ディープラーニングの概要11%（当サイト設定） · 6項目

Q1. 単純パーセプトロンの限界として最も適切なものはどれか。

1. 学習の計算量が非常に大きく、当時のコンピュータでは計算できなかった
2. 出力が連続値になるため、分類の問題にはまったく使うことができない
3. 線形分離可能な問題しか解けず、XOR のような線形分離できない問題は解けない
4. 入力の数が 2 つまでに限られ、3 つ以上の入力を扱うことができない

Q2. ディープラーニングの計算に使うハードウェアを選ぶ。複雑な処理を順番に高速にこなすのが得意で、OS や一般のアプリケーションの実行を担う汎用のプロセッサは最も適したものはどれか。

1. TPU
2. CPU
3. FPGA
4. GPU

Q1. 活性化関数を選ぶ。深いネットワークの隠れ層で、勾配消失を起こしにくく計算も軽い関数を使いたい。最も適したものはどれか。

1. ReLU 関数
2. ソフトマックス関数
3. 恒等関数
4. シグモイド関数

Q2. 活性化関数を選ぶ。住宅の価格（制限のない連続値）を予測する回帰の出力層で、値をそのまま出力したい。最も適したものはどれか。

1. ソフトマックス関数
2. 恒等関数
3. ReLU 関数
4. シグモイド関数

Q1. 誤差関数（損失関数）を選ぶ。顔の認証で、同じ人の画像どうしは近く、別の人の画像とは遠くなるよう、基準・同じ人・別の人の 3 つ組で埋め込みを学習したい。最も適したものはどれか。

1. Triplet Loss
2. 交差エントロピー
3. カルバック・ライブラー情報量（KL）
4. 平均二乗誤差関数

Q2. 誤差関数（損失関数）を選ぶ。2 つの確率分布がどれだけ異なるかを測り、VAE の潜在変数の分布を標準正規分布に近づける項として使いたい。最も適したものはどれか。

1. 平均二乗誤差関数
2. Triplet Loss
3. カルバック・ライブラー情報量（KL）
4. 交差エントロピー

Q1. 過学習を抑える正則化の手法を選ぶ。ニューラルネットワークの学習の時に、一定の割合のニューロンをランダムに無効にし、アンサンブルに近い効果を得たい。最も適したものはどれか。

1. ドロップアウト
2. L1 正則化
3. L2 正則化
4. 早期終了

Q2. 過学習を抑える正則化の手法を選ぶ。学習を続けると検証データの誤差が上がり始めるので、その時点で学習を打ち切りたい。最も適したものはどれか。

1. L1 正則化
2. 早期終了
3. L2 正則化
4. ドロップアウト

Q1. 隠れ層でシグモイド関数を使うと勾配消失が起きやすい理由として最も適切なものはどれか。

1. 出力が負の値にならないため、重みがすべて同じ値に収束してしまうため
2. 出力の合計が必ず 1 になるため、複数のクラスを同時に学習できないため
3. 微分の最大値が 0.25 と小さく、層を重ねるほど勾配が 0 に近づくため
4. 入力が 0 のときに微分ができず、学習の計算が止まってしまうため

Q2. Leaky ReLU 関数が ReLU 関数の改良として提案された理由として最も適切なものはどれか。

1. 入力が正のときの傾きを 0.25 以下に抑え、勾配爆発が起きないようにするため
2. 入力の大きさにかかわらず出力を一定にし、学習を安定させるため
3. 出力を 0〜1 の範囲に収め、各ニューロンの出力を確率として扱えるようにするため
4. 負の入力にも小さな傾きを持たせ、学習しなくなるニューロンを防ぐため

Q1. ニューラルネットワークの学習で、出力の誤差に対する各重みの勾配を効率よく求める方法はどれか。

1. 順伝播
2. 勾配クリッピング
3. 確率的勾配降下法
4. 誤差逆伝播法

Q2. 勾配降下法の最適化手法を選ぶ。慣性（勾配の移動平均）と、パラメータごとの学習率の調整（勾配の二乗の移動平均）の両方の考えを組み合わせたい。最も適したものはどれか。

1. 確率的勾配降下法（SGD）
2. Adam
3. AdaGrad
4. モーメンタム