人工智能工程技术人员三级高级工-计算机视觉产品实现 详细题库

深度神经网络结构与深度学习算法的开发设计方法 题目预览

• 第 1 题 单选题
  在深度神经网络中，激活函数ReLU的主要作用是（ ）。
  • A. 引入非线性并缓解梯度消失
  • B. 归一化输入数据
  • C. 减少参数数量
  • D. 提高训练速度
  解析：ReLU函数在正区间梯度为1，避免了梯度消失问题，同时提供了非线性表达能力，是计算机视觉中常用的激活函数。
• 第 2 题 单选题
  残差网络（ResNet）的核心组件残差块中，跳跃连接（shortcut connection）的主要作用是（ ）。
  • A. 增加网络宽度
  • B. 实现恒等映射
  • C. 减少计算量
  • D. 防止过拟合
  解析：跳跃连接通过恒等映射将输入直接添加到输出，使得网络可以学习残差函数，有助于梯度流动和训练更深的网络。
• 第 3 题 单选题
  在图像分类网络中，全局平均池化（Global Average Pooling）的主要优点是（ ）。
  • A. 增加感受野
  • B. 减少过拟合
  • C. 减少参数数量并防止过拟合
  • D. 提高特征提取能力
  解析：全局平均池化将每个特征图池化为一个值，直接用于分类，避免了全连接层的大量参数，从而减少了过拟合风险。
• 第 4 题 单选题
  卷积神经网络中，步幅（Stride）大于1的卷积操作会导致（ ）。
  • A. 特征图尺寸增加
  • B. 感受野减小
  • C. 参数数量增加
  • D. 特征图尺寸减小
  解析：步幅大于1时，卷积核在输入上滑动的间隔变大，输出特征图的空间尺寸会减小，常用于下采样以降低计算量。
• 第 5 题 判断题
  在卷积神经网络中，使用更大的卷积核总是能提高特征提取能力。
  • A. 对
  • B. 错
  解析：更大的卷积核可能增加参数和计算复杂度，但不一定提高特征提取能力；小卷积核堆叠在保持感受野的同时更高效。
• 第 6 题 判断题
  残差网络中的残差块允许输入直接添加到输出，这有助于梯度在反向传播时更容易流动。
  • A. 对
  • B. 错
  解析：残差块通过跳跃连接实现恒等映射，使得梯度可以直接反向传播，缓解了深度网络中的梯度消失问题。
• 第 7 题 多选题
  在计算机视觉中，以下哪些网络结构常用于图像分割任务？（ ）
  • A. U-Net
  • B. ResNet
  • C. FCN
  • D. YOLO
  • E. Mask R-CNN
  解析：U-Net、FCN和Mask R-CNN是专为图像分割设计的网络结构；ResNet主要用于图像分类，YOLO用于目标检测。
• 第 8 题 多选题
  在深度神经网络结构设计中，以下哪些技术有助于缓解过拟合？（ ）
  • A. 丢弃法（Dropout）
  • B. 批量归一化（Batch Normalization）
  • C. 数据增强（Data Augmentation）
  • D. 权重衰减（Weight Decay）
  • E. 残差连接（Residual Connection）
  解析：丢弃法、数据增强和权重衰减是直接的正则化技术，用于防止过拟合；批量归一化主要加速训练，残差连接主要缓解梯度消失。