딥러닝

40問 • 7ヶ月前

ユーザ名非公開

通報

問題一覧

신경망의 출력은 목표값과의 오차를 유발한다. 이 경우 역전파 알고리즘은 오차를 감소시키기 위해 가중치 벡터 값을 조절한다. 이 때 사용되는 법칙은?

미분의 연쇄법칙

다음 중 소프트맥스 함수와 교차 엔트로피 오차를 조합한 것을 나타내는 활성화 함수는?

Softmax-with-Loss

다음 활성화 함수 중 확률 개념을 적용하여 [0,1] 사이의 값 중 최대치를 갖는 ?? 결과를예측하는 방법은?

Softmax

범주형 변수를 바꾸는 방법인 특성공학 중 One-Hot Encoding이란?

0 또는 1로 바꾸는 법

California Housing Data처럼 지도의 위도와 경도 데이터들로 구성된 수많은 좌표 데이터에 대해 특정 구역을 표현할 수 있는 가장 효율적인 범주 데이터 레이블은?

Embedding

기울기 소멸을 방지하기 위해 Sigmoid, Tanh 등 비선형 활성화 함수 초기화 방법은?

Xavier

기울기 소멸을 ??

LeCun

Covariant Shift(공변량 변화)를 줄일 수 있는 최선책은?

Batch Normalization

기울기 폭주를 줄일 수 있는 최선책은?

Clipping

데이터는 범주형과 수치형 데이터가 있으며, 신경망(컴퓨터)은 수치형 데이터, ~는 관계로 범주형 데이터를 딥러닝 모델에 맞도록 수치형 데이터로 변화시키는 특성화공학이 적용되어야만 한다. 다음 중 특성화공학 기법이 아닌 것은?

Sigmoid Encoding

다음 중 Tensorflow로 CNN을 구현한 것 중 신경망 훈련을 시키는 코드는?

dnn_clf. train (input_fn=input_fn)

CNN에서 26x26 데이터가 Pooling Layer(Sub-sampling)를 거친 결과 데

13x13

CNN이 가장 우수한 점은 이미지의 크기, 이동(위치), 변형 등에 대한 점이다. 이러한 불변성을 찾아내는 방법은?

Pooling

다음의 CNN 망에서 conv3 - pooling을 거쳐 Dense Layer로 들어가는 데이터 크기는? def _build_net(self): with tf.variable_scope (self.name): self.training = tf.placeholder (tf.bool) self.X = tf.placeholder (tf. float32, [None, 784]) Ximg = tf.reshape(self.X. [-1, 28, 28) 11) self.Y = tf.placcholder(if. float32. (None, 101) convil = tf.layers.conv2d(inputs=X ing, filters- 32, kemel_size=[3, 31, padding ="SAME", activation=tf.nn.relu) pooll = Lf.lavers. rax Doodling 2a inputs =conv1., pool size=12, 21, padding - SAME", strides -2) conv2 = tf.layers. conv2d(inputs dropoutl, filtdis=64, kernel size=(3, 31, packing-"'SAME", activation-t.m.relu) pool2 = tf. layers.max pooling2d(inputs=conv2, wool size=(2, 21, padding -'SAME", strides=2) conv3 = tf. layers.conv2d(inputs=dropout2, filters=128, kerne[ size=(3, 3], padding-'SAIVE", activation=tf.nn.relu) pool3 = tf.layers.max pooling2d(inputs conv3, pool size -12, 2), padding-"SAME, strides = 2)

(?,4,4,128)

다음의 CNN망을 작도하면 X_ing부터 pool 3까지의 이미지 크기가 옳은 것은? def _build_net (self): with tf.variable_scope(self.name): self. training = tf.placeholder (tf.bool) self.X = tf.placeholder (tf. float32, [None, 784]) 28 28 Ximg = tf.reshape (self.X, [-1, 28, 28, 1]) self.Y = tf.placeholder (tf. float32, [None, 101) pool = flayers.max pooling 2d(inputs conv1, pooL size=12, 21, paddling-'SAME", strides-2) I A 19 conv2 = tf.layers.conv2&(inputs dropoutl, filters/61) kerriel_ size=[3, 31, padding="SAME", activation=tf..relu) pool2 = tf.layers.max pooling 2d(inputs=conv2, pool-size= (2, 21, padding-"SAME", strides=2) 1 7 conv3 = tf. layers.conv2d(inputs=dropout2, filters 128, kernel_ size= (3, 3], padding-'SAIME", activation=tf.nn.relu) pool3 = tf. layers.max pooling2d(inputs -conv3, pool size (2, 2], padding-"SAME“, strides –2) ㉮ 28×28->32 @26x26-3213x13->619/1x11-> 64 6x6->128 @4x4->128@2x2 ㉯ 28×28-+32@28×28->32@14×14->61@14x11->64@7x7-›128@7×7->128@4×4 ㉰ 28×28->32@25×25-32@12×12 >64@9x9->64@5×5->128@2×2->128@1x1 ㉱ 28x28->32@26×26->32@26×26->64@14x14-64@14x14->128@7x7->128@7x7

28×28-+32@28×28->32@14×14->61@14x11->64@7x7-›128@7×7->128@4×4

범주형 데이터를 분류하는 문제를 풀고자 하는 신경망을 설계하고자 한다. 다음 중 어떤 활성화 함수 순서대로 쓰는 것이 가장 좋은가?

