深度學習原理與框架:27 題線上練習
「深度學習原理與框架」是 iPAS AI 應用規劃師中級的能力指標(代號 L23203),涵蓋類神經網路架構、層級運算機制與模型效能分析。本頁收錄 27 題免費練習題,附逐題解析。
依能力指標分組,點一題看選項與解析。
L23203 深度學習原理與框架
評鑑範圍:類神經網路架構、層級運算機制與模型效能分析
- 在卷積神經網路(CNN)中,卷積層(Convolutional Layer)的主要功能為何?
- 在卷積神經網路(CNN)架構中,「局部感受野(Local Receptive Field)」的概念是指?
- 長短期記憶網路(LSTM)相比標準遞歸神經網路(RNN)的主要改進為何?
- 在 Transformer 架構中,「多頭注意力(Multi-Head Attention)」相比單頭注意力的主要優勢為何?
- 在深度學習中,ReLU(Rectified Linear Unit)激活函數相比 Sigmoid 函數的主要優勢為何?
- 在深度學習訓練中,「早停法(Early Stopping)」配合「patience 參數」的機制是指什麼?
- 關於 VGG16 架構,下列哪項描述「不正確」?
- 在遷移學習(Transfer Learning)中,若要將 ImageNet 預訓練的 VGG16 遷移用於醫學影像分類,下列哪種策略最為合適?
- 在深度學習訓練監控中,若觀察到訓練損失(Training Loss)持續下降但驗證損失(Validation Loss)在某個 epoch 後開始上升,這個現象最能說明什麼?
- 下列何種卷積神經網路(Convolution Neural Networks, CNN)是將卷積層加寬而非加深?
- 近年來,深度學習研究與應用蓬勃發展,但數據本身可能存在什麼潛在問題?
- 在分類任務中,深度學習模型通常搭配哪一種輸出函數?
- 在神經網路中,前向傳播(Forward Propagation)主要依賴下列哪一種數學操作?
- 在 PyTorch 深度學習訓練中,以下程式碼片段的主要功能為何? ```python import torch.nn as nn model = nn.Sequential( nn.Linear(784, 256), nn.ReLU(), nn.Dropout(p=0.5), nn.Linear(256, 10) ) ```
- VGG16 深度卷積神經網路中,第一個卷積層的設定為:輸入 224×224×3 影像,使用 64 個 3×3 卷積核,padding=1。此卷積層的可學習參數(weights + biases)總數為多少?
- VGG16 的第一個卷積層(conv1_1)輸入 224×224×3,使用 64 個 3×3 卷積核,stride=1,padding=1,輸出特徵圖的空間尺寸為?
- CNN 第一層卷積層的主要功能為何?
- CNN 相比全連接神經網路(FCNN)的核心優勢為何?
- LSTM 最適合的應用場景為何?
- Multi-Head Attention 的主要優點為何?
- CNN 使用線性激活函數導致訓練停滯,應改用什麼?
- CNN 架構中加寬而非加深的代表模型為何?
- 神經網路前向傳播的核心數學操作為何?
- VGG16 中哪種層的參數量最多?
- VGG16 中哪種層的 FLOPs(浮點運算次數)最多?
- 關於 VGG16 結構,下列何者正確?
- VGG16 遷移學習時凍結卷積層的正確做法為何?
本考點的相關 AI 術語
先掌握這些術語的定義與應用情境,再回來練題。