首页  /     /   在线练习

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
搜索
题库预览
思考上述预训练模型（.rknn文件）是如何得到的，试着简单讲一下模型的转换流程。 原始模型准备（Loa 用主流框架（如 PyTorch/TensorFlow）训练模型（如 YOLOv5、MobileNetV1），保存为通用格式（.pt/.p RKNN-Toolkit 加载与配置（Confi 通过 RKNN-Toolkit 加载模型，配置输入尺寸（匹配硬件输入要求）、量化方式（选择浮点转定点（如 8 位量化），减少计算量）及目标平台（如 指定硬件型号RV1126）； 模型量化（Quantiz 利用校准数据集进行模型量化（浮点转定点），缩小模型体积，适配嵌入式设备低算力需求； 优化与导出（Export）： 优化算子提升推理速度后导出为.rknn 文件； 部署测试（Test）： 在开发板上部署测试推理效果。
请写出Softmax函数的计算公式以及Softmax的作用？

通常作为网络的最后一层，对输出进行归一化，输出分类概率；

凸显其中最大的值并抑制远低于最大值的其他分量；

Softmax层输入、输出数据规模相同；

公式

实现自适应学习率的方法有哪些？

AdaGra

RMSProp

Adam

6)请简述AlexNet成功的原因。

使用多个卷积层，有效提取图像特征。

ReLU帮助提高训练速度。

Dropout、数据增强扩大训练集，防止过拟合。

使用ReLU激活函数可以缓解梯度消失问题。 解释：ReLU 导数在 x>0 时为 1，梯度不会像 Sigmoid 一样趋近于 0，深层网络训练更稳定。
损失函数值是一个向量（应该是标量）。 解释：损失函数计算整体误差，输出一个数值（如交叉熵），而非向量。
卷积运算可以转换为矩阵相乘。 解释：将图像和卷积核展开成矩阵，用矩阵乘法加速计算（如 GPU 的矩阵运算优化）。
池化层有助于减少参数的数量和计算量，控制过拟合。 解释：通过下采样（如 2×2 区域取最大值）减少特征维度，丢弃冗余信息，避免模型过度拟合细节。
梯度下降法使用正梯度（梯度下降用负梯度）方向对参数进行更新。 解释：梯度方向是函数增长最快的方向，负梯度才是下降最快的方向（如下山走坡度最陡的反方向）。
随着多层神经网络的层数增加，每层对前一层次的抽象表示更深入。 解释：底层学边缘、颜色，中层学纹理、形状，高层学物体整体特征（如 “猫” 的轮廓）。
Sigmoid激活函数的缺点是会导致梯度爆炸（应该是梯度消失）。 解释：Sigmoid 导数最大值为 0.25，反向传播时梯度逐层衰减，深层网络易 “梯度消失”，而非爆炸（梯度爆炸多由激活函数导数大于 1 或参数初始化过大导致）。
同一个算法的损失函数是固定的。 解释：损失函数的特性： 同一个算法的损失函数不是唯一的 损失函数是参数(w, 损失函数可以评价网络模型的好坏，损失函数越小说明模型和参数越符合训练样本(x, y) 损失函数是一个标量 选择损失函数时，挑选对参数(w, 损失函数又称为代价函数、目标函数
欠拟合是对训练考虑的维度太少，过拟合是对训练考虑的维度太多。 解释： 欠拟合：训练考虑的维度太少，拟合函数无法满足训练集，误差较大 过拟合：训练考虑的维度太多，使得拟合的函数很完美的接近训练数据集，但泛化能力差，对新数据预测能力不足
划分测试集的目的是学习模型的参数（测试集不用于学参数）。 解释：测试集仅用于评估，若用其调参数，相当于 “考试前看答案”，导致模型过拟合测试集。 三、计算题
transforms.Compose()有什么作用？
请简述典型的机器学习过程？
理论上多少层神经网络足以拟合任意函数？
深度神经网络不断发展，除了依赖自身的结构优势，还依赖哪些外在因素？
神经网络的非线性拟合能力来源于哪里（哪个模块）？
神经网络训练完成后效果不佳，可以从哪几个方面着手改进？
正则化有哪些具体方法？
1 2
更多题库
试题模板导出 (1)
绩效管理题目
2025年技能大考工程公司焊工题库(2)(1)(2)
新建 microsoft word 文档
高级工-继电保护员
专业w13-w12
2025年海南省技师学院中级工技能水平测试试卷（二）
综合练习二（60道）
天津市安全员考试模拟练习题c类
21-安全事故调查规程
安全准入考试题库
公司业务客户经理资格准入考试题库
新建题库06161004
1章 总论 单选题 格式
信息技术-题库
中级工-继电保护员
8.职业卫生知识考试试题库1500题（192页）
8、省政府120号令题库（2023.8.8）
xisixiang
礼仪单选题(1)