这通常通过多个卷积层、池化层和全连接层等一系列的非线性变换实现。模型训练训练过程是指优化模型参数、使得预测的输出结果与真实标签之间的误差最小化的过程。深度学习模型通常采用反向传播算法和随机梯度下降等优化方法完成模型训练。特征选择在一些需要手工设计特征的任务中需要人工选择最具代表性的特征以提高模型性能例如人脸识别任务需要选择人脸区域。分析定位任务对于一些需要解释特征作用的任务需要经过人工干预对特征进行解释。因此选项BD是由模型自动完成的步骤。 1362、关于卷积神经网络池化层以下描述正确的是 AI考点 (A)池化操作采用扫描窗口实现 (B)池化层可以起到降维的作用 (C)常用的池化方法有最大池化和平均池化 (D)经过池化的特征图像变小了
答案ABCD 解析池化层是卷积神经网络中的一个重要组成部分主要作用是降低特征图的维度减少计算量并提取出更加鲁棒、具有代表性的特征。在池化层中通常采用扫描窗口对输入张量进行局部统计得到输出张量。以下是各选项的解释池化操作采用扫描窗口实现池化操作通常采用滑动窗口的方式实现将统计区域内的数值进行聚合得到输出数值。池化层可以起到降维的作用池化操作可以通过对输入数据进行降维得到较小尺寸的输出特征图来减少计算和存储成本。常用的池化方法有最大池化和平均池化常见的池化方法包括最大池化、平均池化等其中最大池化会选择统计区域内的最大值作为输出值而平均池化会计算统计区域内数值的平均值作为输出值。经过池化的特征图像变小了由于池化操作通常只计算统计区域内的特征因此池化层输出特征图的尺寸通常比输入特征图小。因此选项ABCD描述均正确。 1363、卷积神经网络中的池化层可以减小下层输入的尺寸。常见的池化有AI考点 (A)最小地化层 (B)乘积池化层 (C)最大池化层 (D)平均池化层
答案CD 解析在卷积神经网络中池化层用于减小特征图的空间尺寸从而减少参数数量并控制过拟合。常见的池化操作包括最大池化和平均池化C. 最大池化层Max Pooling对输入特征图的不重叠区域取最大值通过保留最显著的特征来减小尺寸。D. 平均池化层Average Pooling对输入特征图的不重叠区域取平均值通过平均特征来减小尺寸。这两种池化操作都有助于减小下层输入的尺寸因此答案是CD。 1364、如果深度学习神经网络出现了梯度消失或梯度爆炸问题我们常用的解决方法为。AI考点 (A)梯度剪切 (B)随机欠采样 (C)使用Relu激活函数 (D)正则化
答案ACD 解析对于深度学习神经网络出现梯度消失或梯度爆炸问题常用的解决方法包括A. 梯度剪切Gradient Clipping通过设定一个阈值对梯度进行裁剪防止梯度爆炸的发生。C. 使用ReLU激活函数ReLU激活函数能够缓解梯度消失问题因为它没有像Sigmoid和Tanh函数那样的饱和区域。D. 正则化Regularization通过加入正则化项如L1正则化或L2正则化可以限制参数的数值大小避免梯度爆炸。 1365、以下哪些是属于深度学习算法的激活函数AI考点 (A)Sigmoid (B)ReLU (C)Tanh (D)Sin
答案ABC 解析因为Sigmoid、ReLU和Tanh都是深度学习算法中常用的激活函数它们分别具有不同的特点和在不同场景下的应用。而Sin函数并不是深度学习中常用的激活函数。 1366、当编译模型时用了以下代码mode1compileoptimizer-Adam1oss- categorical.crossentropy, metrics-[tf.keras.metrics.accuracy]). 在使用evaluate 方法评估模型时会输出以下哪些指标AI考点 (A)accuracy (B)categorical_1oss (C)1oss (D)categorical accuracy
答案AC 解析在使用evaluate方法评估模型时会输出accuracy准确率和loss损失这两个指标。 1367、以下属于TensorFlow2.0的特性的是AI考点 (A)引入Keras 接口 (B)支持静态图机制 (C)支持更多平台和更多语官 (D)继续兼容Tensorflowl.x的相关模块
答案ACD 解析A. 引入Keras 接口TensorFlow 2.0将Keras作为其主要的高级神经网络API使得神经网络的搭建和训练更加简单和直观。B. 支持静态图机制TensorFlow 2.0实际上放弃了静态图机制而采用了更加易用的动态图机制这使得编程更加直观和简单C. 支持更多平台和更多语言TensorFlow 2.0确实增加了对更多平台和更多语言的支持使得它更具有通用性和灵活性。D. 继续兼容Tensorflow1.x的相关模块TensorFlow 2.0在某种程度上是向下兼容的可以通过一些兼容性工具来迁移从TensorFlow 1.x到TensorFlow 2.0的代码。 1368、下列选项中属于keras下estimator封装的方法有AI考点 (A)评估 (B)训练 (C)预测 (D)输出模型
