假设我们已经在ImageNet数据集(物体识别)上训练好了一个卷积神经网络。然后给这张卷积神经网络输入一张全白的图片。对于这个输入的输出结果为任何种类的物体的可能性都是一样的,对吗()。
A.对的
B.不知道
C.看情况
D.不对
A.对的
B.不知道
C.看情况
D.不对
A.除去神经网络中的最后一层,冻结所有层然后重新训练
B.对神经网络中的最后几层进行微调,同时将最后一层(分类层)更改为回归层
C.使用新的数据集重新训练模型
D.所有答案均不对
A.大多数地理学家对地球的石油储备持乐观态度。
B.大多数地理学家已经对以往发现的石油储备进行了精确的化学分析。
C.古代的海洋在许多地方被埋到地球里了,那里的化石非常丰富。
D.已经在石油储备中发现的唯一细菌很可能是从地面污染物中通过钻孔渗透下来的。
E.化学变化减少了来自有机物的被埋碳氢化合物的规模,减少的比例与细菌活动对其他复杂碳氢化合物的转化规模的减少比例大致相同。
A.计算机视觉领域中,人脸识别、物体识别、物体目标检测等方向已经在人们的生活中得到了广泛的应用
B.计算机视觉目前仍然使用的还是二维图像,尤其神经网络算法中的数据集全部都是二维图片
C.计算机视觉是人工智能目前应用最广泛的领域之一
D.人脸识别领域、火车身份认证,手机屏幕解锁等应用的是模式识别技术,并未涉及计算机视觉
A.数据集合扩充
B.L1和L3正则化
C.提前停止训练
D.使用Dropout方法
A.特征X1很可能被排除在模型之外
B.特征X1很可能还包含在模型之中
C.无法确定特征X1是否被舍
D.以上答案都不正确
A.对训练集随机采样,在随机采样的数据上建立模型
B.尝试使用在线机器学习算法
C.使用PCA算法减少特征维度
A.准确度并不适合衡量不平衡类别问题
B.准确度适合衡量不平衡类别问题
C.精确度和召回率适合于衡量不平衡类别问题
D.精确度和召回率不适合衡量不平衡类别问题
A.使用前向特征选择方法
B.使用后向特征排除方法
C.我们先把所有特征都使用,去训练一个模型,得到测试集上的表现.然后我们去掉一个特征,再去训练,用交叉验证看看测试集上的表现.如果表现比原来还要好,我们可以去除这个特征
D.查看相关性表,去除相关性最高的一些特征
A.条件独立性假设不成立时,朴素贝叶斯分类器仍有可能产生最优贝叶斯分类器
B.在估计概率值时使用的拉普拉斯修正避免了因训练集样本不充分而导致概率估值为零的问题
C.由于马尔可夫链通常很快就能趋于平稳分布,因此吉布斯采样算法的收敛速度很快
D.二分类任务中两类数据满足高斯分布且方差相同时,线性判别分析产生贝叶斯最优分类器