《人工智能深度学习应用开发》题库 试题及答案.docx

一、填空题1 .深度学习算法是机器学习中的具有深层网络结构的神经网络算法，可以说深度学习是基于（）的机器学习。2 .（）是人工智能的核心技术领域，属于人工智能的一个分支。3 .机器学习是使计算机按照设计和编程的算法运行的科学技术。许多研究人员认为机器学习是取得人类级AI进步的最好方法。机器学习主要包括以下类型的学习模式：（）和（）。4 .有监督学习以训练集作为模型的输入，其中每个样本都有标注信息，我们称标注信息为（）05 .深度学习是机器学习的一个子领域，深度学习的核心技术来自于受人类大脑启发而发明的（）o6 .深度学习相对于机器学习来说，具有一些显著的特点，这些特点如下：（）、（）、（）o7 .深度学习与机器学习的区别，深度学习与机器学习的主要区别体现在以下几个方面：（）、（）、（）、（）、（）和（）o8 .深度学习的主要应用有（）、（）和（）o二、选择题9 .深度学习算法是机器学习中的具有深层网络结构的神经网络算法，可以说深度学习是基于（）的机器学习。A支持向量机B.人工神经网络C.朴素贝叶斯D.人工智能10 .人工智能的核心技术领域是（）：A.深度学习B.人工神经网络C.机器学习D.卷积神经网络11 .深度学习是机器学习的一个子领域，深度学习的核心技术来自于受人类大脑启发而发明的（）oA人工智能B.大数据处理C.人工神经网络D.机器学习12 .下列不属于深度学习的应用有（）oA.计算机视觉B.自然语言处理C.自然语言理解D.强化学习13 .深度学习与机器学习的区别不表现为（）oA.数据量B.解决问题的方法C.执行时间D.用于人工智能14 .下列不属于深度学习框架的是（）。A.PytorchB.tensorflowC.jiebaC.MXnet15 .下列不属于深度学习的主要应用的是（）。A.计算机视觉B.自然语言处理C.强化学习D.文本识别16 .机器学习主要包括以下类型的学习模式：（）和（）（多选）。A.监督学习模式B.无监督学习模式C.自主学习D.被动学习三、判断题17 .机器学习主要监督学习和无监督学习两种模式。（）18 .深度学习算法是机器学习中的具有深层网络结构的神经网络算法，可以说深度学习是基于卷积神经网络的机器学习。（）19 .机器学习是人工智能的核心技术领域，属于人工智能的一个分支。（）20 .目标检测（ObjeetDeteetiOn）,是指通过算法自动检测出图片中目标物体的类别及大致位置，然后用边界框（BOUndingBoX）表示，并标出边界框中物体的类别信息。（）21 .自动驾驶（AUtonomoUSDriVing）被认为是强化学习在短期内能技术落地的一个应用方向。（）22 .人工智能最核心的部分可以理解为类似人的大脑，就是深度学习，深度学习是实现人工智能的核心方法，人工智能的核心就是由各种算法作为支撑的。（）23 .深度学习虽然是一个热门领域，但是已有多年的发展历史，主要有快速发展期和爆发期。（）24 .2006年被称为机器学习元年。（）四、简答题25 .简述深度学习和人工智能概念的关系。26 .主流的深度学习框架有哪些？27 .深度学习的步骤有哪些？28 .深度学习与机器学习的区别有哪些？29 .什么是无监督学习模式？30 .什么是监督学习模式？五、综合操作题。31 .下载并安装anaconda。32 .完成TensorFlow的配置33 .安装所需的Python第三方库，并使用JupyterNotebook导入。一、填空题1.TenSOrFk）W是GOOgIeBrain团队设计的开源（）框架，是基于DiStBelief而研发的第二代人工智能学习框架。2 .TensorFlow已经被广泛应用于（）、（）等多项深度学习领域，也是目前使用人数最多、影响最大的编程框架。3 .（）是矩阵向任意维度的推广，分为标量、向量、矩阵、多维数组。4 .（）是包含节点（NOde）和边（Edge）的有向无环图，节点用来表示数学运算，边表示节点间的关联性，整个计算图用来描述计算过程。5 .TensorFlow的数学概念主要有（）、（）、（）和（）。