答案ABC 解析在Keras中Estimator封装了评估evaluate、训练train和预测predict等方法。 1369、TensorF1ow2.0中可以用来查看是否是tensor的方法有AI考点 (A)dtype (B)isinstance (C)is_tensor (D)device
答案BC 解析在TensorFlow 2.0中可以用isinstance和is_tensor这两个方法来查看是否是张量 1370、MSIR是一种简洁高效灵活的基于图的函数式IR可以表示的函数式语义类型有AI考点 (A)自由变量 (B)高阶函数 (C)中断 (D)递归
答案ABD 解析MSIR可以表示自由变量、高阶函数和递归等函数式语义类型。中断并不是函数式语义类型 1371、Ce11提供了定义执行计算的基本模块Ce11的对象可以直接执行以下说法有误的是AI考点 (A)init初始化参数Parameter子模块Ce11算Primitive等组 件进行初始化的校验 (B)Construct定义执行的过程。图模式时会被编译成图来执行没有语法限制 (C)还有一些optim常用优化器wrap常用网络包装函数等预定义Cel1 (D)bprop可选自定义模块的反向
答案ACD 解析在描述中没有提到关于optim常用优化器wrap常用网络包装函数等预定义Cel1这一说法因此选项C是错误的。另外bprop可选也是Ce11的一个重要组成部分所以选项D也是错误的。 1372、在卷积神经网络中不同层具有不同的功能可以起到降维作用的是以下哪—层.AI考点 (A)输入层 (B)全连接层 (C)卷积层 (D)池化层
答案BCD 解析 1373、以下属于数据预处理步的是哪些选项AI考点 (A)数据汇总、训练模型 (B)训练模型 (C)合并多个数据源数据 (D)处理数据缺失 (E)数据过滤
答案ACDE 解析 1374、以下关于线性回归的描述中哪些选项是错误的AI考点 (A)多元线性回归分析出来的一定是高维空间中的mdash;条直线。 (B)由于算法复杂度线性回归无法使用梯度下降的方法求出当损失函数达到最小的时候的权重参数 (C)根据正态分布函数与最大似然估计可以求出线性回归的损失函数 (D)线性回归中误差受到众多因素独立影响根据中心极限定律误差服从正态分布
答案AB 解析 1375、机器学习—般可分为以下哪些类型AI考点 (A)监督学习 (B)半监督学习 (C)无监督学习 (D)强化学习
答案ABCD 解析 1376、SVM中常用的核函数包括哪些?AI考点 (A)高斯核函数 (B)多项式核函数 (C) sigmiod核函数 (D)线性核函数
答案ABCD 解析 1377、下列选择中属于keras 下estimator封装的方法有?AI考点 (A)训练 (B)评估 (C)输出模型 (D)预测
答案BC 解析 1378、人工智能包括哪些要素?AI考点 (A)算法 (B)场景 (C)算力 (D)数据
答案ABCD 解析 1379、以下哪些服务属于华为EI服务家族AI考点 (A)EI大数据服务 (B)自然语言处理 (C)对话机器人 (D)E基础服务
答案ABCD 解析 1380、Adam 优化器可以看做是以下哪几项的结合?AI考点 (A)Momentum (B)Adagrad (C)Nesterov (D)RMSprop
答案ABD 解析 1381、AI芯片从业务应用上来分可以分为AI考点 (A)训练 (B)GPU (C)模型构建 (D)推理
答案AD 解析 1382、哪些目录是ME模块组件包含的?AI考点 (A)train (B) cmake (C) model_zoo (D)mm
答案AC 解析 1383、以下哪些选项是人工智能深度学习框架?AI考点 (A)MindSpore (B)Pytorch (C)Theand (D)TensorFlow
答案ABCD 解析 1384、无人超市的场景下,使用到的Al技术有哪些选项?AI考点 (A)推荐算法 (B)数据挖掘 (C)计算机视觉 (D)生物合成
答案ABC 解析 1385、softmax函数在分类任务中经常被使用下列关于softmax函数的描述,哪些选项是正确的?AI考点 (A)是二分类函数sigmoid的推广 (B)softmax函数又称作归一化指数函教 (C) Softmax回归模型是解决二分类回归问题的算法 (D) softmax函数经常与交叉嫡损失函数联合使用
答案ABD 解析 1386、ModelArts 服务覆盖的几大应用场景包括?AI考点 (A)工控 (B)图像 (C)文本 (D)语音
