国または地域と言語

    国または地域と、言語を選んでください。

    おすすめ

      すべての国と地域

        キャラクターを選ぶ

        上部のバーとプロフィールに表示されます。いつでも変更できます。

        G検定 ディープラーニングの概要と要素技術の練習問題 セット2

        ディープラーニングの概要と要素技術の14問を本番のペースの10分で解きます。時間制限なしでも練習できます。目標は10問正解です。

        G検定の学習用に、層を重ねたニューラルネットワークの図、グラフのカード、天秤のアイコンを描いたイラスト。
        問題数
        14
        時間
        10分
        目標
        10 (70%)
        分野
        ディープラーニングの概要と要素技術
        モード
        時間制限あり・なし
        利用
        試験パス

        このテストにはJavaScriptが必要です。問題は次のとおりです。

        1. 多層パーセプトロンで、入力層と出力層の間にある層を何と呼ぶか。最も適切なものを1つ選べ。

          1. 隠れ層
          2. 出力層
          3. 入力層
          4. 正規化層
        2. シグモイド関数の微分(傾き)の最大値はいくつか。最も適切なものを1つ選べ。

          1. 0
          2. 0.25
          3. 0.5
          4. 1
        3. ニューラルネットワークで活性化関数を使う主な理由として、最も適切なものを1つ選べ。

          1. 出力を非線形に変換し、複雑な関係を表せるようにする
          2. 層の数を自動で決めて、ネットワークの構造を最適にする
          3. 学習データを増やし、過学習を防ぐ
          4. 重みの初期値を決めて、学習を速くする
        4. ドロップアウトの説明として、最も適切なものを1つ選べ。

          1. 不要になったニューロンを学習後に取り除き、モデルを小さくする
          2. 誤差が増え始めた時点で学習を打ち切る
          3. ミニバッチごとに出力を平均0、分散1にそろえる
          4. 学習のたびに一部のニューロンを無作為に無効にする
        5. シグモイド関数を活性化関数に使った深いネットワークで、勾配消失が起こりやすい理由として、最も適切なものを1つ選べ。

          1. 順伝播で、出力が必ず1より大きくなるから
          2. 学習率が自動で0に設定されるから
          3. 最大0.25の微分の値が、層の数だけ掛かるから
          4. 誤差関数の値が負になるから
        6. 1万件の学習データをバッチサイズ100のミニバッチ学習で5エポック学習するとき、重みの更新(イテレーション)の回数はいくつか。最も適切なものを1つ選べ。

          1. 20回
          2. 100回
          3. 500回
          4. 50,000回
        7. ハイパーパラメータに当たるものとして、最も適切なものを1つ選べ。

          1. 学習によって更新される各層の重み
          2. 学習率やミニバッチの大きさ
          3. 学習によって更新されるバイアス
          4. 学習データに付けられた正解のラベル
        8. 32×32の入力に、5×5のフィルタをストライド1、パディングなしで畳み込んだとき、出力の特徴マップの大きさはいくつか。最も適切なものを1つ選べ。

          1. 32×32
          2. 27×27
          3. 6×6
          4. 28×28
        9. 入力32チャンネル、出力64チャンネルの3×3の畳み込みを、Depthwise Separable Convolution(3×3のチャンネルごとの畳み込みと1×1の畳み込み)に置き換えた。バイアスを考えないとき、重みの数はいくつになるか。最も適切なものを1つ選べ。

          1. 576
          2. 2,048
          3. 2,336
          4. 18,432
        10. 7×7×512の特徴マップにグローバルアベレージプーリング(GAP)を適用したとき、出力の形として最も適切なものを1つ選べ。

          1. 512次元のベクトル
          2. 7×7の1枚の特徴マップ
          3. 25,088次元のベクトル
          4. 49次元のベクトル
        11. RNNの学習で使われる教師強制(teacher forcing)の説明として、最も適切なものを1つ選べ。

          1. 誤差が増え始めたところで学習を強制的に止める
          2. 勾配の大きさに上限を設けて、勾配爆発を防ぐ
          3. 時刻ごとの誤差を、時間をさかのぼって伝える
          4. 学習時に、前の時刻の予測ではなく正解を次の入力にする
        12. Transformerの特徴として、最も適切なものを1つ選べ。

          1. 時刻ごとに順番に計算するため、並列計算ができない
          2. 畳み込み層とプーリング層だけで構成される
          3. 入力の語順の情報を使わないので、位置の情報は不要である
          4. RNNを使わず、Attentionで要素の関係を計算する
        13. 変分オートエンコーダ(VAE)の特徴として、最も適切なものを1つ選べ。

          1. 潜在変数を使わず、入力をそのまま出力にコピーする
          2. 潜在変数を確率分布で表し、生成にも使える
          3. 生成器と識別器を競わせて学習する
          4. 入力の系列を別の系列に変換する
        14. 変換の種類と強さを無作為に選び、少ない調整項目で複数の変換を組み合わせて適用するデータ拡張の手法として、最も適切なものを1つ選べ。

          1. RandAugment
          2. Random Flip
          3. Crop
          4. noising

        このセットの出題内容

        • ニューラルネットワークとディープラーニング1問
        • 活性化関数2問
        • 正則化1問
        • 誤差逆伝播法1問
        • 最適化手法2問
        • 畳み込み層2問
        • プーリング層1問
        • 回帰結合層1問
        • Attention1問
        • オートエンコーダ1問
        • データ拡張1問

        次へ:ディープラーニングの概要と要素技術, セット3

        この試験のほかの練習

        1. ディープラーニングの概要と要素技術, セット114問 · 10分
        2. ディープラーニングの概要と要素技術, セット313問 · 9分
        3. ディープラーニングの概要と要素技術, セット413問 · 9分
        4. ディープラーニングの概要と要素技術, セット513問 · 9分
        5. ディープラーニングの概要と要素技術, セット613問 · 9分
        6. 模擬試験 第1回145問 · 100分
        7. 模擬試験 第2回145問 · 100分
        8. ミニテスト 30問30問 · 21分

        G検定の練習問題一覧

        一般社団法人日本ディープラーニング協会(JDLA)とは関係のない独自の練習です。問題はすべて当サイトのオリジナルで、JDLAの例題や過去問題ではありません。

        Your Work Gym account

        Save your progress and pick up on another device. Your browser's progress comes with you.

        or

        You can keep practicing without an account.

        ヘルプとフィードバック

        質問、うまく動かない点、アイデアなどをお寄せください。メールで返信します。

        どのような内容ですか?

        返信のためだけに使用します。