神经网络作业

2023年秋江苏开放大学神经网络与深度学习形考二作业试题列表单选题题型：单选题客观题分值5分难度：简单得分：51以下卷积运算的输出结果为A11 12<br>10 1115 16<br>&nbsp;6&nbsp;15C10 11<br>11 12D11 12<br>10 11学生答案：B老师点评：题型：单选题客观题分值5分难度：中等得分：52以下关于神经⽹络的训练过程，描述错误的是？A【mini-batch】从训练数据中随机选出⼀部分数据，这部分数据称为mini-batch，我们的⽬标是减少mini-batch损失函数的值。

【随机梯度下降】stochastic gradient descent：“随机”代表在梯度下降中随机初始⼀个学习率，并不断尝试多个值，寻求最好的结果C【计算梯度】为了减⼩mini-batch的损失函数，需要求出各个权重参数的梯度D【更新参数】梯度反⽅向表示损失函数的值减⼩最多的⽅向，将权重参数沿梯度反⽅向进⾏微⼩更新学生答案：B老师点评：题型：单选题客观题分值5分难度：一般得分：53多义现象可以被定义为在⽂本对象中⼀个单词或短语的多种含义共存。

下列哪⼀种⽅法可能是解决此问题的最好选择？A随机森林B以上所有⽅法卷积神经⽹络D强化学习学生答案：C老师点评：题型：单选题客观题分值5分难度：中等得分：54在⼀个神经⽹络⾥，知道每⼀个神经元的权重和偏差是最重要的⼀步。

如果以某种⽅法知道了神经元准确的权重和偏差，你就可以近似任何函数。

实现这个最佳的办法是什么？A以上都不正确B搜索所有权重和偏差的组合，直到得到最优值C随机赋值，祈祷它们是正确的赋予⼀个初始值，检查与最优值的差值，然后迭代更新权重学生答案：D题型：单选题客观题分值5分难度：一般得分：55以下场景中适合采⽤⼀对多结构RNN的是？A基于帧粒度的视频分类B⽣成图⽚说明C情感分析D机器翻译学生答案：B题型：单选题客观题分值5分难度：一般得分：56在典型CNN⽹络AlexNet中，原始图⽚是⼤⼩为227*227的三通道数据，经过96个⼤⼩为11*11的卷积核卷积后得到96个⼤⼩为55*55的特征图，若padding = 0 ，则卷积核的步⻓为多少？4B1C2D3学生答案：A老师点评：题型：单选题客观题分值5分难度：一般得分：57】在神经⽹络的学习中，权重的初始值特别重要，设定什么样的权重初始值，经常关系到神经⽹络的学习能否成功。

智能控制作业学生姓名: 学号: 专业班级:（一）7-2 采用BP网路、RBF网路、DRNN网路逼近线性对象, 分别进行matlab 仿真。

（二）采用BP网络仿真网络结构为2-6-1。

采样时间1ms, 输入信号, 权值的初值随机取值, 。

仿真m文件程序为:%BP simulationclear all;clear all;xite=0.5;alfa=0.5;w1=rands(2,6); % value of w1,initially by randomw1_1=w1;w1_2=w1;w2=rands(6,1); % value of w2,initially by randomw2_1=w2;w2_2=w2_1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]'; % input of yinhanceng cellIout=[0,0,0,0,0,0]'; % output of yinhanceng cellFI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.5*sin(3*2*pi*k*ts);y(k)=(u_1-0.9*y_1)/(1+y_1^2);for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout; %output of networke(k)=y(k)-yn(k); % error calculationw2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j))^2);endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation endendw1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1% jacobian informationyu=0;for j=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');figure(2);plot(time,y-yn,'r');xlabel('times');ylabel('error');figure(3);plot(time,dyu);xlabel('times');ylabel('dyu');运行结果为:（三）采用RBF网络仿真网路结构为2-4-1, 采样时间1ms, 输入信号, 权值的初值随机取值, , 高斯基函数初值, 。