答案ABCD 解析 1387、处理实际问题时以下什么情况下该使用机器学习?AI考点 (A)规则十分复杂或者无法描述比如人脸识别和语音识别 (B)任务的规会随时间改变比如生产线上的瑕疵检测比如预测商品销售的趋势 (C)数据分布本身随时间变化需要程序不停的重新适应 (D)规则复杂程度低且问题的规模较小的问题
答案ABC 解析 1388、以下关于回归分析的说法中哪些选项是正确的?AI考点 (A)回归分析是—种有监督学习回归分析是—种无监督学习 (B)回归分析是—种无监督学习 (C)追加了绝对值损失(L1正则)的线性回归叫做Lasso回归 (D)回归分析是用来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法
答案ACD 解析 1389、根据华为云El智能干台,可以提供以下哪些解决方柔?AI考点 (A)车辆识别方案 (B)基于知识图诺的政策查询方案 (C)人流统计方案 (D)入侵识别方案
答案ABCD 解析 1390、下列哪些属于华为云自然语言处理(Natural Language Processing)服务的关键技术?AI考点 (A)卷积 (B)分词 (C)文本摘要 (D)池化
答案BC 解析 1391、以下哪些选项属于机器学习中常见的集成学习算法?AI考点 (A)线性回归 (B)GBDT (C)随机森林 (D)Xgboost
答案BCD 解析 1392、Atlas 800 AI服务器有多个型号,其中基于鲲鹏处理器平台的是?AI考点 (A)Atlas 800型号:9000 (B)Atlas 800型号:3000 (C)Atlas 800型号:3010
答案AB 解析 1393、HUAWEIHAI支持的机型有哪些?AI考点 (A)P30 (B)iPhone10 (C)Mate20 (D)荣耀V20
答案ACD 解析 1394、以下哪几项是MindSpore 中 Model)函数的参数?AI考点 (A) loss_fn (B) optimizer (C) weight_init (D)network
答案AB 解析 1395、下列关于通用表格识别服务返回的type字段说法正确的是?AI考点 (A) type为text时代表文本识别区域 (B)type代表表格类型 (C) type为table时代表表格识别区域 (D)type代表文字识别区域类型
答案AC 解析 1396、下列使用了达芬奇架构的产品有哪些选项?AI考点 (A) Ascend.310 (B)Kunpeng920s (C) Ascend910 (D) Kunpeng920
答案AC 解析 1397、下列哪些属于Al的子领域?AI考点 (A)机器学习 (B)计算机视觉 (C)语音识别 (D)自然语言处理
答案ABCD 解析 1398、以下哪几个方面属于华为的全栈AI解决方案?AI考点 (A)Ascend (B)CANN (C)ModelArts (D)MindSpore
答案ABCD 解析 1399、下面哪些属于Al的应用领域?AI考点 (A)智慧教育 (B)智慧城市 (C)智慧家居 (D)智慧医疗
答案ABCD 解析 1400、有大量销售数据但没有标签的情况下企业想甄别出VIP客户以下模型中合适的有?AI考点 (A)逻辑回归 (B)SVM (C)K-Means (D)层次聚类
答案CD 解析 1401、常见的脏数据的类型有哪些?AI考点 (A)格式错误的值 (B)重复值 (C)逻辑错误的值 (D)缺失值
答案ABCD 解析 1402、人工智能现在的技术应用方向主要有?AI考点 (A)自然语言处理 (B)控制系统 (C)计算机视觉 (D)语音识别
答案ACD 解析 1403、根据华为云ElI智能平台可以提供以下哪些解决方案?AI考点 (A)人流统计方案 (B)基于知识图谱的政策查询方案 (C)车辆识别方案 (D)入侵识别方案
答案ABCD 解析 1404、在神经网络中常有权重共享现象以下哪些神经网络会发生权重共享?AI考点 (A)感知器 (B)卷积神经网络 (C)全连接神经网络 (D)循环神经网络
答案BD 解析 1405、在深度学习模型训练的过程中常见的优化器有哪些?AI考点 (A)Adam (B)Adagrad (C) SGD (D)Momentum
答案ABCD 解析 1406、关于卷积神经网络池化层以下描述正确的是?AI考点 (A)池化操作采用扫描窗口实现 (B)池化层可以起到降维的作用 (C)常用的池化方法有最大池化和平均池化 (D)经过池化的特征图像变小了
答案ABCD 解析 1407、使用装有Atlas300 (3000)加速卡的服务器编译运行程序时需要检查哪些条件?AI考点 (A)完成Atlas 驱动安装 (B)已安装CUDA软件包 (C)已安装Cmake编译工具 (D)完成环境配置
