2026年秋江苏开放大学神经网络与深度学习作业二答案

注意:因为学习平台题目是随机,选择题选项也是随机,一定注意答案对应的选项,同学们在本页按“Ctrl+F”快捷搜索题目中“关键字”就可以快速定位题目,还是不懂的话可以看这个:快速答题技巧

一、2026年秋江苏开放大学神经网络与深度学习作业二单选题答案

1、有Lenet的结构如图所示,输⼊数据⼤⼩为⼤⼩单通道图⽚,在C1卷积层使⽤个⼤⼩为的卷积核进⾏卷积,,步⻓为。在S2池化层使⽤的卷积核进⾏步⻓为2的平均值池化。在C3卷积层使⽤个⼤⼩为的卷积核进⾏卷积,,步⻓为。在S4池化层使⽤的卷积核进⾏步⻓为2的平均值池化。扁平化后接⼊C5全连接层,其中C5全连接层的输出⼤⼩为120,请问C5全连接层的输⼊是多⼤?

2026年秋江苏开放大学神经网络与深度学习作业二答案

A、300

B、1024

C、400

D、784

正确答案:C

2、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、强化学习

B、卷积神经⽹络

C、以上所有⽅法

D、随机森林

正确答案:B

3、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?

A、4

B、3

C、2

D、1

正确答案:A

4、对以下输⼊⼤⼩为(7,7)的数据,⾸先进⾏幅度为3的填充,设置滤波器⼤⼩为3*3,步幅为2,卷积运算输出结果的⼤⼩为?

A、(7,7)

B、(6,6)

C、4,4)

D、(5,5)

正确答案:B

5、以下关于神经⽹络中卷积运算的说法,正确的是?

A、若卷积运算输⼊数据为⼆维形状,则滤波器的⻓和⾼⼤⼩必须相等

B、若卷积运算输⼊数据为三维形状,则输⼊数据和滤波器的⻓和⾼均要设为相同的值

C、若卷积运算输⼊数据为三维形状,输⼊数据和滤波器的通道数要设为相同的值

D、若卷积运算输⼊数据为⼆维形状,则输⼊数据的⻓和⾼⼤⼩必须相等

正确答案:C

6、在进⾏卷积层的处理之前,有时要向输⼊数据的周围填⼊固定的数据,这称为填充(padding)。对⼤⼩为(4,4)的输⼊数据进⾏幅度为3的填充,则输⼊数据⼤⼩变成多少?

A、(15,15)

B、(7,7)

C、(10,10)

D、(12,12)

正确答案:C

7、假设在卷积神经网络中,当前卷积窗口覆盖的输入图像区域(Input)是一个3×3的矩阵,卷积核(Filter/Kernel)也是一个3×3的矩阵。请根据下图中的数值,计算该位置卷积运算后的输出值是多少?

输入区域(Input):

[1 0 1、0 1 0、1 0 1]

卷积核(Filter):

[1 1 1、0 0 0、1 1 1]

A、4

B、6

C、9

D、5

正确答案:A

二、2026年秋江苏开放大学神经网络与深度学习作业二多选题答案

1、下列哪些是CNN中卷积操作的特点?

A、参数共享

B、稀疏连接

C、等变表示

D、简化运算

正确答案:A;B;C

2、以下关于CNN中池化的说法,正确的是?

A、池化只是从⽬标区域中取最⼤值(或平均值),所以不存在要学习的参数

B、经过池化运算,输⼊数据和输出数据的通道数不会发⽣变化

C、池化对输⼊数据的微⼩偏差具有鲁棒性

D、通常池化的窗⼝⼤⼩会和上⼀步卷积操作的步幅设定成相同的值

正确答案:A;B;C;D

题型:多选题客观题分值7分难度:一般得分:0

3、VGGNet是⼀种典型的深度卷积神经⽹络,被⼴泛应⽤在⼤规模数据集的分类问题上。⽽在实际应⽤中,VGGNet中的训练层深度最多不会超过19层,请问这是为什么?

A、训练时间过⻓

B、参数量爆炸

C、仅为了避免麻烦

D、梯度消失使得优化变得困难

学生答案:A;B;C;D

三、2026年秋江苏开放大学神经网络与深度学习作业二填空题答案

1、最大池化(Max Pooling)是在目标区域取()值;均值池化(Average Pooling)是在目标区域取()值。

正确答案:最大;平均

题型:填空题客观题答案允许乱序分值6分难度:简单得分:0

2、ResNet通过引入()结构(跳过卷积层,将输入与输出相加)缓解了深层网络中的梯度消失问题。

学生答案:残差连接

3、CNN适用于图像识别、语音识别等任务,其核心特点包括稀疏连接、参数共享和()表示。

正确答案:等变

4、在CNN的基本流程中,常见的层序为:Convolution→Max Pooling→Convolution→Max Pooling→()→全连接。

正确答案:Flatten

5、卷积神经网络中,用卷积运算替代一般矩阵乘法的网络称为()。

正确答案:卷积网络

禁止转载未经授权,禁止转载,发布者:形考达人黄金VIP,出处:https://www.xingkaowang.com/38761.html

免责声明:本站不对内容的完整性、权威性及其观点立场正确性做任何保证或承诺!付费为资源整合费用,前请自行鉴别。

免费答案:形考作业所有题目均出自课程讲义中,可自行学习寻找题目答案,本站内容可作为临时参考工具,但不应完全依赖,建议仅作为辅助核对答案的工具,而非直接使用!

