Нс / Тесты 2 к.т

VI: 6. Формализация задачи

1: ТЗ № 75

S: Многослойный персептрон может рассчитывать выходной вектор y

+: для любого входного вектора x

+: для ограниченного набора векторов x

+: для единственного входного вектора x

-: для произвольного набора чисел

1: ТЗ № 76

S: Многослойный персептрон не может рассчитывать выходной вектор y

-: для любого входного вектора x

+: для ограниченного набора чисел

+: для единственного числового набора

+: для произвольного набора чисел

1: ТЗ № 77

S: Формализация постановки задачи для многослойного персептрона – это

-: выбор входного и выходного векторов

+: наделение определенным смыслом компонент входного и выходного векторов

-: математическая формулировка задачи

-: построение схемы многослойного персептрона

1: ТЗ № 78

S: Формализацией постановки задачи для многослойного персептрона не является

+: выбор входного и выходного векторов

-: наделение определенным смыслом компонент входного и выходного векторов

+: математическая формулировка задачи

+: построение схемы многослойного персептрона

1: ТЗ № 79

S: Задача классификации объетов состоит в

-: выборе параметров p, характеризующих класс C₁

-: определении параметров p, характеризующих класс C₁

-: выборе объекта, принадлежащего классу C₁

+: выборе класса принадлежности объекта, характеризуемого набором параметров p.

1: ТЗ № 80

S: Задача классификации объектов не сводится к

+: выбору параметров p, характеризующих класс C₁

+: определению параметров p, характеризующих класс C₁

+: выбору объекта, принадлежащего классу C₁

-: выбору класса принадлежности объекта, характеризуемого набором параметров p.

1: ТЗ № 81

S: Решением задачи классификации является вектор c = (c₁, …, с_M)^T, где c_m – это

+: вероятность, с которой объект относится к классу C_m

-: один из параметров, характеризующих объект

-: количество входов m-го скрытого слоя

-: количество выходов m-го скрытого слоя

1: ТЗ № 82

S: В решении задачи классификации компонента c_m вектора c = (c₁, …, с_M)^T – это

+: вероятность, с которой объект относится к классу C_m

-: один из параметров, характеризующих объект

-: количество входов m-го скрытого слоя

-: количество выходов m-го скрытого слоя

1: ТЗ № 83

S: В задаче классификации компонента c_m вектора c = (c₁, …, с_M)^T не представляет

