鑫三科技网站设计长沙网站排名推广

当前位置： 首页 > news >正文

鑫三科技网站设计,长沙网站排名推广,静态网站登陆怎么做,江油专业网站建设咨询1、一个含有2个隐藏层的多层感知机#xff08;MLP#xff09;#xff0c;神经元个数都为20#xff0c;输入和输出节点分别由8和5个节点#xff0c;这个网络有多少权重值#xff1f; 答#xff1a;在MLP中#xff0c;权重是连接神经元的参数#xff0c;每个连接都有一…1、一个含有2个隐藏层的多层感知机MLP神经元个数都为20输入和输出节点分别由8和5个节点这个网络有多少权重值 答在MLP中权重是连接神经元的参数每个连接都有一个权重。 输入层到第一个隐藏层的权重数 输入节点数 * 第一个隐藏层的神经元数 8 x 20 160 第一个隐藏层到第二个隐藏层的权重数第一个隐藏层的神经元数 * 第二个隐藏层的神经元数 20 x 20 400 第二个隐藏层到输出层的权重数 第二个隐藏层的神经元数 * 输出层的节点数   20 x 5 100 将这些相加得到总权重数160400100660 2、假设原图size是100 * 100经过一个卷积核size是5*5stride 3的卷积层之后输出的特征图上每个点在原图上的局部感受野是什么 答 在卷积层中每个输出特征图上的点都是通过卷积核在输入图像上滑动计算得到的。输出特征图上的每个点在原图上的局部感受野就是卷积核的大小因为卷积核覆盖的区域就是该点的局部感受野。 所以对于这个问题输出特征图上每个点在原图上的局部感受野就是卷积核的大小即 5 × 5 5×5 的区域。但是题目问的是局部感受野的边长而不是面积。由于卷积核是正方形的所以边长就是5。 3、循环神经网络RNN可以捕捉输入数据中的序列信息。 可以多输入多输出、单输入多输出、多输入单输出。 4、Adam优化器的组成 RMSprop  Momentum Momentum动量动量优化器通过在梯度下降过程中加入之前梯度的指数加权平均以加速收敛并减少震荡。 RMSpropRMSprop优化器是Adagrad的改进版它通过只考虑最近梯度的指数衰减平均来调整学习率解决了Adagrad学习率过早减小的问题。 5、softmax函数又称为归一化指数函数因为它通过指数函数将输入值转换为正数然后进行归一化处理使得输出值的和为1. Softmax回归模型是解决多分类问题 sigmoid函数通常解决二分类问题。 softmax函数可以看作是sigmoid函数的推广。sigmoid函数用于二分类问题而softmax函数可以处理多于两个类别的分类问题。 在多分类问题中softmax函数的输出通常与交叉熵损失函数cross-entropy loss联合使用。交叉熵损失函数衡量的是模型输出的概率分布与真实标签的概率分布之间的差异。 6、tanh函数双曲正切函数。它解决了sigmoid函数的不以0为中心输出问题然而梯度消失的问题仍然存在 7、L1正则化通过向损失函数添加一个正则项来防止模型过拟合。这个正则项是模型权重的绝对值之和即  ∑∣w∣其中 w 是模型的权重。 权重衰减通常指的是L2正则化它通过添加权重的平方和到损失函数中来实现即  ∑w 2 。权重衰减有助于控制模型的复杂度使得权重值较小从而避免过拟合。 所以“L1正则化也叫权重衰减”是错误的。 8、当问题的解决方案很复杂或者问题可能涉及到大量的数据却没有明确的数据分布函数时比较适合使用机器学习方法。 9、LSTM长短期记忆网络是一种特殊的循环神经网络。它通过引入门控机制来解决传统RNN中的梯度消失和梯度爆炸问题。  LSTM包含以下几个关键的门 1遗忘门遗忘门的作用是决定哪些信息应该从单元状态中丢弃。它通过一个sigmoid激活函数来实现sigmoid函数的输出值在0到1之间表示信息保留的程度0表示完全丢弃1表示完全保留。 2输入门输入门由两部分组成一部分决定哪些值将更新另一部分通过tanh函数生成一个新的候选值这个值将被添加到单元状态中。输入门同样使用sigmoid激活函数来决定哪些信息需要被更新。 3输出门输出门控制当前时间步的记忆单元信息的输出。它由一个sigmoid激活函数和一个tanh激活函数组成。sigmoid函数决定哪些信息应该被输出而tanh函数则处理记忆单元的状态以准备输出。 4候选记忆单元candidate memory cell虽然不是门但是是LSTM中的一个关键组件它通过tanh激活函数生成一个新的候选值这个值将被输入门控制是否添加到单元状态中。 10、在隐马尔可夫模型HMM中观测概率通常可以通过高斯混合模型GMM来计算。 11、CANN的算子融合引擎结合昇腾的芯片可以减少参数的计算。 12、EM算法Expectation-Maximization Algorithm是一种迭代算法用于在统计模型中找到最大似然估计或最大后验概率mAP估计特别是在处理含有隐变量的模型时。EM算法的基本步骤包括 1初始化参数 2E步骤计算隐变量的期望值即在当前参数估计下隐变量的条件期望。 