大工22夏《神经网络》大作业
1. 项目介绍
本次《神经网络》大作业旨在让同学们深入理解神经网络的工作原理，并能够独立实现一个简单的神经网络模型。

通过完成本次作业，同学们将掌握神经网络的基本结构，训练过程以及参数优化方法。

2. 任务要求
1. 独立实现一个具有至少三层神经网络的结构，包括输入层、隐藏层和输出层。

2. 选择一个合适的激活函数，并实现其对应的激活和导数计算方法。

3. 实现神经网络的正向传播和反向传播过程，包括权重更新和偏置更新。

4. 在一个简单的数据集上进行训练，评估并优化所实现的神经网络模型。

3. 评分标准
1. 神经网络结构实现（30分）
2. 激活函数实现（20分）
3. 正向传播和反向传播实现（20分）
4. 模型训练与评估（20分）
5. 代码规范与文档说明（10分）
4. 提交要求
1. 提交代码文件，包括神经网络结构、激活函数、正向传播、反向传播以及训练与评估的实现。

2. 提交一份项目报告，包括项目简介、实现思路、实验结果及分析。

3. 请在提交前确保代码的可运行性，并在报告中附上运行结果截图。

5. 参考资料
1. Goodfellow, I. J., Bengio, Y., & Courville, A. C. (2016). Deep learning. MIT press.
2. Russell, S., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson Education Limited.
祝大家作业顺利！。

基于单片机的数字卡片识别实验报告 唐新灵 1110319055 温锦斌 1110319061一．题目感知器网络应用实例说明：输入：9个，笔划通过小块时，输出为“1”，否则为“0”； 输出：1个，当 j j W x 超过阈值时灯亮，否则灯灭；目的：奇偶数识别。

数字卡为奇数时，灯亮（输出1）。

将0～9都输入一遍，结果正确，什么都不变，否则，修正权值，减小误差。

并且这是基于单片机的硬件实现。

二．实验步骤。

1.硬件设计。

（1）实验器材单片机一块：8051F020单片机；PCB板一块；200欧电阻两个；开关若干；发光二极管若干；细导线若干。

（2）仿真软件Keil3，proteus；（3）硬件画图在proteus上画出硬件图，如下所示：（4）软件设计根据神经网络的原理和单片机的软件设计特点用C语言写出程序，程序如下：#include "C8051F020.h"#define uchar unsigned char#define uint unsigned int//sbit p20=P2^0; //指示灯sbit S1=P1^0;sbit S2=P1^1;sbit S3=P1^2;sbit S4=P1^3;sbit S5=P1^4;sbit S6=P1^5;sbit S7=P3^7;sbit S8=P1^7;sbit S9=P3^5;sbit S10=P3^6;sbit LED1=P3^0;sbit LED2=P3^1;void Oscillator_Init() //外部晶振初始化{int i = 0;OSCXCN = 0x66;for (i = 0; i < 3000; i++); // Wait 1ms for initialization while ((OSCXCN & 0x80) == 0);OSCICN = 0x08;}void Timer_Init(){CKCON = 0x18;TMOD = 0x21;TH1 = 0x30;//600bps }void UART_Init(){SCON0 = 0x40;SCON1 = 0x40;}void Port_IO_Init(){P0MDOUT = 0x0F;P1MDOUT = 0xff;P3MDOUT = 0xff;XBR0 = 0x14;XBR2 = 0x44;}void Interrupts_Init(){IE = 0x98;IP = 0x18;EIE2 = 0x40;EIP2 = 0x40;}void PCA_Init() //PCA配置产生38KHz载波{PCA0MD = 0x08;PCA0CPM1 = 0x46;PCA0CPM2 = 0x46;PCA0CPH0 = 0x35;PCA0CPH1 = 0x35;}void Init_Device(void){Oscillator_Init();Timer_Init();PCA_Init();UART_Init();Port_IO_Init();Interrupts_Init();PCA0CN = 0x40;//启动PCA}void delay(){uint i,j;for(i=0;i<2;i++);//for(j=0;j<50;j++);}/*************************************************/ void main(){int x[10][10]={{0,0,1,0,0,1,1,0,0,0},{0,1,1,0,1,0,1,0,0,1},{0,1,1,1,0,0,1,0,0,0},{1,0,1,0,1,1,1,0,0,0},{1,1,1,0,0,1,0,0,0,0},{1,0,1,0,1,0,0,0,1,1},{0,1,1,1,0,0,0,1,0,0},{0,0,1,0,0,1,0,1,0,0},{0,1,1,1,0,1,1,1,0,0},{0,1,1,0,1,0,0,1,1,0}};int d[10]={0,1,0,1,0,1,0,1,0,1},t[10]={0};int k,j,i,h,a,e,l;long w[10]={0,0,0,0,0,0,0,0,0,0};long c[10];float f[10],b[10],p=0;int r=1;long v=0;int y;for(k=1;k<=5;k++)for(j=0;j<=9;j++)for(i=0;i<=9;i++){c[i]=x[j][i]*w[i]*1000;//v=v+c[i];v=c[0]+c[1]+c[2]+c[3]+c[4]+c[5]+c[6]+c[7]+c[8]+c[9];if (v<0)y=0;elsey=1;w[i]=w[i]+r*(d[j]-y)*x[j][i]*1000;}for(i=0;i<=9;i++){f[i]=w[i]/1000;}WDTCN=0xde; //看门狗禁用WDTCN=0xad;Init_Device(); //初始化//TCON = 0x50; //启动定时器LED2=0;LED1=1;while(1){for(i=0;i<=9;i++){if (S1==0)t[i]=x[0][i];if (S2==0)t[i]=x[1][i];if (S3==0)t[i]=x[2][i];if (S4==0)t[i]=x[3][i]; if (S5==0)t[i]=x[4][i]; if (S6==0)t[i]=x[5][i]; if (S7==0)t[i]=x[6][i]; if (S8==0)t[i]=x[7][i]; if (S9==0)t[i]=x[8][i]; if (S10==0) t[i]=x[9][i]; p=p+t[i]*f[i]; }if (p<0)h=0;elseh=1;l=!h; LED2=h; LED1=l;//if (LED1==0){delay();LED1=1;};//if (LED2==0){delay();LED2=1;};}}三．实验实物照片照片1.整体视图照片2.单片机部分视图照片3.卡片识别部分视图四．实验结果。