6 .TensorFlow的基础数据类型主要有（）、（）和（）。7 .线性回归是回归算法的一种，表达了（）的过程。8 .在全连接层和卷积神经网络层中，偏置张量b就是使用（）来表示。二、选择题9 .张量是矩阵向任意维度的推广，其不包括（）oA.标量B.向量C.多维数组D.字符串10 .（）用于声明一个张量的数据格式，告诉系统这里会有一个这种格式的张量，但是还没有给定具体数值，具体的数值要在正式运行的时候填充。A.缩进符B.占位符C.NAND.字符串11 .下列选项，不属于TenSorFk）W的优点的是（）。A.高度灵活性B.自动微分C.多语言处理D.支持CPU计算三、判断题。12 .标量就是一个简单的数字，维度数为Oo（）13 .数值型数据是TenSorFloW中最常见的数据类型，标量、向量、矩阵、张量等都属于数值型。（）14 .梯度下降算法是神经网络模型训练最常用的优化算法，使用TensorFlow完成机器学习，只需要定义预测模型的计算结构、目标函数，然后添加数据便能完成微分计算。（）15 .TensorFlow不仅仅是一个“神经网络”库，任何可以用数据流图来表示的计算函数，都能够使用TenSOrFIOW框架实现。（）16 .向量是一种常见的数据载体，如在全连接层和卷积神经网络层中，偏置张量就是使用向量来表示。（）17 .TensorFIow通过tf.constant（）函数传入字符串对象即可创建字符串类型的张量。四、简答题18 .简述TenSorFIOW的优点。19 .简述TenSorFk)W的主要功能。五、综合程序设计20 .使用TensorFlow创建一个标量，并输出其值和维度。21 .使用TenSorFk)W创建两个矩阵，然后在计算图中执行两个矩阵相乘，最后输出计算的结果。22 .完成实战案例-TenSorFlOW优化程序。23 .完成实战案例基于TensorFlow框架的线性回归实现。一、填空题1 .Keras提供了一种简洁的方法来创建基于TensorFlow或Theano的深度学习模型，并运用了各种优化技术使神经网络API调用变得轻松高效。KeraS框架具有以下功能特点:（）、（）、（）和（）o2 .Keras提供了（）、（）和（）三种定义模型的API。3 .、KeraS常用的核心模块有（）、（）、（）和（）等。4 .损失函数也称为（）或优化评分函数，诸如均方误差（mean_square（1.errOr,MSE）、平均绝对误差（MeanAbsoluteError,MAE）,泊松（POiSSOn）等损失函数。5 .评估指标用于评估当前训练模型的性能，常见的评估指标有（）、（）和（）等，评估指标也是编译模型时的一个重要参数。6 .Keras提供了许多内置的与神经网络相关的功能模块，用户可以方便地调用模块创建KeraS模型和KeraS层，常用的核心模块有（）、（）和（）等。7 .KeraS模型中的每个层代表神经网络模型中的对应层，KeraS提供了许多预构建层，如（）、（）、（）和（）等。8 .卷积操作分为（）、（）和（）,分别为ConVlD、Conv2D>Conv3Do9 .Keras框架模型构建流程为（）、（）、（）、（）、（）和（）。10 .导入数据集、优化器、网络层等必要的模块主要有（）、（）、（）、（）、（）和（）o二、选择题11 .下列不属于卷积操作的为：（）oA.一维B.二维C.三维D.四维12 .Keras框架模型流程不包含（A.分词处理B.数据预处理C.建立模型D.编译模型13 .Keras提供了一种简洁的方法来创建基于TensorFlow或TheanO的深度学习模型，并运用了各种优化技术使神经网络API调用变得轻松高效。以下功能为Keras的特点的是:（）oA.模块化B.用户界面不友好C.基于JaVaD.t通用性14 .下列不属于Keras的核心模块的是（）：A.有激活函数B.损失函数C.滤波器D.正则化器15 .损失函数也称为（）或优化评分函数，诸如均方误差（mean_squared_eiror,MSE）>平均绝对误差（MeanAbsoluteError,MAE）,泊松（PoiSSon）等损失函数。