数据增强的核心目的是
- A增加数据量
- B提升模型泛化能力
- C降低计算量
- D简化模型训练
人工智能通识基础 练习题
共 674 道题，以下仅展示题目与选项，供练习与学习使用。
想边做边批改、自动判分、收藏错题？
前往主站在线练习《人工智能通识基础》，获得完整学习体验。
前往 爱课堂 学习 →
深度学习中学习率的作用是
- A控制权重更新的幅度
- B决定网络层数
- C选择激活函数
- D筛选输入特征
以下属于CNN关键操作的是
- A池化
- B注意力机制
- C自回归
- D随机森林
深度学习模型训练中，批量大小（batch size）过小会导致
- A训练速度过快
- B梯度震荡
- C过拟合
- D特征丢失
RNN解决的核心问题是
- A空间特征提取
- B时序依赖建模
- C数据标准化
- D模型轻量化
以下不属于数据增强方法的是
- A图像旋转
- B文本同义词替换
- C数据归一化
- D噪声添加
深度学习在理工科中的典型应用不包括
- A实验图像分析
- B时序实验数据预测
- C纯手工计算
- D材料性能预测
关于CNN卷积操作的理解，正确的是
- A仅做数据降维
- B提取局部特征并保留空间关系
- C替代激活函数
- D仅处理彩色图像
大语言模型的核心特征是
- A仅处理短文本
- B基于大规模文本训练
- C无上下文理解能力
- D仅支持文生图
大语言模型在理工科中的典型用途不包括
- A辅助编写实验代码
- B整理实验报告
- C替代实验验证
- D分析实验数据
文生图的核心原理是
- A基于文本描述生成图像特征
- B直接复制现有图像
- C仅处理文字数据
- D无需模型训练
以下不属于大语言模型发展里程碑的是
- AGPT系列
- BBERT
- CResNet
- DLlama
大语言模型辅助理工科任务的优势不包括
- A提升文档处理效率
- B快速生成代码初稿
- C完全替代人工思考
- D辅助数据整理
文生代码的核心应用场景是
- A生成复杂算法框架
- B辅助编写基础实验代码
- C替代程序员所有工作
- D仅生成注释
关于大语言模型的技术基础，正确的是
- A基于卷积神经网络
- B基于Transformer架构
- C无监督学习为主
- D仅依赖规则编程
大语言模型输出结果的合理性判断需结合
- A理工科专业知识
- B模型输出的长度
- C生成速度
- D无需判断
以下对大语言模型的认知，错误的是
- A能辅助理工科文献解读
- B输出内容可能存在错误
- C训练数据决定其知识边界
- D能解决所有理工科难题
大语言模型在理工科实验中的作用是
- A辅助实验设计
- B替代实验操作
- C无需人工干预
- D仅记录实验数据
数据链条的核心环节不包括
- A数据销毁
- B数据收集
- C数据预处理
- D数据分析
理工科数据收集的核心原则是
- A随机收集
- B符合实验设计要求
- C越多越好
- D仅收集数值型数据
本页仅提供题目与选项供学习参考，不含答案。如需系统练习、自动判分与错题本，欢迎前往主站《人工智能通识基础》在线练习。