图像分类案例2

1、对于本节课中整理数据集后得到的train、valid、train_valid和test数据集，下列说法中错误的是：

A、找到一组合适的超参数后，用train_valid重新训练网络

B、可以利用train_valid数据集训练模型，通过观察在test数据集上的损失与准确率来调整超参数

C、可以利用train数据集训练模型，通过观察在valid数据集上的损失与准确率来调整超参数

D、train和valid中对应的各个类别的样本比例应该相近

答案解析：【B】

A项：正确，train_valid包含全部的带标签数据，确定超参数后即可在train_valid上重新训练

B项：错误，test数据集不包含样本的标签，无法计算损失和准确率

C项：正确

D项：正确，划分数据集时应该尽可能保持数据分布的一致性

2、关于微调ResNet-34预训练模型进行图像分类的做法，下列说法中错误的是：

A、图像的类别发生变化，需要替换输出层

B、由于我们不希望改变模型的特征提取部分的参数，所以可以对该部分参数设置requires_grad = False

C、如果没有对模型的特征提取部分的参数设置requires_grad = False，则模型无法训练

D、定义优化器时，只需传入输出层部分的模型参数

答案解析：【C】

A项：正确

B项：正确，这部分参数不参与训练，设置requires_grad = False冻结这些参数

C项：错误，这种情况下模型仍可训练

D项：正确，因为只需要训练输出层部分的模型参数

GAN

1、关于生成对抗神经网络描述正确的是：

A、网络结构中只有一个神经网络

B、生成对抗神经网络中的D（判别器）网络是一个回归模型

C、不仅仅能用来生成图片

D、训练过程中只有G（生成器）网络的参数会得到更新

答案解析：【C】

A项：错误，生成对抗神经网络有生成器和判别器两个网络模型。

B项：错误，判别器是一个分类模型。

C项：正确，根据不同的神经网络结构，生成对抗神经网络可以被用来生成多种不同的数据类型。

D项：错误，训练过程中，G和D的参数都会进行更新和训练。

2、关于生成对抗神经网络，以下细节描述错误的是：

A、判别器的输入不仅仅有数据集中的真实数据

B、生成对抗神经网络的思想是让生成器能生成以假乱真的数据

C、实际训练中判别器使用的损失函数是

D、实际训练中生成器使用的损失函数是

 答案解析：【D】

为了避免梯度消失问题，我们对生成器的损失函数进行了一些更改。

DCGAN

1、假设数据使用ToTensor()进行处理，generator在输出前使用tanh函数激活，那么我们还需要对数据进行什么处理吗？

A、不用处理，直接使用

B、对数据做均值为0.5，标准差为0.5的归一化处理

C、对数据做均值为0，标准差为0.5的归一化处理

D、对数据做均值为1，标准差为1的归一化处理

答案解析：【B】

2、16×16的输入，过一个卷积核大小为4×4，步长为22，padding为11的转置卷积层后，输出的大小是_______。

A、8×8

B、16×16

C、32×32

D、64×64

答案解析：【C】

 3、在这一课讲到的DCGAN网络中，Discriminator使用了_______作为激活函数。

A、tanh

B、Sigmoid

C、ReLU

D、Leaky ReLU

答案解析：【D】

论文中提到，使用Leaky ReLU效果更好。