A.损耗函数B.目标函数C主函数D.评价函数16 .下列选项属于深度学习框架的是（）。（多选）A.TensorflowB.MXnetC.torchD.numpy三、判断题17 .Keras是基于Python语言的开源深度学习框架，由Google的人工智能研究员开发。()18 .深度学习是机器学习框架的主要子领域之一，其主要方法核心是人工神经网络。()19 .Keras是专门为用户而设计的API。()20 .Keras提供了序列式(SeqUentia1)、函数式(FUnCtiOnal)和子类(SUbelaSSing)三种定义模型的API。()21 .Keras常用的核心模块有激活函数、损失函数、优化器和正则化器等。()22 .评估指标用于评估当前训练模型的性能，常见的评估指标有准确率(ACCUracy)、精确度(PreCiSiOn)和召回率(ReCall)等。()23 .优化器，即神经网络优化算法，或梯度下降算法。常见的优化器模块有Adam、SGD等。()24 .Keras模型中的每个层代表神经网络模型中的对应层，Keras提供了许多预构建层，如输入层、隐藏层、输出层、卷积层、池化层等，因此提高了构建复杂神经网络模型的效率。()四、简答题25 .简述KeraS的特点。26 .Keras的核心模块有哪些。27 .Keras提供的网络层有哪些。28 .简述Keras的创建模型的流程。29 .简述什么是Keraso五、综合程序设计30 .采用KeraS矿建实现多层感知器实现手写数字识别。31 .完成实战-KeraS实现花朵图像分类。32 .了解keras框架的基础，使用keras框架完成自己感兴趣的一个项目案例。一、填空题1 .（）是深度学习的开端，卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（1.STM）等各种神经网络都是基于全连接神经网络而提出的，最基础的原理都是由反向传播而来。2 .人类大脑由（）、神经胶质细胞、神经干细胞和血管组成。3 .人工神经元模型是受（）的启发，是对生物神经元模型抽象、简化而形成的一种数学计算结构，是人工神经网络中的基本处理单元。4 .感知器包括（）和（）o5 .（）是深度学习的开端，全连接神经网络是最基本的神经网络，网络参数多，计算量大，全连接即为除输入层之外的每个神经元都和上一层所有的神经元有连接。6 .常见的激活函数主要有（）、Re1.U>1.eakyRe1.U>Tanh>（）。7 .卷积神经网络（ConVOIUtionNerUaINetWOrk）是一种（）,简称CNN,擅长大型图像处理。8 .卷积神经网络本质为一个多层的（）,与全连接神经网络不同的是，卷积神经网络采用了局部连接和权值共享的方式，降低了计算量和过拟合的风险。二、选择题9 .深度学习的开端是（）卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（1.STM）等各种神经网络都是基于全连接神经网络而提出的，最基础的原理都是由反向传播而来。A.机器学习B.卷积C.神经网络D.大数据处理技术10 .下列不属于激活函数的性质的是：（）。A.单调性B.可微性C.线性D.非线性11 .下列属于激活函数的是：（）oA.Str（）B.iter（）C.Sigmoid函数D.pandas12 .Re1.U函数的优点为：（）oA.准确度高.B收敛快C.计算简单D.直接13 .卷积神经网络是一种前馈神经网络，擅长处理（）。A.大型图像处理B.文本处理C.语音识别D.计算机并行计算14 .卷积神经网络采用了（）和（）的方式，降低了计算量和过拟合的风险。A.局部连接B.全局变量C.权值共享D.加权15 .1.eNet-5总共有7层，包括2个（）,2个池化层，3个全连接层。A.卷积B.预处理C.卷积核D.清洗16 .下列选项不属于1.eNet-5的贡献的是（）。A.在神经网络中引入卷积层B.引入下采样C.使用MP1.D.