答案ACD 解析 1408、从技术架构来看Al芯片的分类包括?AI考点 (A)FPGA (B)CPU (C)GPU (D)ASIC
答案ABCD 解析 1409、达芬奇架构计算单元主要包含的计算资源有?AI考点 (A)向量计算单元 (B)标量计算单元 (C)张量计算单元 (D)矩阵计算单元
答案ABD 解析 1410、Al芯片从业务应用上来分可以分为?AI考点 (A)训练 (B)GPU (C)模型构建 (D)推理
答案AD 解析 1411、br classmarkdown_return以下哪些是属于深度学习算法的激活函数?AI考点 (A) Sigmoid (B)ReLU (C)Tanh (D)Sin
答案ABC 解析 1412、以下哪些项属于生成对抗网络训练中的问题?AI考点 (A)不稳定性 (B)模式崩塌 (C)过拟合 (D)欠拟合
答案ABC 解析 1413、以下关于梯度下降法的描述,错误的是哪些项?AI考点 (A)负梯度方向是函数下降最快的方向 (B)梯度下降法—定够在凸优化问题中取得全局极值点 (C)梯度下降法不一定能够在凸优化问题中取得全局极值点 (D)负梯度方向是函数上升最快的方向
答案BD 解析 1414、在深度学习中以下哪些是常用的正则项?AI考点 (A)L1 (B)Tanh (C)Relu (D)12
答案AD 解析 1415、下列关于通用表格识别服务的说法正确的是?AI考点 (A) rows代表文字块占用的行信息编号从0开始列表形式 (B)colums代表文字块占用的列信息编号从0开始列表形式 (C)传入的图像数据需要经过base64编码 (D)words代表文字块识别结果
答案ABCD 解析 1416、深度学习中以下哪些步骤是由模型自动完成的?AI考点 (A)模型训练 (B)特征选择 (C)分析定位任务 (D)特征提取
答案BD 解析 1417、如果深度学习神经网络出现了梯度消失或梯度爆炸问题我们常用的解决方法为.AI考点 (A)梯度剪切 (B)随机欠采样 (C)使用Relu激活函数 (D)正则化
答案ACD 解析 1418、常见的脏数据的类型有哪些?AI考点 (A)格式错误的值 (B)重复值 (C)逻错误的值 (D)缺失值
答案ABCD 解析 1419、以下关于标准 RNN还的描述,正确的是哪几项?AI考点 (A)标准的循环神经网路存在裤度爆炸和棉度消失问题。 (B)标准RNN结构解决了信息记忆的问题但是对长时间记忆的信息会衰减 (C)梯度消失梯度爆炸都与路径长度太长有关前面的权重都基本固定不变没有训练效果 (D)标准RNN是一种死板的逻撮越晚的输入影响越大越早的输入影响越小且无法改变这个逻辑:
答案ABCD 解析 1420、以下哪些项属于生成对抗网络训练中的问题?AI考点 (A)不稳定性 (B)模式崩塌 (C)过拟合 (D)欠拟合
答案ABC 解析 1421、下列哪几项是华为云图引擎服务(Graph Engine Service)的优势?AI考点 (A)丰富的图分析算法库 (B)语音交互 (C)高性能图计算内核 (D)分布式高性能图存储擎
答案ABCD 解析 1422、基于华为云OCR服务,企业可以以实现以下哪些业务?AI考点 (A)合同录入与审核 (B)门诊检验报告单扫描录入 (C)快递单自动填写 (D)猫狗图片分类
答案AB 解析 1423、常见的聚类算法有哪些?AI考点 (A)K-means (B)密度聚类 (C)层次聚类 (D)谐聚类
答案ABCD 解析 1424、以下哪些属于Al训练和推理框架?AI考点 (A)MindSpore (B)Matlab (C) Pytorch (D) TensorFlow
答案ACD 解析 1425、以下关于GPU特征的描述,正确的是哪些选项?AI考点 (A)大量缓存降低时延基于大吞叶量设计痘长逻辑控制 (B)基于大吞叶量设计 (C)擅长逻辑控制 (D)擅长计算密集和易于并行的程序
答案ABCD 解析 1426、正则化是传统机器学习中重要且有效的减少泛化误差的技术以下技术属于正则化技术的是AI考点 (A)动量优化器 (B)L2正则化 (C) Dropout (D)L1正则化
答案BCD 解析 1427、在使用华为云图像标签服务时,image_tagging_aksk()函数的返回结果中type代表标签类别该标签类别包含以下哪几类?AI考点 (A) virtual (B) scene (C) object (D) concept
答案BC 解析 1428、以下有关华为云OCR文字识别服务的使用说明以下哪些选项是正确的?AI考点 (A)文字识别以开放API的方式提供给用户,用户可以将文字识别集成到第三方系统调用API (B)用户可以在管理控制台申请开通文字识别服务,查看服务的调用成功和失败次数 (C)文字识别提供了web化的服务管理平台,即管理控制台,以及基于HTTPS请求的API管理方式 (D)每次使用服务都需要申请
