《深度学习》期末练习题 | 简答题第1篇原题答案深度解析下一篇《深度学习》期末练习题 | 简答题第2篇反向传播、激活函数、优化器等高频考点摘要期末考试临近为了帮助大家高效复习《深度学习》课程本系列博客将按顺序逐题讲解期末简答题。本文是简答题第1篇涵盖计算机视觉基础、过拟合与欠拟合、监督/非监督学习及交叉验证等核心考点。每道题均包含【原题】、【参考答案】和【深度解析】三部分助你不仅“背得下”更能“理解透”。1. 计算机视觉的基本任务有哪些请具体说明。 原题计算机视觉的基本任务有哪些请具体说明。✅ 参考答案计算机视觉的基本任务包括图像处理、模式识别、图像理解等。图像处理是指把输入图像转换成具有所希望特征的另一幅图像。模式识别是指根据从图像抽取的统计特征或结构信息把图像分为预定的类别。图像理解是指对图像内容信息的理解。 深度解析这道题考察的是计算机视觉CV的层次化认知体系三个任务实际上代表了从“低层”到“高层”的递进关系任务层级核心目标输入→输出典型技术/示例图像处理改善图像质量/提取特征图像 → 图像滤波、边缘检测、直方图均衡化模式识别分类与判别图像 → 类别标签CNN分类、SVM、模板匹配图像理解语义级认知图像 → 结构化描述目标检测、场景理解、VQA复习提示答题时注意三者的递进逻辑。图像处理是基础预处理模式识别是中间层的分类决策图像理解是最高层的语义推理。如果考试分值较高建议补充每个任务的1个具体例子如图像处理→去噪模式识别→手写数字识别图像理解→自动驾驶中的场景感知。2. 简述“过拟合”Overfitting和“欠拟合”Underfitting的区别。 原题简述“过拟合”Overfitting和“欠拟合”Underfitting的区别。✅ 参考答案过拟合模型过度学习了训练集中的噪声和细节导致在训练集上表现很好但在新数据上表现差。欠拟合模型过于简单无法捕捉数据的潜在规律导致训练集和测试集表现均差。 深度解析这是深度学习中最基础也最重要的概念对比建议从以下维度进行区分记忆对比维度过拟合 (Overfitting)欠拟合 (Underfitting)本质原因模型复杂度过高 / 数据量不足模型复杂度过低 / 特征不充分训练集表现✅ 好损失低❌ 差损失高测试集表现❌ 差泛化弱❌ 差泛化弱偏差-方差低偏差高方差高偏差低方差直观比喻“死记硬背”的学生“没学明白”的学生图解辅助记忆欠拟合一条直线拟合曲线数据太简单合适拟合平滑曲线穿过数据点过拟合剧烈震荡的曲线穿过每一个数据点太复杂3. 简要说明如何解决过拟合和欠拟合问题。 原题简要说明如何解决过拟合和欠拟合问题。✅ 参考答案解决过拟合增加训练数据、降低模型复杂度、使用正则化技术如 L1、L2 正则化、采用交叉验证进行模型选择、Dropout、Early Stopping。解决欠拟合增加模型复杂度、添加有代表性的特征或进行特征组合、增加训练时间、降低正则化强度。 深度解析本题是第2题的自然延伸考查工程实践能力。以下是更系统的解决方案框架 过拟合解决方案由易到难数据层面数据增强Data Augmentation、收集更多数据模型层面减少网络层数/神经元数量、使用预训练模型迁移学习正则化L1/L2权重衰减、Dropout、Batch Normalization训练策略Early Stopping、交叉验证选参、Label Smoothing 欠拟合解决方案模型层面增加网络深度/宽度、换用更强的模型架构特征层面特征工程、特征交叉、引入领域知识训练层面增加训练轮次、调大学习率、减小正则化系数数据层面清洗错误标签、检查数据分布是否合理答题技巧考试时至少各列出3-4种方法并优先写最常用、最核心的方案如正则化、数据增强、增加模型复杂度避免只写冷门方法。4. 