开启人工智能时代三、判断题17 .1.eNet-5是最早提出的卷积神经网络，该网络是由Yann1.eCun基于1988年以来的工作提出。（）18 .转置卷积（transposedConVOlUtiOn）又称为反卷积（deconvolution）,在CNN中,转置卷积是一种上采样（UP-SamPIing）的常见方法。（）19 .卷积神经网络是一种有监督学习的神经网络，其中卷积层和池化层是完成特征提取和降维的功能核心模块。（）20 .卷积（COnVOkHiOn）,也叫褶积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积。（）21 .卷积神经网络（COnVOIUtiOnNerUaINetWork）是一种前馈神经网络，简称CNN,擅长小型图像处理。（）22 .神经网络中激活函数的主要作用是提供网络的非线性建模能力，如不特别说明，激活函数一般而言是非线性函数。（）23 .感知器（PerCePtrOn）是人工神经网络的典型结构，是由美国学者FrankRosenblatt于1957年提出来的简单神经网络。（）24 .人类大脑由神经元、神经胶质细胞、神经干细胞和血管组成。（）四、简答题25 .简述什么是人工神经网络。26 .简述什么事激活函数，激活函数的性质有哪些。27 .简述Sigmoid函数及其优点。28 .简述卷积神经网络。29 .简述1.eNet-5有哪些层。30 .1.eNet-5有哪些贡献。五、综合程序设计31 .使用Keras框架实现1.eNet-5o32 .使用Keras框架实现AIexneto33 .完成基于1.eNet-5的Fashion_MNIST图像分类。一、填空题1 .在机器学习中，（）是一种有监督学习，主要是从中发现变量之间的相关性，确定变量间的关系式，从而预测输出的变量值。2 .回归问题包括（）和（）o3 .回归用于预测（）和（）之间的关系，回归模型正是表示从输入变量到输出变量之间映射的函数。4 .机器学习的所有算法都需要最大化或者最小化目标函数，在最小化场景下，目标函数又称（）o5 .平均绝对误差（MeanAbsoluteEiTor,MAE）,又称1.l损失，用于评估预测结果和真实数据集的接近程度，其值越小说明拟合效果越（）o6 .（）,又称1.2损失，该指标计算的是拟合数据和原始数据对应样本点的误差的平方和的均值，其值越小说明拟合效果越好。7 .度量泛化能力的好坏，最直观的表现就是模型的（）和（）o8 .过拟合是指训练误差和测试误差之间的差距（）9 .欠拟合是指模型不能在训练集上获得足够低的（）。二、选择题10 .欠拟合是指模型不能在训练集上取得足够多的（）。A.误差B.准确度C.召回率D.均方差11 .训练误差和测试误差之间的差距太大称为（）。A.欠拟合B.过拟合C.精度D.准确度12 .在机器学习中，（）是一种有监督学习，主要是从中发现变量之间的相关性，确定变量间的关系式，从而预测输出的变量值。A.回归B.深度学习C.神经网络D.损耗函数13 .回归问题不包括下列哪些选项。（）A一维线性回归B.多元线性回归C.多项式回归14 .（）又称1.2损失，该指标计算的是拟合数据和原始数据对应样本点的误差的平方和的均值，其值越小说明拟合效果越好。A.均方误差B.标准误差C.损耗误差D.对比误差15 .平均绝对误差又称（）,该指标计算的是拟合数据和原始数据对应样本点的误差的平方和的均值，其值越小说明拟合效果越好。A.1.l损失B.1.2损失C.1.3损失D.1.4损失16 .度量泛化能力的好坏，最直观的表现就是模型的（）和（）。A.过拟合B.欠拟合C.拟合度D.准确度17 .回归用于预测（）和（）之间的关系，回归模型正是表示从输入变量到输出变量之间映射的函数。A.输入变量B.输出变量C.训练集D.测试集18 .机器学习的所有算法都需要最大化或者最小化目标函数，在最小化场景下，目标函数又称（）oA.损失函数B.最终函数C.拟合函数D.回归函数三、判断题19 .在机器学习中，回归是一种无监督学习，主要是从中发现变量之间的相关性，确定变量间的关系式，从而预测输出的变量值。