BP神经网络及MATLAB实现实验报告姓名：李英杰学号：123109302专业：机械电子工程2013年6月19日1. BP网络的MATLAB设计MatlabR2012 神经网络工具箱(Neural Network toolbox) 为用户提供了丰富的神经网络设计与分析函数,可是用它们来编程不容易掌握。

我们通过对神经网络工具箱的实践应用研究表明,使用神经网络工具箱中的NNTool对神经网络进行设计和仿真简便易行直观,不需要编程,且设计和仿真的结果证明完全能够满足一般工程设计人员的需要,能够取得事半功倍的效果。

下面我们以一个单隐含层的BP网络设计为例，介绍利用神经网络工具箱中的NNTool对BP网络的设计和分析。

利用NNTool设计一个BP 网络，该网络的输入层和输出层的神经元个数均为1。

训练样本定义如下：输入变量为p =[-1 1 3 1；-1 1 5 -3]目标变量为 t = [-1 2 4 3]打开Matlab 应用软件后,双击Neural Network toolbox 中的NNTool 图标,或在命令窗口键入nntool，即可进入神经络设计主界面，如下图。

图1 NNTool 设计主界面1．训练样本数据的导入点击New按钮,在弹出窗口选择Date选项卡，按如图2，3所示创建输入变量和目标变量。

图2 创建新的输入变量图3 创建新的目标变量2．神经网络的创建点击主界面中点击New按钮，在弹出窗口选择Newwork选项卡，并在对话框中可对网络的名称、类型、结构和训练函数等进行设置，如图4 所示。

图4创建神经元网络界面在上面窗口中对该网络命名为：tracylee；网络类型为：Feed-forward backprop，即前馈BP神经网络；Input ranges ：点击Get From Input下拉框选择样本输入变量p加入输入向量；Training function：在下拉列表中选择TRAINGDM训练函数；采用动量梯度下降算法训练 BP 网络。

神经网络课程作业1.要求程序具有以下功能:能对6输入单节点网络进行训练；能选用不同的学习规则；能选用不同的转移函数；能选用不同的训练样本程序调试通过后，自己设计一组数据进行训练，训练时应给出每一步的净输入和权向量调整结果。

2.下面给出的训练集由玩具兔和玩具熊组成。

输入样本向量的第一个分量代表玩具的重量，第二分量代表玩具耳朵的长度，教师信号为-1表示玩具兔，教师信号为1表示玩具熊。

{X=[1,4],d=-1}, {X=[1,5],d=-1},{X=[2,4],d=-1}, {X=[2,5],d=-1},{X=[3,1],d=1}, {X=[3,2],d=1},{X=[4,1],d=1}, {X=[4,2],d=1}.1. 用MATLAB训练一个感知器，求解此分类问题。