答案ABCD 解析 1429、调用华为云语音合成python API时需要初始化客户端参数主要通过TtsCustomizationclient函数完成以下初始化参数中必须项有哪几项?AI考点 (A) service-endpoint (B)region (C) sk (D)ak
答案ABCD 解析 1430、以下哪些选项是人工智能深度学习框架?AI考点 (A)MindSpore (B)Pytorch (C)Theand (D)TensorFlow
答案ABCD 解析 1431、人脸搜索服务调用成功时返回的结果中包含下列哪些项?AI考点 (A)搜索出的人脸相似度 (B)搜索出的人脸id (C)搜索出的人脸位置 (D)搜索出的人脸序号
答案ABC 解析 1432、华为云EI让更多的企业边界的使用Al和大数据服务加速业务发展造福社会。华为云I服务可以在以下哪些方面服务企业?AI考点 (A)行业数据 (B)行业智慧 (C)算法 (D)算力
答案ABCD 解析 1433、以下哪些服务属于华为EI服务家族?AI考点 (A)对话机器人 (B)EI基础服务 (C)自然语言处理 (D)El大数据服务
答案ABCD 解析 1434、基因知识图谱具备以下哪几种能力?AI考点 (A)辅助病例诊断 (B)疾病预测及诊断 (C)基因检测报告生成 (D)实体查询
答案ACD 解析 1435、下列关于护照识别服务的说法正确的是?AI考点 (A) country_code代表护照签发国家的国家码 (B)nationality 代表持有人国籍 (C) passport_number代表护照号码 (D)confidence相关字段的置信度信息置信度越大表示本次识别的对应字段的可靠性越高在统计意义上置信度越大准确率越高
答案ABCD 解析 1436、下列哪些选项是人工智能综合实验调用华为云服务中可能会用到的?AI考点 (A)ak (B)region (C) project_id (D)sk
答案ABCD 解析 1437、以下哪些激活函数容易产生梯度消失问题?AI考点 (A)ReLU (B)Softplus (C)Tanh (D)Sigmoid
答案CD 解析 1438、卷积神经网络中的池化层可以减小下层输入的尺寸。常见的池化有:AI考点 (A)最小地化层 (B)乘积池化层 (C)最大池化层 (D)平均池化层
答案CD 解析 1439、下列选项中属于keras 下estimator封装的方法有?AI考点 (A)评估 (B)训练 (C)预测 (D)输出模型
答案ABC 解析 1440、TensorFlow 中keras模块的内置优化器有?AI考点 (A) Adam (B)SGD (C) Adaboost (D)Adadelta
答案ABD 解析 1441、以下哪些是属于深度学习算法的激活函数?AI考点 (A)Sigmoid (B)ReLU (C)Tanh (D)Sin
答案ABC 解析 1442、华为云文字识另别OCR技术的优势有哪几项?AI考点 (A)识别精度高 (B)降低成本 (C)高适应性 (D)快速高效
答案ABCD 解析 1443、以下哪几项是MindExpress子系统 High - Level Python API提供的功能接口?AI考点 (A) Callback (B) Layers (C) Initializer (D)Model
答案AD 解析 1444、人脸搜索服务调用成功时返回的结果中包含下列哪些项?AI考点 (A)搜索出的人脸相似度 (B)搜索出的人脸id (C)搜索出的人脸位置 (D)搜索出的人脸序号
答案ABC 解析 1445、处理实际问题时以下什么情况下该使用机器学习?AI考点 (A)规则十分复杂或者无法描述比如人脸识别和语音识别 (B)任务的规会随时间改变比如生产线上的瑕疵检测比如预测商品销售的趋势 (C)数据分布本身随时间变化需要程序不停的重新适应 (D)规则复杂程度低且问题的规模较小的问题
答案ABC 解析 1446、以下关于Relu激活函数缺点的描述正确的是哪些项?AI考点 (A)有神经元死亡的现急 (B)转折点定义的曲面也是有“棱角”的在某些回归问题中显得不够平滑 (C)在0处不可导强行定义了导数 (D)无上界训炼相对发散
答案ABCD 解析 1447、下列哪几项是华为云图引擎服务(Graph Engine Service)的优势?AI考点 (A)丰富的图分析算法库 (B)语音交互 (C)高性能图计算内核 (D)分布式高性能图存储擎
答案ABCD 解析 1448、以下哪几个方面属于华为的全楼AI解诀方案?AI考点 (A)AscendCANIN (B)CANN (C) ModelArts (D)MindSpore