（）20 .回归用于预测输入变量（自变量）和输出变量（因变量）之间的关系，回归模型正是表示从输入变量到输出变量之间映射的函数。（）21 .平均绝对误差用于评估预测结果和真实数据集的接近程度，其值越小说明拟合效果越好。（）22 .度量泛化能力的好坏，最直观的表现就是模型的过拟合（overfitting）和欠拟合（underfitting）o（）23 .过拟合是指训练误差和测试误差之间的差距太大。（）24 .欠拟合是指模型不能在训练集上获得足够低的误差。（）25 .一元线性回归是回归问题中最为简单的回归问题。（）26 .目标变量的影响因素可以是连续值也可以是离散值，自变量和目标变量之间的关系称为模型。（）27 .机器学习的所有算法都需要最大化或者最小化目标函数，在最小化场景下，目标函数又称损失函数。（）四、简答题28 .简述什么是损耗函数。29 .简述平均绝对误差和均方误差。30 .简述过拟合和欠拟合的区别。31 .简述过拟合出现的原因及防止过拟合的方法。五、综合程序设计。32 .完成实战案例-汽车燃油效率预测。33 .完成实战案例放假预测模型搭建。一、填空题1 .图像分类是以一定的（）用一个对象或概念对整幅图像打标签的任务。2 .（）是计算机视觉中重要的基本问题，是目标检测，图像分割，物体追踪等视觉任务的基础。3 .按照图像分类的发展过程划分，图像分类可以分为（）和（）o4 .（）是应用最广泛的机器学习问题，它指的是所有数据的标签就只有两种，正面或者负面。5 .二分类模型常用的模型评价指标有（）、（）和（）等。6 .二分类问题中，常见的损失函数有（）、（）和（）等。7 .在分类场景下，最常见的损失函数是（）o8 .（）表示分类任务中有多个类别。9 .多分类问题是二分类的扩展，常用的损失函数是（）。二、选择题10 .下列选项中，不属于二分类问题的是（）oA.负对数似然损失B.交叉端损失C.指数损失D.对数损失11 .下列选项中不属于二分类常用模型评价指标的是（）oA.准确率B.精确率C召回率D.收敛速度12 .在分类场景下最常见的损失函数为（）。A.负对数似然损失B.交叉焙损失C.指数损失D.对数损失13 .（）是应用最广泛的机器学习问题，它指的是所有数据的标签就只有两种，正面或者负面。A.多分类B.二分类C.一元线性分类D.多元线性分类14 .（）表示分类任务中有多个类别。A.多重分类B.多分类C.二重分类D.二分类三、判断题15 .图像分类是以一定的可信度用一个对象或概念对整幅图像打标签的任务。（）16 .图片分类技术是计算机视觉中重要的基本问题，是目标检测，图像分割，物体追踪等视觉任务的基础。（）17 .按照图像分类的发展过程划分，图像分类可以分为传统机器学习图像分类和深度学习图像分类。（）18 .准确率是最常用的评价分类问题的性能指标，其定义是对于给定的数据，分类正确的样本数占总样本数的比例。（）19 .对于二分类问题常用的评价指标是精确率和召回率。通常以关注的类为正类，其他类为负类，分类器在数据集上的预测或者正确或者不正确。（）20 .召回率（ReCall）是指分类正确的正样本个数（TP）占真正的正样本个数（TP+FN）的比例。（）四、简答题21 .简述图像分类面临的挑战。22 .按照发展过程，简述图像分类的划分。23 .简述二分类模型常用的模型评价标准。五、综合程序设计24 .完成实战案例基于卷积神经网络的猫狗图像分类。25 .完成实战案例一一基于卷积神经网络的cifar-10图像分类。一、填空题1 .迁移学习的基本问题有（）、（）和（）o2 .迁移学习的训练方法和技巧主要依据两种情况，分别为（）和（）。3 .根据新数据集的大小和数据集的相似程度，可以将迁移学习方法分为四种情况，分别为（）（）（）和（）o二、选择题4 .迁移学习的训练方法和技巧主要依据两种情况，分别为（）和（）。A.新数据集的大小B.数据集的相似程度C.就数据集的大小D.算法5 .根据新数据集的大小和数据集的相似程度，下列选项不属于迁移学习方法情况的是的是（）。A小数据集、相似数据B.小数据集、不相似数据C大数据集、相似数据D.