2. 用输入样本对所训练的感知器进行验证。

3. 根据BP流程图上机编程实现三层前馈神经网络的BP学习算法。

要求程序具有以下功能：1. 允许选择各层节点数；2. 允许选用不同的学习率；3. 能对权值进行初始化，初始化用[-1,1]区间的随机数4.允许选用单极性或双极性两种不同Sigmoid型转移函数程序调试通过后，可用以下题目提供的数据进行训练。

设计一个神经网络对下面三类线性不可分模式进行分类。

期望输出向量分别用(1,-1,-1),(-1,1,-1),(-1,-1,1)代表三类，输入用下面9个样本坐标，要求：选择合适的隐节点数；用BP算法训练网络对下面9个样本进行正确分类第一类：（1/4,1/4）（3/4,1/8）（3/4,3/4）第二类：（1/2,1/8）（3/4,1/4）（3/4,1/4）第三类：（1/4,1/2）（1/2,1/2）（3/4,1/2）4.给定5个4维输入模式如下: (1,0,0,0),(1,1,0,0),(1,1,1,0),(0,1,0,0),(1,1,1,1)试设计一个具有5*5神经元平面阵的SOM网，建议学习率在前1000步训练中从0.5线性下降至0.04，然后在训练到10000步时减小至0.优胜领域半径初值设为2个节点（即优胜领域覆盖整个输出平面），1000个训练步时减至0（即只含获胜节点）。

一、单项选择题1.人工神经网络是人工智能的三大流派思想中哪个流派的基础。

(B）A.符号主义B.连接主义(或称为仿生学派）C.行为主义D.逻辑推理主义2.以下关于感知器的说法错误的是（A）。

A.单层感知器可以解决异或问题B.感知器分类的原理是就是通过调整权重使两类不同的样本经过感知机模型后的输出不同C.单层感知器只能针对线性可分的数据集分类D.学习率可以控制每次权值调整力度3.人工神经网络的层数增加会出现梯度消失现象，其本质原因是（C）。

A.各层误差梯度相加导致B.各层误差梯度相减导致C.各层误差梯度相乘导致D.误差趋于饱和4.卷积层的主要作用是（A）A.提取图像特征B.降低输入维度C.解决梯度消失和梯度爆炸问题D.进行某种非线性变换二、多项选择题1.知识可以从以下哪几个维度来进行分类（AC）。

A.是否可统计B.是否可计算C.是否可推理D.是否可被人理解2.人工神经网络由许多神经元构成，M-P模型的主要特征包括（ABD）。

A.多输入单输出B.对输入加权求和C.具有树突和轴突D.具有激活函数3.卷积神经网络的结构主要包括（ABCD）。

A.卷积层B.池化层C.全连接层D.输入层三、判断题1.人工神经网络的层数是固定的，每层的神经元个数是不固定的（错）2.BP神经网络的误差是从前往后传播的（错）3.卷积神经网络的层数一般超过三层（对）四、简答题1.感知机是如何实现从数据中学习的？答：通过训练数据得到误差，再根据误差来调整权值，让再次计算训练数据得到的误差减小，最终达到无误差。

这时候得到的权值就称为学习到关于这些数据的知识。

2.什么是梯度，什么是梯度的方向？答：梯度就是把多元函数关于各个变量的偏导数放在一起构成的向量（也称为矢量）。

梯度方向表示当函数的各个变量都按照各自偏导数的比例进行增加时，各个增加量合起来构成的方向，是函数值变化最快的方向。

3.有A类物体和B类物体，均有两个类似的特征值。

以下有三个属于A类的样本，每个样本的特征值分别为[0.1, 1]，[0.2, 0.7]，[0.4, 0.8]，样本标签用1表示；有三个属于B类的样本，其特征值分别为[0.8, 0.3]，[0.9, 0.2]，[1.0, 0.5]，样本标签用0表示。