-: вероятность, с которой объект относится к классу C_m

+: один из параметров, характеризующих объект

+: количество входов m-го скрытого слоя

+: количество выходов m-го скрытого слоя

1: ТЗ № 84

S: При решении задачи классификации объектов выходом МСП являются

+: приближенные вероятности принадлежности к классам

+: точные вероятности принадлежности к классам

-: параметры, характеризующие объект

-: количество классов, к которым принадлежат объекты

1: ТЗ № 85

S: При решении задачи классификации объектов выходом МСП не являются

-: приближенные вероятности принадлежности к классам

-: точные вероятности принадлежности к классам

+: параметры, характеризующие объект

+: количество классов, к которым принадлежат объекты

1: ТЗ № 86

S: Для компонентов выходного вектора c_m задачи классификации объектов

-: всегда 0 ≤ c_m ≤ 1

+: допускается c_m ≤ 0, c_m ≥ 1

-: не допускается c_m ≤ 0, c_m ≥ 1

-: всегда 0 < c_m < 1

1: ТЗ № 87

S: Компоненты выходного вектора c_m задачи классификации не

+: обязательно 0 ≤ c_m ≤ 1

+: обязательно c_m ≤ 0, c_m ≥ 1

-: допускается c_m ≤ 0, c_m ≥ 1

-: всегда 0 < c_m < 1

1: ТЗ № 88

S: Каждому входу МСП в задаче распознавания букв алфавита соответствует

-: два пиксела

+: один пиксел

-: один выход

-: один символ

1: ТЗ № 89

S: Выходом МСП в задаче распознавания букв алфавита может является

+: номер буквы в алфавите

-: буква алфавита

-: вероятность соответствия данной буквы предъявленному изображению

+: вероятность соответствия предъявленного изображения данной букве

1: ТЗ № 90

S: Выходом МСП в задаче распознавания букв алфавита не может является

-: номер буквы в алфавите

+: буква алфавита

+: вероятность соответствия данной буквы предъявленному изображению

-: вероятность соответствия предъявленного изображения данной букве

1: ТЗ № 91

S: Для распознавания букв с помощью МСП необходимо их представить в виде

+: точечных изображений

-: растровых изображений

-: аналогового сигнала

-: цифрового кода

1: ТЗ № 92

S: Для распознавания букв с помощью МСП не используется их представление в виде

-: точечных изображений

+: растровых изображений

+: аналогового сигнала

+: цифрового кода

1: ТЗ № 93

S: Компонентами входного вектора МСП в задаче распознавания букв являются

-: вероятности соответствия предъявленных изображений буквам

-: буквы алфавита

+: яркости пикселов

-: номера букв в алфавите

1: ТЗ № 94

S: Компонентами входного вектора в задаче распознавания букв не являются

+: вероятности соответствия предъявленных изображений буквам

+: буквы алфавита

-: яркости пикселов

+: номера букв в алфавите

1: ТЗ № 95

S: Выбор количества нейронов и слоев в МСП связан

+: со сложностью задачи

+: с количеством данных для обучения

+: с необходимым количеством входов и выходов сети

-: со способом формализации задачи

1: ТЗ № 96

S: Выбор количества нейронов и слоев в МСП не связан

-: со сложностью задачи

-: с количеством данных для обучения

-: с необходимым количеством входов и выходов сети

+: со способом формализации задачи

1: ТЗ № 97

S: Для выбора количества нейронов и слоев в МСП необходимо учитывать

+: имеющися в наличии вычислительные ресурсы

+: сложность задачи

-: значения весовых коэффициентов

+: объем обучающей выборки

1: ТЗ № 98

S: Для выбора количества нейронов и слоев в МСП не требуется учитывать

-: имеющися в наличии вычислительные ресурсы

-+: сложность задачи

+: значения весовых коэффициентов

-: объем обучающей выборки

1: ТЗ № 99

S: Недостаточное количество нейронов и слоев в МСП приводит к тому, что

+: сеть не обучится и ошибка при работе сети останется большой

+: на выходе сети не будут передаваться резкие колебания аппроксимируемой функции

-: выходной вектор будет передавать незначительные и несущественные детали в изучаемой зависимости

-: зависимость выхода от входа окажется резко нелинейной

1: ТЗ № 100

S: Недостаток количества нейронов и слоев в МСП не может привести к тому, что

-: сеть не обучится и ошибка при работе сети останется большой

-: на выходе сети не будут передаваться резкие колебания аппроксимируемой функции

+: выходной вектор будет передавать незначительные и несущественные детали в изучаемой зависимости

+: зависимость выхода от входа окажется резко нелинейной

1: ТЗ № 101

S: Избыточное количество нейронов и слоев в МСП приводит к тому, что

-: сеть не обучится и ошибка при работе сети останется большой

-: на выходе сети не будут передаваться резкие колебания аппроксимируемой функции

+: выходной вектор будет передавать незначительные и несущественные детали в изучаемой зависимости

+: зависимость выхода от входа окажется резко нелинейной

1: ТЗ № 102

S: Избыток количества нейронов и слоев в МСП не может привести к тому, что

+: сеть не обучится и ошибка при работе сети останется большой

+: на выходе сети не будут передаваться резкие колебания аппроксимируемой функции

-: выходной вектор будет передавать незначительные и несущественные детали в изучаемой зависимости

-: зависимость выхода от входа окажется резко нелинейной

1: ТЗ № 103

S: В случае избыточного количества нейронов и слоев в МСП

+: сеть будет неспособна к обобщению

-: увеличится быстродействие сети

+: уменьшится быстродействие сети

-: увеличится способность сети к обобщению

1: ТЗ № 104

S: В случае малого количества нейронов и слоев в МСП

-: сеть будет неспособна к обобщению

+: увеличится быстродействие сети

-: уменьшится быстродействие сети

+: увеличится способность сети к обобщению

V1: 7. Персептронная представляемость

1: ТЗ № 105

S: Решающая поверхность для двухвходового нейрона имеет вид

-: плоскости

+: прямой

-: координатной оси

-: сигмоиды

1: ТЗ № 106

S: Решающая поверхность для двухвходового нейрона не имеет вид

+: плоскости

-: прямой

+: координатной оси

+: сигмоиды

1: ТЗ № 107

S: Решающей поверхностью двухслойного персептрона с двумя входами и одним выходом может являться … областей, создаваемых нейронами первого слоя.