数据集、相似数据6 .下列选项不属于迁移学习的基本问题为（）。A.何时迁移B.何处迁移C.如何迁移D.迁移多少三、判断题7 .对于卷积神经网络而言，不同深度的卷积层能够识别的特征会有所不同。（）8 .给定待学习的目标，首先要做的便是判断任务是否适合进行迁移学习。（）9 .迁移学习的训练方法和技巧主要依据新数据集的大小和数据集的相似程度。（）10 .预训练模型是是在大型数据集上进行训练得到的，通常是在大型图像分类任务上进行训练的。（）11 .机器学习的成功应用依赖于大量有标签数据的可用性。（）12 .迁移学习是一种机器学习的方法，指的是一个预训练的模型被重新用在另一个任务中。（）13 .在图像处理任务中，使用ImageNet的预训练网络进行迁移学习，能够获得更好的模型，且模型训练时间更短。（）四、简答题14 .简述迁移学习的基本问题。15 .简述迁移学习的训练方法和技巧的主要依据。16 .根据新数据集的大小和数据集的相似程度，可以将迁移学习方法分为哪四种情况。17 .简述什么是迁移学习。五、综合程序设计18 .掌握使用matplotlib工具绘制训练曲线的方法。19 .完成实战案例一一基于迁移学习的猫狗图像分类。20 .完成简单的目标检测实现。21 .使用迁移学习的方法，完成Cifar-IO图像分类。单元11. 人工神经网络2. 机器学习3. 监督学习模式无监督学习模式4. 真实值（groundtruth5. 人工神经网络6. 数据量大计算力提升网络规模大7. 数据量硬件依赖特征工程解决问题的方法执行时间可解释性8. 计算机视觉自然语言处理强化学习9. B10. C11. C12. C13. D14. C15. D16. AB17. 18. ×19. 20. 21. 22. 23. 24. 25. 人工智能最核心的部分可以理解为类似人的大脑，就是机器学习，机器学习是实现人工智能的核心方法，人工智能的核心就是由各种算法作为支撑的。神经网络简单来说就是机器学习众多算法中的一类，其原理就是模仿人脑的思维逻辑。26. TheanO、Scikit-IearnCaffe>Torch、MXNet、PyTorCh、Keras和TensorFlow027. 深度学习中的每种算法都具有相似的学习过程，深度学习过程的步骤如下：选择相关数据集并准备进行分析；(2)选择要使用的算法，基于算法构建分析模型；在训练数据集上训练模型，并根据需要对模型进行修改；对训练得到的模型进行测试。28. 深度学习与机器学习的区别，深度学习与机器学习的主要区别体现在以下几个方面:数据量机器学习可以处理大量数据也可以处理少量数据，随着数据量的增加，机器学习的处理效果没有明显变化。而深度学习的特点在于，在一定范围内，随着数据量的增加，深度学习的处理效果是上升的。(2)硬件依赖与传统的机器学习算法不同，深度学习算法需要执行大量的矩阵乘法运算，因此深度学习需要计算机的计算能力做支撑。(3)特征工程深度学习避免了开发每个新问题的特征工程的问题。数据和特征决定了机器学习的上限，算法和模型不过是逼近这个上限。深度学习不用像传统机器学习那样人为的合成高级复杂特征，深度学习只需利用经过先验知识处理的一阶特征，就可以学习到相关的高级复杂特征。(4)解决问题的方法传统的机器学习遵循标准程序，将问题分解成多个部分，先解决每个问题，然后将他们组合起来以获得最终的结果。而深度学习侧重于端到端的解决问题。(5)执行时间深度学习因数据量的庞大和模型参数的众多，一般需要大量的时间进行训练，机器学习所需要的执行时间则相对较短。(6)可解释性可解释性是比较机器学习和深度学习算法的主要因素。机器学习算法为我们提供了清晰的规则和可解释的算法推理过程，因此像决策树、逻辑回归等机器学习算法主要用于工业中需要可解释性的场景中。深度学习算法主要是通过仿生的神经网络做算法推理。29. 无监督学习中，训练样本未按其所属的类别进行标记。无监督学习模型是识别无标签数据结构的模型。该模型通过寻找具有共同特征的数据，并根据数据内部知识特征对其进行分类，这种学习算法适用于聚类问题。