答案ABCD 解析 1449、以下不属于通用机器学习整体流程的是哪些选项?AI考点 (A)模型部臀与整合 (B)模型评估测试 (C)模型报告撰泻 (D)业务目标分析
答案CD 解析 1450、语音识别指的是将音频数据识别为文本数据。AI考点 (A)正确 (B)错误
答案A 解析语音识别是将输入的语音信号转化为对应的文本数据。通过对音频数据进行处理和分析识别出其中的语音内容并将其转换成可理解的文本形式。因此语音识别确实指的是将音频数据识别为文本数据。 1451、在以连接主义为基础的神经网络中每个节点都能表达特定的意义。AI考点 (A)正确 (B)错误
答案B 解析在以连接主义为基础的神经网络中每个节点并不能表达特定的意义。在这种神经网络中节点通常被看作是数学函数或者是数字信号处理器其主要的作用是对输入数据进行加工和处理并将加工处理后的数据传递给下一层节点或输出层。节点本身并没有明确的语义含义而是通过网络的拓扑结构和权重参数来体现不同特征的表示。换句话说神经网络的特征表示是通过节点的关系和相应权重的组合来实现的而不是由节点本身单独表达。因此节点并不能直接表达特定的意义。 1452、计算机视觉是研究如何让计算机“看”的科学。AI考点 (A)正确 (B)错误
答案A 解析计算机视觉是研究如何让计算机“看”的科学。计算机视觉是人工智能领域中的一个重要分支通过使用数字图像处理和机器学习等技术处理和解析图像信息使计算机具有理解和感知图像等视觉信息的能力。计算机视觉可以用于很多领域如图像识别、人脸识别、视频监控、医学影像分析、无人驾驶等。 1453、重复性强、要求弱社交能力的工作是最容易被AI取代的工作。AI考点 (A)正确 (B)错误
答案A 解析重复性强、要求弱社交能力的工作是最容易被AI取代的工作。人工智能技术在自动化和机器学习方面的进步使得机器可以执行一些重复性高、规则性强的任务如生产线上的装配操作、数据录入等。这些工作通常不需要复杂的判断和决策能力也不需要人际交往和沟通能力因此相对容易被AI取代。然而需要注意的是尽管AI在某些领域的发展很快但还存在着许多领域和工作需要人类的创造力、情感智能和复杂的社交能力才能完成。因此AI对于人类工作的取代并不是一概而论的。 1454、华为的 AI 全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。AI考点 (A)正确 (B)错误
答案A 解析华为的AI全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。华为提供了一整套覆盖多个场景的AI解决方案包括在云端和边缘设备上进行AI计算和应用开发。无论是在公有云上还是私有云、边缘计算设备乃至物联网行业终端和消费类终端都可以通过华为的AI技术和产品进行部署和应用。 1455、联邦学习在保证数据隐私安全的前提下利用不同数据源合作训练进步突破数据的瓶颈。AI考点 (A)正确 (B)错误
答案A 解析联邦学习是一种通过在本地训练数据上进行模型训练、并通过加密传输更新的模型参数来实现在不暴露训练数据的情况下集中训练机器学习模型的技术方法。联邦学习可以解决传统模型中单个中心服务器无法处理数百万甚至数十亿训练数据的问题。同时联邦学习能够保护数据隐私部分数据集不会被传输到中央服务器从而降低了泄漏数据的风险。需要注意的是联邦学习仅将模型参数传输回中央服务器并不传输原始数据。因此联邦学习在保证数据隐私安全的前提下利用不同数据源合作进行训练突破了数据瓶颈。 1456、现阶段的人工智能仍处于弱人工智能阶段。AI考点 (A)正确 (B)错误
答案A 解析目前的人工智能技术仍然处于弱人工智能阶段。弱人工智能是指在特定任务或领域上展现出智能表现的人工智能但其智能能力有限不能实现真正的通用人工智能。弱人工智能系统能够在特定任务中表现出很高的性能但它们缺乏智能的推理、理解和学习能力无法超越设定的任务范围。与之相对的是强人工智能即具备与人类智能等效甚至超过人类智能的人工智能系统。强人工智能具备广泛的学习能力、推理能力和适应能力可以处理各种复杂的任务和问题具备通用的智能。 1457、人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。AI考点 (A)正确 (B)错误
答案A 解析人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。人工智能的目标是使机器能够像人类一样进行思考、学习、推理和决策并在各种任务和领域中展现出智能行为和能力。人工智能的研究范围涵盖了符号推理、机器学习、计算机视觉、自然语言处理、专家系统等多个领域。通过使用不同的算法和技术人工智能可以实现从简单的任务自动化到复杂的智能决策和创造性问题的解决。因此正确答案是ATrue。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。 1458、华为的 AI 全场景包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。AI考点 (A)正确 (B)错误