+: пересечение

+: объединение

+: инверсия

-: дополнение

1: ТЗ № 108

S: … областей, создаваемых нейронами первого слоя не является решающей поверхностью двухслойного персептрона с двумя входами и одним выходом.

-: пересечение

-: объединение

-: инверсия

+: дополнение

1: ТЗ № 109

S: При моделировании пересечения двухслойная сеть может сформировать

-: невыпуклую многоугольную многосвязную решающую область

-: выпуклую многоугольную многосвязную решающую область

-: невыпуклую многоугольную односвязную решающую область

+: выпуклую многоугольную односвязную решающую область

1: ТЗ № 110

S: При моделировании пересечения двухслойная сеть не может сформировать

+: невыпуклую многоугольную многосвязную решающую область

+: выпуклую многоугольную многосвязную решающую область

+: невыпуклую многоугольную односвязную решающую область

-: выпуклую многоугольную односвязную решающую область

1: ТЗ № 111

S: Решающей поверхностью трехслойного персептрона могут являться

+: многоугольные открытые выпуклые многосвязные области

+: многоугольные невыпуклые многосвязные области

+: многоугольные выпуклые многосвязные области

-: множества изолированных точек в пространстве

1: ТЗ № 112

S: Решающей поверхностью трехслойного персептрона не могут являться

-: многоугольные открытые выпуклые многосвязные области

-: многоугольные невыпуклые многосвязные области

-: многоугольные выпуклые многосвязные области

+: множества изолированных точек в пространстве

1: ТЗ № 113

S: Функция "исключающее ИЛИ" принимает значение

+: единицы, когда один из аргументов равен единице

-: единицы, когда оба аргумента равны единице

-: нуля, когда один из аргументов равен единице

-: нуля, когда оба аргумента равны единице

1: ТЗ № 114

S: Функция "исключающее ИЛИ" не принимает значение

-: единицы, когда один из аргументов равен единице

+: единицы, когда оба аргумента равны единице

+: нуля, когда один из аргументов равен единице

+: нуля, когда оба аргумента равны единице

1: ТЗ № 115

S: Функция "исключающее ИЛИ" принимает значение

-: единицы, когда один из аргументов равен нулю

-: единицы, когда оба аргумента равны нулю

-: нуля, когда один из аргументов равен нулю

+: нуля, когда оба аргумента равны нулю

1: ТЗ № 116

S: Функция "исключающее ИЛИ" не принимает значение

+: единицы, когда один из аргументов равен нулю

+: единицы, когда оба аргумента равны нулю

+: нуля, когда один из аргументов равен нулю

-: нуля, когда оба аргумента равны нулю

1: ТЗ № 117

S: Нулевой выход функции "исключающее ИЛИ" соответствует двум входам

-: 1; 0

-: 0; 1

+: 0; 0

+: 1; 1

1: ТЗ № 118

S: Единичный выход функции "исключающее ИЛИ" соответствует двум входам

+: 1; 0

+: 0; 1

-: 0; 0

-: 1; 1

V1: 8. Алгоритм обратного распространения ошибки

1: ТЗ № 119

S: Метод обратного распространения ошибки – это способ быстрого расчета

+: градиента функции ошибки

+: антиградиента функции ошибки

-: минимума функции ошибки

-: максимума функции шибки

1: ТЗ № 120

S: В двухслойной сети выходной сигнал 1-го нейрона скрытого слоя описывается функцией

-:

-:

-:

+:

1: ТЗ № 121

S: В выходном слое двухслойной сети k-й нейрон вырабатывает сигнал

-:

-:

+:

-:

1: ТЗ № 122

S: На значение выходного сигнала двухслойной сети влияют

-: веса второго слоя

+: веса обоих слоев

-: веса первого слоя

-: веса входного слоя

1: ТЗ № 123

S: На значение выходного сигнала двухслойной сети не влияют

+: веса второго слоя

-: веса обоих слоев

+: веса первого слоя

+: веса входного слоя

1: ТЗ № 124

S: Основу алгоритма обратного распространения ошибки составляет …

между фактическими и ожидаемыми значениями выходных сигналов.