30. 有监督学习以训练集作为模型的输入，其中每个样本都有标注信息，我们称标注信息为真实值(groundtruth)0模型的输出值与真实值之间的差值用损失函数(loss)来衡量，采用最小损失函数执行训练过程。训练完成后，使用验证集或测试集测量模型的准确性。31. 略32. 略33. 略1 .深度学习2 .图像识别自然语言处理3 .张量4 .计算图(COmPUtatiOnGraph)5 .标量向量矩阵张量6 .数值型字符串型布尔型7 .监督学习8 .向量9 .D10 .B11 .D12 .13 .14 .15 .16 .17 .18 .TensorFlow框架具有许多优点，如高度灵活性、真正的可移植性、连接研究与产品、自动微分、多语言选择以及最大化性能六大特性。19 .TensorFlow的主要功能有以下几个方面：以张量的多维数组轻松定义、优化和计算数学表达式；(2)支持深度神经网络和机器学习技术的编程；(3)具有多种数据集、网络模型等高度可扩展的计算模块；(4)允许模型部署到工业生产的应用中；(5)支持GPU计算，实现了自动化管理。提供了对初学者友好的高级APIKeraS接口。20 .例：importtensorflowastfa=tf.constant(5)print（八）print('a是维Tensor*.format(a.ndim)21 .例：pat.v1astfpat.v1.disable_eager_execution()matrix1=tf.constant(3,3,1,2,2,2,1,1,1)matrix2=tf.constant(2,3,4)product=tf.matmul(matrixl,matrix2)print(product)withtf.Session()assess:result=sess.run(product)print(result)22 .答案详见2.6节。23 .答案详见2.7节。1 .用户友好模块化易扩展性基于PythOn实现2 .序列式(SeqUential)函数式(FUnCtional)子类(SUbCIaSSing)3 .激活函数损失函数优化器正则化器4 .目标函数5 .有准确率(ACCUraCy)精确度(PreCiSion)召回率(ReCan)6 .有激活函数损失函数优化器正则化器7 .输入层隐藏层输出层卷积层池化层8 .一维二维三维9 .数据预处理建立模型编译模型训练模型评估模型模型预测10.importfromkeras.datasetsimportmnistfromkeras.modelsimportSequentialfromkeras.layersimportDense,Dropoutfromkeras.optinizersimportRMSpropimportnumpyasnp11.D12.A13.A14.C15.B16.ABC17.18.19.20.21.22.23.24.25.Keras提供了-种简洁的方法来创建基于TensorFlow或Theano的深度学习模型，并运用了各种优化技术使神经网络API调用变得轻松高效。Keras框架具有以下功能特点:(1)用户友好，Keras是专门为用户而设计的API；(2)模块化网络模型是由一系列独立的、完全可配置的模块组成的序列；(3)易扩展性使用keras创建的模型，可以增加或删除模块，以提升模型的性能，新的模块是很容易添加的；(4)基于Python实现KeraS没有特定格式的单独配置文件，模块是用Python代码来定义的，这些代码紧凑，易于调试，并且易于扩展。26.Keras提供了许多内置的与神经网络相关的功能模块，用户可以方便地调用模块创建KeraS模型和KeraS层，常用的核心模块有激活函数、损失函数、优化器和正则化器等。27.KeraS模型中的每个层代表神经网络模型中的对应层，KeraS提供了许多预构建层，如输入层、隐藏层、输出层、卷积层、池化层等，因此提高了构建复杂神经网络模型的效率。28.深度学习框架KeraS是像搭积木般构建神经网络模型，主要分为6个部分，每个部分只需调用kerasAPI函数就能实现。