答案A 解析华为的AI全场景确实包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等端、边、云的部署环境。华为将自己定位为一个面向全场景、全行业的AI解决方案提供商致力于推动人工智能技术在各个领域的落地应用。具体来说在公有云方面华为云推出了多款AI服务包括语音识别、自然语言处理、机器学习平台等在私有云方面华为提供了Atlas 800 AI加速模块和Atlas 900 AI训练集群等产品在边缘计算方面华为推出了Atlas 300 AI加速卡和MindSpore Lite等产品在物联网行业终端方面华为推出了Ascend系列AI芯片和华为LiteOS物联网操作系统在消费类终端方面华为已经将AI技术运用在了手机、智能音箱等多个产品上。 1459、由机器学习算法构成的模型在理论层面上它并不能表征真正的数据分布函数只是逼近它而已。AI考点 (A)正确 (B)错误
答案A 解析机器学习算法构建的模型是基于训练数据的统计模型目标是通过训练数据中的模式和规律来进行预测和推断。这些模型通常是通过拟合训练数据来逼近真实的数据分布函数而不是完全准确地描述真正的数据分布函数。机器学习模型的性能也取决于训练数据的质量和分布。在实际应用中我们通常假设训练数据是来自于目标数据分布的独立同分布样本即训练数据和测试数据具有相同的分布。然而在实际情况下由于采样误差、噪声等因素训练数据可能无法完全准确地反映真实的数据分布。因此在机器学习中我们通过选择适当的模型和优化算法来逼近数据分布以便在未见过的数据上进行预测和泛化。但在理论层面上机器学习模型不能完全精确地表征真实的数据分布函数。 1460、逻辑回归的损失函数是交叉熵损失函数。AI考点 (A)正确 (B)错误
答案A 解析逻辑回归是一种常用的分类算法其损失函数通常是交叉熵损失函数。逻辑回归的目标是学习一个能够将输入特征映射到概率输出的模型常用于二分类问题。交叉熵损失函数在逻辑回归中被广泛使用它 quantifies 了模型的预测与真实标签之间的差异。交叉熵损失函数可以最小化预测类别与真实类别之间的差异使得模型能够更好地拟合训练数据。 1461、逻辑回归当中也可以加入正则项用于避免过拟合。AI考点 (A)正确 (B)错误
答案A 解析逻辑回归中可以通过添加正则项来避免过拟合问题。正则化是一种常见的正则化技术通过在损失函数中添加正则化项来限制模型的复杂度从而减少过拟合的风险。常用的正则化项包括L1正则化和L2正则化。L1正则化通过在损失函数中添加权重向量的L1范数绝对值之和乘以一个正则化参数推动模型使得部分权重为零从而实现特征选择和稀疏性。L2正则化通过在损失函数中添加权重向量的L2范数平方和的平方根乘以一个正则化参数推动模型使得权重变得更小从而对参数进行平滑。通过正则化项逻辑回归模型可以在训练过程中平衡拟合训练数据和控制模型复杂度之间的关系提高模型的泛化能力并减少过拟合问题。 1462、K折交叉验证是指将测试数据集划分成K个子数据集。AI考点 (A)正确 (B)错误
答案B 解析K折交叉验证是一种常用的评估模型性能和选择最佳参数的技术其步骤如下1. 将数据集划分为K个大小相等的子集。2. 对于每个子集将其作为验证集其他K-1个子集作为训练集。3. 在每个训练集上训练模型并在对应的验证集上评估模型性能。4. 计算K次验证的性能指标的平均值作为模型的性能估计。在K折交叉验证中并不是将测试数据集划分成K个子数据集而是将训练数据集划分成K个子数据集用于训练和验证模型。测试数据集通常是独立于训练和验证数据集的用于衡量训练好的模型在未见过的数据上的性能。 1463、二分类过程中我们可将任意类别设为正例。AI考点 (A)正确 (B)错误
答案A 解析在二分类任务中我们可以根据具体问题的需求和实际情况来选择哪个类别作为正例和哪个类别作为负例。这通常取决于我们对问题的关注点和目标。所以正例和负例的设定是相对的可以根据具体情况进行调整。 1464、我们描述住房的时候常用住宅面积户型 装修类型等属性如果使用朴素贝叶斯作为模型的话则我们假设属性之间不存在关系。AI考点 (A)正确 (B)错误