+: минимизация квадратичной суммы разностей

-: максимизация квадратичной суммы разностей

-: минимизация абсолютной суммы разностей

-: максимизация абсолютной суммы разностей

1: ТЗ № 125

S: Минимизация квадратичной суммы разностей между фактическими и ожидаемыми значениями выходных сигналов является основой

-: расчета весовых коэффициентов первого скрытого слоя

-: алгоритма обучения без учителя

+: алгоритма обратного распространения ошибки

-: алгоритма прямого распространения ошибки

1: ТЗ № 126

S: Целевая функция алгоритма обратного распространения ошибки имеет вид

-:

-:

-:

+:

1: ТЗ № 127

S: Алгоритм обратного распространения ошибки действует

+: циклически

-: последовательно

-: с прерыванием

-: без прерывания

1: ТЗ № 128

S: Процесс обучения МСП с помощью алгоритма обратного распространения ошибки завершится, когда

-: будут предъявлены все примеры обучающей выборки

-: ошибка перестает уменьшаться

-: выходной вектор совпадет с входным

+: модуль градиента не уменьшится до заданной величины

1: ТЗ № 129

Q: В соответствии с алгоритмом обратного распространения ошибки в каждом цикле обучения выделяются этапы

1: Анализ нейронной сети в прямом направлении передачи информации

2: Создание сети обратного распространения ошибок

3: Уточнение весов для исходной сети и для сети обратного распространения ошибки

4: Повторение процесса для всех обучающих примеров вплоть до выполнения условия остановки алгоритма.

1: ТЗ № 130

Q: Алгоритм обратного распространения ошибки состоит из следующих шагов

1: присвоение весам случайных значений

2: выбор обучающей выборки

3: вычисление выхода сети

4: вычисление ошибки сети

5: корректировка весов сети

1: ТЗ № 131

S: Для применения алгоритма обратного распространения ошибки достаточно

+: двух слоев

-: одного слоя

-: трех слоев

-: одного нейрона

1: ТЗ № 132

S: Алгоритм обратного распространения ошибки не применим для сети из

-: двух слоев

+: одного слоя

-: трех слоев

+: одного нейрона

1: ТЗ № 133

S: Вектор параметров сети в алгоритме обратного распространения ошибки задается набором

+: весовых коэффициентов

+: пороговых уровней

-: входных значений

-: выходных значений

1: ТЗ № 134

S: Для задания вектора параметров сети в алгоритме обратного распространения ошибки не требуются

-: весовые коэффициенты

-: пороговые уровни

+: входные значения

+: выходные значения

1: ТЗ № 135

S: Для расчет градиента функции ошибки используется метод

-: покоординатного спуска

+: наискорейшего спуска

+: градиентного спуска

-: векторного спуска

1: ТЗ № 136

S: Для расчет градиента функции ошибки не используется метод

+: покоординатного спуска

-: наискорейшего спуска

-: градиентного спуска

+: векторного спуска

1: ТЗ № 137

S: В алгоритме обратного распространения во время прямого прохода по сети распространяется

+: сумма взвешенных сигналов

-: сумма взвешенных параметров

-: произведение весов

-: произведение взвешенных сигналов

1: ТЗ № 138

S: В алгоритме обратного распространения во время прямого прохода по сети не распространяется

-: сумма взвешенных сигналов

+: сумма взвешенных параметров

+: произведение весов

+: произведение взвешенных сигналов

1: ТЗ № 139

S: В алгоритме обратного распространения во время обратного прохода по сети распространяется значение

-: градиента

+: ошибки

-: весов

-: выходного вектора

1: ТЗ № 140

S: В алгоритме обратного распространения во время обратного прохода по сети не распространяется значение

+: градиента

-: ошибки

+: весов

+: выходного вектора