使用keras框架建模流程通常包括：（1）数据预处理：获取并预处理训练数据；（2）建立模型：定义由网络层组成的网络或模型，将输入数据映射成目标；（3）编译模型：配置训练过程参数，包括损失函数、优化器、模型评估指标；（4）训练模型：调用函数在训练数据上进行迭代，更新模型权重；（5）评估模型：使用测试集或验证数据集，评估模型的性能是否达到要求；（6）模型预测：使用训练好的模型预测新的数据。29 .Keras是功能强大且易于使用的深度学习框架之一，它建立在TensorFlow等流行的深度学习框架的基础上，旨在快速定义深度学习模型，使创建深度学习模型更为简单。30 .详见3.5.31 .详见3.6.32 .略。1. 神经网络(NeUraINetWOrk)2. 神经元3. 生物神经元模型4. 输入层输出层5. 全连接神经网络6. Sigmoid函数Solftmax7. 前馈神经网络8. 感知机9. C10. C11. C12. C13. A14. AC15. A16. D17. 18. 19. 20. 21. ×22. 23. 24. 25.随着神经科学和认知科学的不断进步，科学家们对人类大脑的神经系统的认知更为清晰，早期的神经科学家构造了一种模仿人脑神经系统的数学模型，称为人工神经网络(ArtiflCialNeUralNetWOrk,ANN),简称神经网络。在机器学习领域，神经网络是指由很多人工神经元构成的网络结构模型。26.神经网络的神经元中，输入数据通过加权求和后，还被作用了一个函数，这个函数就是激活函数。激活函数有以下特点：1.非线性；2可微性；3.单调性；4.输出与输入值相差不大；5.输出值范围不大。27.Sigmoid函数也叫1.OgiStiC函数，定义为:1/(1+er,优点：它的一个优良特性就是能够把的输入"压缩”到0,l区间，这个区间的数值在机器学习常用来表示以下意义：概率分布，0,1区间的输出和概率的分布范围契合，可以通过Sigmoid函数将输出转译为概率输出信号强度，一般可以将0"理解为某种信号的强度，如像素的颜色强度，1代表当前通道颜色最强，O代表当前通道无颜色；抑或代表门控值(Gate)的强度，1代表当前门控全部开放，O代表门控关闭SigmOid函数，连续可导，相对于阶跃函数，可以直接利用梯度下降算法优化网络参数，应用的非常广泛。28.卷积(COnVOkltiOn),也叫褶积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积。29.1.eNet-5共有7层，包括2个卷积层、2个池化层、3个全连接层。过程详见4.730. 1.eNet-5是最早提出的卷积神经网络，该网络是由Yann1.eCUn基于1988年以来的工作提出。1.eNet-5的主要贡献：1.在神经网络中引入卷积层；2.引入下采样；3.卷积+池化(下采样)+非线性激活的组合是CNN的典型特征；4.使用MP1.作为分类器。31.model=Sequential()model.add(Conv2D(filters=6,kernel_size=(5,5),padding-valid',input_shape=(1,28,28),activation=,tanh,)model.add(MaxPoo12D(pool_size=(2,2)model.add(Conv2D(filters=16,kemel_size=(5,5),padding-valid',activation='tanh,)model.add(MaxPool2D(pool_size=(2,2)# 池化后变成16个4x4的矩阵，然后把矩阵压平变成一维的，一共256个单元。model.add(Flatten()# 下面是全连接层model.add(Dense(120,activation='tanh,)model.add(Dense(84,activation=,tanh')model.add(Dense(10,activation='softmax')# 创建模型序列model=Seq