答案A 解析朴素贝叶斯算法基于贝叶斯定理通过计算在给定类别的条件下每个属性独立出现的概率来进行分类。这个假设简化了模型的计算使得朴素贝叶斯算法具有较高的计算效率。然而这也是一个强烈的假设有时可能并不符合实际情况。属性之间可能存在一定的相关性但在朴素贝叶斯中我们假设它们是相互独立的这是朴素贝叶斯算法的一个基本假设。需要注意的是尽管朴素贝叶斯假设属性之间独立但我们仍然可以通过引入更多的属性或使用其他方法来考虑属性之间的相关性以提高模型的表现。 1465、损失函数与模型函数是一回事。AI考点 (A)正确 (B)错误
答案B 解析损失函数和模型函数是不同的概念。模型函数model function是指用来表示模型的函数它可以根据输入数据预测输出。模型函数通常包括模型的参数通过对参数进行学习和优化可以使模型对数据进行更准确的预测。损失函数loss function是用来度量模型预测结果与真实值之间的差异或误差的函数。损失函数的选择取决于具体的机器学习任务和模型类型。常见的损失函数包括均方差损失mean squared error、交叉熵损失cross-entropy loss等。损失函数在训练模型的过程中起到了至关重要的作用通过最小化损失函数来调整模型参数使得模型能够更好地拟合训练数据并提高在新数据上的泛化能力。因此损失函数和模型函数是两个不同的概念它们在机器学习中扮演着不同的角色。 1466、多项式回归当中模型的公式中存在平方项因此其不是线性的。AI考点 (A)正确 (B)错误
答案B 解析多项式回归是线性回归的一种特殊形式尽管其公式中存在平方项和其他高次项但它仍然是线性的。这是因为多项式回归的线性性质是指模型参数对于目标变量是线性的而不是指输入特征的线性关系。在多项式回归中通过引入多项式特征可以拟合非线性关系。例如将一维的输入特征x进行多项式转换添加 x、x²等高次项作为新的特征然后使用线性回归模型拟合这些新特征。虽然模型的公式中存在平方项但整体上仍然是一个线性模型因为模型参数与目标变量之间的关系是线性的。因此多项式回归是一种线性模型。 1467、测试误差会随着模型复杂度的上升不断诚小。AI考点 (A)正确 (B)错误
答案B 解析测试误差并不会随着模型复杂度的上升不断减小而是在某些情况下会先降低后增大形成一个U型曲线。这个现象称为过拟合。当模型过于复杂时它会学习到训练集中的噪声和异常数据导致在测试集上的表现变得很差而这种现象被称为过拟合。因此在实际应用中需要谨慎选择模型的复杂度以避免过拟合的出现。 1468、卷积神经网络中同一卷积层的所有卷积核是权重共享的。AI考点 (A)正确 (B)错误
答案A 解析在卷积神经网络Convolutional Neural NetworkCNN中同一卷积层的所有卷积核是权重共享的。这是CNN中的一个重要特性。通常情况下卷积层由多个卷积核组成。每个卷积核都是一个小的二维滤波器它通过与输入图像进行卷积操作来提取不同的特征。但是与传统的全连接神经网络不同卷积神经网络中的卷积核在整个输入图像上共享权重。权重共享的概念意味着无论卷积核应用于输入图像的哪个位置它们所使用的权重参数始终是相同的。这种共享使得CNN具有了参数共享和平移不变性的特性减少了需要学习的参数数量并且能够更好地处理平移、旋转和尺度变化等图像的局部特征。因此同一卷积层的所有卷积核在卷积神经网络中是权重共享的。 1469、循环神经网络可以捕捉序列化数据中的动态信息。AI考点 (A)正确 (B)错误
答案A 解析循环神经网络RNN适用于处理序列化数据其设计初衷就是为了捕捉序列数据中的动态信息。RNN在处理序列数据时具有记忆功能可以利用之前的信息来影响后续的输出这使得它在自然语言处理、时间序列分析等领域表现出色。因此循环神经网络可以捕捉序列化数据中的动态信息所以答案是TRUE。 1470、TensorF1ow2.0中的Keras接口的三个主要优势是方便用户使用模块化和可组合易于扩展。AI考点 (A)正确 (B)错误
答案A 解析TensorFlow 2.0中的Keras接口的确具有方便用户使用、模块化和可组合、易于扩展等三个主要优势。 1471、tfkerasdatasets可以查看keras中内置的数据集。 AI考点 (A)正确 (B)错误
答案A 解析tf.keras.datasets提供了一种方便的方式来访问Keras中内置的数据集这些数据集可以用于模型的训练和测试。 1472、TensorF1ow是一个用于机器学习和深度学习的墙到端开源平台。AI考点 (A)正确 (B)错误
答案A 解析TensorFlow是一个端到端开源机器学习平台主要用于构建和训练神经网络模型。 1473、TensorFlow是当下最流行的深度学习框架之一AI考点 (A)正确 (B)错误
答案A 解析TensorFlow是当下最流行的深度学习框架之一被广泛应用于学术界和工业界的深度学习项目中。 1474、Tensor是MindSpore 中数据的存储组件。 AI考点 (A)正确 (B)错误
答案A 解析在MindSpore中Tensor是用于存储数据的组件。