人工神经网络设计作业一、利用感知机神经网络完成真值表中的操作设有一个M-P模型神经元有两个输入P1和P2，其输出为a，让其完成下列的真值表功能：1、具体的程序及其说明如下：clcP=[0 0 1 1;0 1 0 1];T=[0 1 1 1];%提供两组输入一组输出的训练集C=[-2 3 -2 3];%设置坐标轴的范围plotpv(P,T,C)%绘制样本点的坐标pause;[R,Q]=size(P);%R个输入[S,Q]=size(T);%S个输出[W,B]=rands(S,R);%随机获得权值plotpc(W,B)%绘制出初始的决策线pause;A=hardlim(netsum(W*P,B));%计算感知器神经元的输出E=T-A;SSE=sumsqr(E);%计算初始决策线的误差for epoch=1:100if(SSE==0)%若误差为零，画出决策线，并停止训练plot(W,B,'r-')disp('训练成功');breakend[dW,dB]=learnp(P,A,T)%感知器的学习W=W+dW;%修正权值B=B+dB;%调整偏差plotpc(W,B); %绘制决策线pause;a=epoch(1);hold onA=hardlim(netsum(W*P,B));%计算感知器神经元输出E=T-A;%计算误差SSE=sumsqr(E);endA %输出最后的训练结果a %输出训练次数2、具体的训练过程如图所示：样本点P(1)P (2)初始决策线P(1)P (2)训练中的决策线P(1)P (2)训练结束P(1)P (2)3、训练结果：训练结束后我们可知道A=[0 1 1 1]，训练次数a=4次。

二、利用BP 网络逼近一个非线性函数1、函数选择为指数衰减函数2*2p te -=*，隐层采用对数正切S 型，输出层采用线性型，具体的程序及其说明如下：clcn=5;%隐层神经元的个数 lr=0.1;%学习率 mc=0.9;%动量因子 p=0:0.05:3; t=2*exp(-2.*p);[r,l]=size(p);%r 输入层的维数 [s,l]=size(t);%s 输出层的维数 w1=0.2*rand(n,r);%隐层的权值 deltaw1=zeros(n,r); B1=0.2*rand(n,1);%隐层的偏移量 deltaB1=zeros(n,1); w2=0.2*rand(s,n);%输出层权值 deltaw2=zeros(s,n);B2=0.2*rand(s,1);%输出层的偏移量 deltaB2=zeros(s,1); A1=tansig(w1*p,B1);A2=purelin(w2*A1,B2);plot(p,t,'r+',p,A2,'b:');xlabel('输入样本p');ylabel('输出样本t');axis([0 3 -1 2])title(['样本点和未经训练的曲线']);legend('样本点');pause;epoch=1;sse=1;for epoch=1:10000 %最大训练圈数为1000w1=w1+deltaw1;%权值及其偏移量的调整B1=B1+deltaB1;w2=w2+deltaw2;B2=B2+deltaB2;[A1,A2]=simuff(p,w1,B1,'tansig',w2,B2,'purelin');E=t-A2;sse(epoch)=sumsqr(E);%计算误差if(sse(epoch)==0.001)%达到期望误差退出逼近breakendD2=deltalin(A2,E);D1=deltatan(A1,D2,w2);[deltaw2,deltaB2]=learnbpm(A1,D2,lr,mc,deltaw2,deltaB2); [deltaw1,deltaB1]=learnbpm(p,D1,lr,mc,deltaw1,deltaB1); if(sse(epoch)<=0.001)breakendend;epochplot(p,t,'r+',p,A2,'b:');xlabel('输入样本p');ylabel('输出样本t');title(['训练',num2str(epoch),'次后的曲线']);legend('样本点');axis([0 3 -1 2])pauseFF=1:epoch;plot(FF,sse(FF),'r-');xlabel('训练次数');ylabel('误差');title(['SSE误差曲线']);pause;%泛化能力测试[A1,A2]=simuff(p,w1,B1,'tansig',w2,B2,'purelin');p=0:0.05:3;t=2*exp(-2.*p);%训练后逼近的曲线plot(p,A2,'-');xlabel('输入样本p');ylabel('输出样本t');legend('逼近的曲线'); axis([0 3 -1 3]) hold on ; pt=0:0.1:3;tt=2*exp(-2.*pt); plot(pt,tt,'ro'); title(['检验泛化能力']); axis([0 3 -1 3]) pause; hold off ; epoch %输出训练次数2、具体的逼近过程如下图形显示：0.511.522.53输入样本p输出样本t样本点和未经训练的曲线0.511.522.53输入样本p输出样本t训练113后的曲线由训练结果显示：完成很好的逼近功能，训练次数为113次，误差曲线如下图，我们可以看到误差是收敛的。