LeakyReLU-ELU-sigmoid-ReLU

다음 중 활성화함수와 가중치 초기화 방법이 적절하게 연관된 것은?

ReLU-LeCun

다음 중 기울기 소멸 또는 폭주 문제를 해결하는 방법 중 가장 효과적인 것은?

ReLU 활성화 함수 사용

신경망이 학습하는 도중에 이전 측의 파라미터 변화로 인해 현재 층의 입력 분포가 현상을 무엇이라고 하는가? 가 Covariate Shift 나 Gradignt Vanishing 다 Batch normalization 라 Gradient Exploding

Covariate Shift

CNN이 수행되는 과정을 순서대로 올바르게 표현한 것은? 가 Shift & Distortion invariance-Classification-Feature extraction 나 Classification-Feature extraction-Shift & Distortion invariance 다 Shift-Distortion invariance-Classification 라 Feature extraction-Shift & Distortion invariance-Classification

Feature extraction-Shift & Distortion invariance-Classification

CNN의 3단계 흥을 순서대로 올바르게 나열한 것은?

Convolution -Pooling -Fully connecte

일반적인 딥러닝 신경망은 Fully-connected 형태를 취하고 있다. 그럼에도 불구하고 이미지의 패턴 분류에는 유독 CNN을 적용하는 가장 큰 이유는?

공간정보 손실을 최소화시키기 위해

CNN의 합성곱층이 갖고 있는 가장 큰 특징(장점)은?

입력 데이터의 공간 형상 유지

CNN의 합성곱층에는 필터 또는 커널이 사용된다. 이를 사용하는 주된 이유는?

특징맵을 추출하기 위해

CNN은 합성곱층에서 패딩(Padding)을 적용하는 이유는?

데이터 유실을 방지하기 위해

CNN은 합성곱층에서 스트라이드(Stride)의 의미는? 가 필터를 적용하는 간격 나 특징을 추출할 대상인 세부구역 다 필터와 데이터의 사이즈를 맞추기 위해 라 필터를 입력 데이터 크기에 맞추기 위해

필터를 적용하는 간격

CNN은 합성곱층 - 풀링계층으로 구성되어 있다. 풀링계층을 두는 가장 큰 이유는?

이미지의 불변성을 검출하기 위해

CNN의 풀링계층에 적용되는 방법이 아닌 것은?

max-out

MINIST의 0~9까지 손글씨 이미지를 0~9의 숫자로 분류하는 CNN의 마지막 출력층 (Fully- connected)에는 10개의 뉴런이 사용된다. 바로 이전 단계에 Fully-connected 층이 하나 더 있는 경우 이 층의 뉴런 수는? 가 10개 나 1024개 다 128개 라 256개

1024개

CNN과 RNN을 사용하는 가장 주된 분야가 순서대로 올바르게 짝지워진 것은? 가 이미지 공간구조-시계열 데이터 나 이미지 공간구조-이미지 1차원 구조 다 시계열 추정 -시계열 예측 라 자연어 처리- 음성인식

이미지 공간구조-이미지 1차원 구조

4x4 필터를 적용할 경우 Stride로 적당하지 않은 것은?

교차상관(Cross-correlation)

이미지 크기가 4x4인 경우 필터 크기 3x3을 적용할 경우 합성곱 중의 출력을 4x4로 하려면, Padding의 값은?

이미지 크기 3x3의 값이 1,1,1,0,1,1,0,0,1이고, 필터 크기 3x3의 가중치가 1,0,1,0,1,1,0, 0,0.1인 경우 합성곱 결과는?

이미지 값이 3,0,2,4인 경우 2x2 Max-Pooling 결과는?

다음 중 신경망에서 가장 좋은 결과를 나타내는 풀링 방법은?

Max -Pooling

다음 중 CNN의 다음 합성곱 층에 적용될 최적의 필터 개수는 이전 층에 비해 몇 장 적당한가?

2배

RNN을 적용하는 분야 중 가장 빈도가 낮은 것은?

이미지 처리

RNN의 BPTT를 사용하는 경우 기울기 소멸과 폭주 문제가 발생하며, 학습시간 린다. 이러한 문제점을 해결하기 위해 제안된 신경망은?

LSTM

LSTM의 간소화된 버전이라 할 수 있는 신경망은?

GRU