简述监督学习与非监督学习的核心区别并各举1个实际应用场景。 原题简述监督学习与非监督学习的核心区别并各举1个实际应用场景。✅ 参考答案核心区别监督学习的训练数据包含输入特征和对应的标签目标值模型学习输入到标签的映射关系非监督学习的训练数据仅包含输入特征无标签模型自主挖掘数据的内在规律。应用场景监督学习医疗影像诊断根据标注好的影像数据判断是否存在病灶非监督学习城市交通拥堵分群根据交通流量数据划分不同拥堵等级的区域 深度解析这道题的关键在于抓住“有无标签”这一本质区别同时举例要具体、贴切。维度监督学习非监督学习数据要求有标签( X , Y ) (X, Y)(X,Y)无标签( X ) (X)(X)学习目标学习映射函数f : X → Y f: X \rightarrow Yf:X→Y发现数据内在结构/分布典型算法SVM、CNN、ResNet、BERTK-Means、DBSCAN、PCA、AutoEncoder评估方式准确率、F1、MSE等明确指标轮廓系数、业务专家评估较主观举例注意事项避免模糊表述如“监督学习用于AI”必须具体到任务数据目标非监督学习的例子容易出错确保场景中确实没有人工标注的标签加分项可以提一句半监督学习/自监督学习作为拓展展示知识广度5. 简述K折交叉验证的具体实施步骤以及其在模型评估中的优势。 原题简述K折交叉验证的具体实施步骤以及其在模型评估中的优势。✅ 参考答案实施步骤将整个数据集随机划分为K个大小大致相等、互不重叠的子集每次选取其中K-1个子集作为训练集剩余1个子集作为测试集训练模型并在测试集上评估性能记录评估结果重复K次确保每个子集都作为一次测试集计算K次评估结果的平均值作为模型的最终评估指标。优势充分利用了所有数据减少了数据划分带来的随机性评估结果更可靠、更具代表性能有效避免留出法中测试集过小导致的评估偏差。 深度解析K折交叉验证K-Fold Cross Validation是模型评估的黄金标准需掌握以下要点 流程可视化以K5为例Fold 1: [Test ] [Train] [Train] [Train] [Train] Fold 2: [Train] [Test ] [Train] [Train] [Train] Fold 3: [Train] [Train] [Test ] [Train] [Train] Fold 4: [Train] [Train] [Train] [Test ] [Train] Fold 5: [Train] [Train] [Train] [Train] [Test ]⚖️ 与其他评估方法对比方法数据利用率评估稳定性计算成本适用场景留出法低通常70/30依赖单次划分低大数据集、快速实验K折交叉验证高(K-1)/K高K次平均中K倍训练中小数据集、正式评估留一法(LOO)最高(N-1/N)最高极高N倍训练极小数据集⚠️ 注意事项加分点分层抽样Stratified K-Fold分类任务中应保持每折中各类别比例一致时序数据慎用时间序列应使用滚动窗口验证不能随机打乱K值选择常用K5或K10K越大偏差越小但方差可能增大答题模板步骤用序号清晰列出优势从“数据利用”、“评估可靠性”、“避免偏差”三个角度展开条理分明。 总结与复习建议题号核心考点关键词速记1CV任务层次处理→识别→理解2过/欠拟合区别噪声vs规律、训练好测试差vs都差3解决方案正则化/数据增强 vs 加复杂度/特征4监督vs非监督有无标签、映射vs结构5K折交叉验证K等份、轮流测试、均值评估下一篇预告《深度学习》期末练习题 | 简答题第2篇反向传播、激活函数、优化器等高频考点敬请关注如果这篇博客对你有帮助欢迎点赞、收藏⭐、关注三连支持有任何问题请在评论区留言讨论~标签#深度学习#期末考试#计算机视觉#机器学习基础#CSDN学习笔记