人工智能及深度学习的一些题目
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：160+400+100=660
2、假设原图size是100 * 100，经过一个卷积核size是5*5，stride = 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。
RMSprop：RMSprop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
（2）E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。
（3）M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SDK：python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 Words，BoW）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。
（4）PSOLA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。