机器学习，是人工智能的一个子领域，主要关注于开发一些蠩计算机可以自动“学习”的技术。

更堷体说，机器学习是一种用于创建数据順分析分析程序的方法。

机器学习跟统计学有着重要的关系，因为这两个领域都栯研究数据分析，但是又不像统计学，栺器学习关注的是计算实现的算法复杂堦。

很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容栓处理的近似算法。

机器学习已经有亠十分广泛的应用例如搜索引擎、诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音识别和手写识别识别、战略游戏和机器人运用。

第五讲机器学习机器学习就是计算机自动获取知识，它是知识工程的三个分支（使用知识、知识表示、获取知识）之一。

5.1 研究机器学习的必要性和可行性人工智能的概念和方法已经用于很多领域中，主要成果是专家系统、自然语言理解、计算机视觉和听觉、推理系统的研究。

当前人工智能研究的主要障碍和发展方向之一就是机器学习，这包括发展机器学习的计算理论和构造学习系统。

现在的人工智能系统还完全没有或仅有很有限的学习能力。

人工智能系统中的知识由人工编程送入系统，知识库中错误也不能自动改正。

也就是说，现有的AI系统是演绎推理而不是归纳推理，因而不能自动获取和生成知识。

人类有能力获取新知识、学习新技巧，并在实践中改进之。

如果一个人反复犯同样的错误，就不能说他是有智能的。

学习是智能的重要一环，人工智能的研究目标之一应该是理解学习的本质和建立学习系统。

人工智能解决的问题越来越复杂，系统中的知识越来越多，这些知识包括：领域专用的事实和规则，作为常识的启发式和约束，通用的概念和理论，把如此复杂的知识送入系统是复杂的、费时的、容易出错的和需要经验的。

例如：∙建立专家系统需要有关领域的专家和知识工程师的配合。

使用机器学习技术可以简化这一过程；∙计算机视觉中包含各种视觉专用变换、几何概念和对象的物理与功能描述。

把所有这些知识送入系统中是很困难的，系统应该可以由示教实例自动生成知识。

2023年秋江苏开放大学神经网络与深度学习形考三作业试题列表单选题题型：单选题客观题分值2分难度：一般得分：21深度学习中的卷积神经网络属于机器学习中的那哪种模型A深度无监督学习深度监督学习C深度半监督学习D深度强化学习学生答案：B老师点评：题型：单选题客观题分值2分难度：一般得分：22对于非连续目标在深度神经网络的优化过程中，下面哪种梯度下降方法是最好的？A1-BFGS拉格朗日松弛Subgradont methodCSGDDAdaGrad学生答案：B老师点评：题型：单选题客观题分值2分难度：一般得分：23深度学习中，不经常使用的初始化参数W(权重矩阵）的方法是哪种？常量初始化BMSRA初始化C高斯分布初始化DXavier初始化学生答案：A老师点评：题型：单选题客观题分值2分难度：一般得分：24请问以下和神经网络中的dropout作用机制类似的是？ABoostingBaggingCStackingD都不是学生答案：B老师点评：题型：单选题客观题分值2分难度：一般得分：25关于CNN,以下说法错议的是ACNN用于解决图像的分类及回归问题CNN最初是由Hinton教授提出的CCNN是一种判别模型D第一个经典CNN模型是LeNet学生答案：B老师点评：题型：单选题客观题分值2分难度：一般得分：26关于神经网络中经典使用的优化器，以下说法正确的是A对于轻量级神经网络，使用Adam比使用RMSprop更合适BAdam的收数速度比RMSprop相比于Adam或RMSprop等优化器，SGD的收效效果是最好的D相比于SGD或RMSprop等优化器，Adam9收做效果是最好的学生答案：C老师点评：题型：单选题客观题分值2分难度：一般得分：27反向传播算法一开始计算什么内容的梯度，之后将其反向传播？A都不对B各个输入样本的平方差之和预测结果与样本标签之间的误差D各个网络权重的平方差之和学生答案：C老师点评：题型：单选题客观题分值2分难度：一般得分：28神经网络，非线性激活函数包括sigmoid/tanh/ReLU等其他说法都不正确B总是输出0/1C只在最后输出层才会用到D加速反向传播时的梯度计算学生答案：A老师点评：题型：单选题客观题分值2分难度：一般得分：29声明1:可以通过将所有权重初始化为0来训练网络。