第3章思考题

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

在图像分类任务中，单张输入图像通常表示为哪种数据结构？

以下哪个模型首次在ImageNet竞赛中引入ReLU和Dropout，推动了深度学习革命？

若一个分类模型对100张图像的预测结果中：90张正确，10张错误，其准确率（Accuracy）是多少？

训练图像分类模型时，为何常对输入进行归一化（如减去均值、除以标准差）？

LeNet-5最初设计用于解决什么任务？

LeNet-5中交替使用卷积层和池化层的核心目的是？

AlexNet在2012年ImageNet竞赛中夺冠的关键创新不包括？

AlexNet第一层卷积核的尺寸和步长是？

VGG网络的核心设计是什么？

VGG-16中数字"16"的含义是？

GoogLeNet的核心创新Inception结构主要解决什么问题？

GoogLeNet中引入1×1卷积的主要目的是？

在图像分类任务中，RGB图像的输入张量维度是______（不含批次维度）。

训练CNN模型时，通过随机裁剪、翻转等______技术可提升模型泛化能力。

卷积神经网络的核心操作是______，它能提取局部特征并减少参数量。

在卷积网络的数据预处理中，transform参数主要用于对输入图像进行【标准化】、【数据增强】和【格式转换】。

MNIST数据集保存在程序所在目录的‘MNIST’文件夹中。要求：使用PyTorch实现一个简易卷积神经网络，对MNIST手写数字数据集进行分类。具体要求如下： (1) 网络结构包含：2个卷积层（第一层输出通道16，第二层输出通道32，均使用3x3卷积核）、2个池化层（2x2最大池化）、1个全连接层（输出10类）； (2) 训练过程需包含：数据加载与预处理（归一化）、损失函数（交叉熵）、优化器（Adam，学习率0.001）； (3) 训练10个epoch，每轮输出训练损失与准确率，并在测试集上输出最终分类准确率； (4) 保存训练好的模型参数为“mnist_cnn.pth”。提示： (1) MNIST数据集可通过torchvision.datasets加载，使用DataLoader批量处理。 (2) 卷积层后建议添加ReLU激活函数。【参考代码】 import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) # 加载数据集 train_dataset = datasets.MNIST(root='MNIST', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='MNIST', train=False, download=True, transform=transform) train_loader = DataLoader( train_dataset, batch_size=64, shuffle=True ) test_loader = DataLoader( test_dataset, batch_size=1000, shuffle=False ) # 定义CNN模型 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1) self.pool1 = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1) self.pool2 = nn.MaxPool2d(2, 2) self.fc = nn.Linear(32*7*7, 10) def forward(self, x): x = torch.relu(self.conv1(x)) x = self.pool1(x) x = torch.relu(self.conv2(x)) x = self.pool2(x) x = x.view(-1, 32*7*7) x = self.fc(x) return x model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练过程 for epoch in range(10): model.train() running_loss = 0.0 correct = 0 total = 0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}, Accuracy: {100.*correct/total:.2f}%") # 测试集评估 model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f"Test Accuracy: {100.*correct/total:.2f}%") # 保存模型 torch.save(model.state_dict(), 'mnist_cnn.pth')【缺少答案，请补充】

CIFAR-10数据集保存在程序所在目录的文件夹“CIFAR-10”文件夹中。要求基于第一题的基础，对CNN模型进行改进并可视化中间层特征。具体要求如下： (1) 网络结构：2个卷积层（第一层输出通道16，第二层输出通道32，均使用3x3卷积核）、2个池化层（2x2最大池化）、1个全连接层（输出10类）； (2) 使用CIFAR-10数据集（10类彩色图像）进行训练，训练20个epoch，记录训练集与验证集的损失曲线（使用matplotlib绘制在同一张图中）；提示：CIFAR-10图像尺寸为32x32x3，需注意输入通道数与卷积层匹配。

图像分类任务的核心目标是什么？其输入输出形式如何定义？

列举图像分类模型训练流程的四个关键步骤，并简述各步骤作用。

更多题库