赞 (0)
2026年秋江苏开放大学神经网络与深度学习综合大作业答案
上一篇 2026年9月4日 上午10:45
2026年秋江苏开放大学神经网络与深度学习作业三答案
下一篇 3天前

相关推荐

  • 2026年秋江苏开放大学神经网络与深度学习作业三答案

    一、2026年秋江苏开放大学神经网络与深度学习作业三单选题答案 1、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? A、4 B、1 C、2 D、3 正确答案:A 题型:单选题客观题分值5分难度:一般得分:0 …

    3天前
  • 2026年秋江苏开放大学神经网络与深度学习综合大作业答案

    一、2026年秋江苏开放大学神经网络与深度学习综合大作业单选题答案 1、Dropout是一种在深度学习环境中应用的正规化手段。它是这样运作的:在一次循环中我们先随机选择神经层中的一些单元并将其临时隐藏,然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中,我们又将隐藏另外一些神经元,如此直至训练结束。 根据以上描述,Dropout技术在下列哪种神经层…

    2026年9月4日
  • 2026年秋江苏开放大学神经网络与深度学习作业四答案

    一、2026年秋江苏开放大学神经网络与深度学习作业四单选题答案 1、下列关于状态值函数vπ(s)和动作值函数qπ(s, a)的叙述,说法正确的是() A、给定初始状态s时,状态值函数可以使⽤动作值函数表示,即vπ(s) = Ea(qπ(s, a)) B、最优值函数v∗ (s) 与最优状态值函数 q∗(s, a)的值相同 C、动作值函数qπ(s, a)表示从状…

    2026年9月4日
  • 2026年秋江苏开放大学神经网络与深度学习作业一答案

    一、2026年秋江苏开放大学神经网络与深度学习作业一单选题答案 1、下列对于机器学习⼀般⽅法的叙述,错误的是? A、强化学习算法会和环境进⾏交互,学习系统和它的训练过程会有反馈回路 B、深度学习属于监督学习的⼀种,⽬前常⽤多层神经⽹络的⽅法进⾏训练 C、⽆监督学习算法训练含有很多特征的数据集,然后学习出这个数据集上有⽤的结构性质 D、监督学习算法训练含有很多…

    2026年9月4日
  • 2026年春江苏开放大学神经网络与深度学习综合大作业答案

    一、2026年春江苏开放大学神经网络与深度学习综合大作业单选题答案 1、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? A、MSRA初始化 B、Xavier初始化 C、常量初始化 D、高斯分布初始化 正确答案:C 2、深度学习可以用在下列哪些NLP任务中? A、所有选项 B、情感分析 C、机器翻译 D、问答系统 正确答案:A 3、下列哪些项目…

    2026年8月3日
  • 2026年春江苏开放大学神经网络与深度学习作业三答案

    一、2026年春江苏开放大学神经网络与深度学习作业三单选题答案 1、强化学习⼤体上可以分为基于值函数的⽅法和基于策略函数的⽅法,则下列说法中错误的是() A、Actor-Critic算法融合了基于值函数和策略函数两种⽅法,收敛性更好 B、基于策略函数的⽅法在策略更新时会更加平稳 C、基于值函数的⽅法策略更新时可能会导致值函数的改变⽐较⼤,影响收敛性 D、基于…

    2026年8月3日
  • 2026年春江苏开放大学神经网络与深度学习作业一答案

    一、2026年春江苏开放大学神经网络与深度学习作业一单选题答案 1、下列关于Lasso回归和岭回归的说法错误的是? A、Lasso回归在误差函数上增加的正则化项是模型参数的L1范数 B、相⽐于Lasso回归,岭回归更易出现稀疏解 C、Lasso回归和岭回归均是在误差函数上增加⼀个正则化项 D、岭回归在误差函数上增加的正则化项是模型参数的L2范数的平⽅ 正确答…

    2026年8月3日

发表回复

登录后才能评论
作业托管
作业托管
实习指导
年费权益

年费权益

整理期末复习资料备考

每学期代写3门课程作业

定制毕业实习

可单独实践报告、小论文定制

QQ:994370779

售后反馈
微信公众号
微信公众号
分享本页
返回顶部