3M步骤最大化期望的对数似然函数以找到参数的新估计值。 4迭代至收敛重复E步骤和M步骤知道参数估计值收敛即连续迭代之间的变化非常小或达到预设的迭代次数。 13、反向传播算法Backpropagation的核心是利用链式法则来计算损失函数关于网络参数的梯度。 14、【填空题】 ModelArts 平台中的自动学习 服务是ModelArts平台为初学者提供的入门服务可以帮助初学者“零”基础轻松搞定图像分类、物体检测等场景。(请填写中文) 15、在卷积神经网络中通常只有两种池化方法最大池化和平均池化。 16、华为云语音交互服务目前支持以下哪些类型的SDKpython和java 17、【填空题】 将GRU的重置门设置为1更新门设置为0那么将获得标准RNN模型请慎写阿拉伯数字 18、【判断题】 混淆矩阵对角线上的数值越高说明该分类器的分类效果越好        正确 19、命名实体识别Named Entity Recognition简称NER是自然语言处理领域中的一项重要任务。它涉及识别文本中的命名实体并将其分类到预定义的类别中。命名实体是指文本中具有特定意义的实体如人民、地点、组织、时间表达式、数量、货币值、百分比等。 命名实体识别确定文本中哪些词或短语构成一个命名实体。 实体分类将识别出的实体分配到相应的类别中。例如将“北京”分类为地点Location将“2024年”分类为时间Time。 以下不是命名实体识别的难度有    长度统一 20、【填空题】 TBE是高效高性能的自定义算子开发工具该工具将硬件资源抽象为API接口客户可以快速构建所需的算子 21、【填空题】 昇腾310的功率 8W 22、LSTM的cell当中的门的选项是遗忘门、输入门和输出门。没有记忆门 23、动量优化器的动量项包含前一次的方向和大小。 动量优化器是一种用于深度学习中的优化算法它通过引入动量项来加速梯度下降过程。动量项的计算通常涉及到前一次梯度的方向和大小这样可以帮助优化器在相关方向上积累动量从而加快收敛速度并减少震荡。 24、华为人工智能芯片是昇腾采用的架构是达芬奇架构 25、【填空题】 通过 注意力 机制可以解决由RNN构成的Seq2Seq模型中的信息瓶颈问题。(请输入中文) 26、【填空题】 图像预处理中 降噪 的作用是去除噪声等请填写中文名词。 27、关于词袋模型Bag of WordsBoW正确的是 1词袋模型是对文本进行编码。将文本数据转换为数值数据的编码方法它通过创建一个词汇表来表示文本中出现的单词 2在向量中该单词的索引位置的值为单词在文本中出现的次数。这描述了词袋模型的一个关键特性即文本被表示为一个向量其中每个维度对应词汇表中的一个单词而该维度的值表示单词在文本中出现的次数。 3编码后的向量长度是词典的长度。 错误的是该编码保留了词出现的次序。这是错误的词袋模型不保留单词的顺序信息它只关心单词的出现概率。 28、语音合成是将文本转换为语音的技术 1串联共振峰合成器Concatenative formant synthesizer这是一种基于拼接预先录制的语音片段来合成语音的方法。 2并联共振峰合成器Parallel formant synthesizer- 这是一种通过调整共振峰来合成语音的方法. 3共振峰合成器Formant synthesizer- 这是一种通过控制声道的共振特性来合成语音的方法。 4PSOLA方法Pitch Synchronous Overlap and Add- 这是一种基于时间拉伸和压缩的技术用于语音合成特别是用于调整语音的音高和时长。 29、隐马尔科夫模型HMM是一种统计模型它用来描述一个含有隐含未知参数的马尔可夫过程。 在HMM中存在一个状态序列这个状态序列是不可见的即“隐含的”。所以观测状态序列不是该模型的参数 我们可以看到观测序列但观测状态序列不可见。 30、【填空题】 textCNN 是一种使用卷积神经网络专门对文本进行分类的模型请填写英文缩写 31、【填空题】 华为人工智能计算平台的名字叫什么Atlas 32、关于双向语言模型的描述以下哪一项是正确的   ELMO和BERT 33、【填空题】 华为全栈全场景AI解决方案中芯片使能层指 CANN 请填写英文缩写 34、华为云API符合Restful API的设计规范 35、【单选题】 用手机对一份文档拍照时因为拍摄角度的原因图像中的文档有畸变可以求出个对应关键点坐标对图像进行 透视 变换将文档图像修正。 答 用手机拍文档时如果拍摄角度不是完全垂直于文档那么文档在图像中会出现畸变这种畸变是透视畸变。透视畸变是因为拍摄角度导致的使得图像中的直线看起来是倾斜的或弯曲的。 为了修正这种畸变可以采用透视变换Perspective Transformation。透视变换是一种几何变换。它允许将图像中的四边形映射到另一个四边形通常用于校正图像中的透视畸变使得图像看起来像是从正面拍摄的。 透视变换通常涉及到以下步骤 确定图像中文档四个角的坐标。定义一个新的矩形区域通常是图像中的一个矩形框用于映射原始图像中的四边形。应用透视变换将原始图像中的四边形映射到新的矩形区域。