| 問題 | 論点 | 回答回数 | 正答率 | 最短秒 | 平均秒 |
|---|
| Affine逆伝播のdWは？ |
Affine |
0 |
0% |
- |
- |
| Affine逆伝播のdbは？ |
Affine |
1 |
0.0% |
12.9 |
12.9 |
| Affine逆伝播のdxは？ |
Affine |
0 |
0% |
- |
- |
| Affine順伝播は？ |
Affine |
0 |
0% |
- |
- |
| x=(1,2)、W=[[1,-1],[3,2]]、b=(0.5,-0.5)のAffine順伝播out=x@W+bは？ |
Affine |
0 |
0% |
- |
- |
| x=[[1,2],[-1,3]]、W=[[2,-1],[0.5,4]]、dout=[[1,2],[-2,1]]のAffine逆伝播でdx・dW・dbは？ |
Affine |
0 |
0% |
- |
- |
| 入力xと重みWの行列積にバイアスbを加える、全結合層の変換を何という？ |
Affine |
2 |
100.0% |
8.9 |
9.3 |
| PyTorchでAffine層に対応するものは？ |
PyTorch |
0 |
0% |
- |
- |
| PyTorchのnn.CrossEntropyLossで整数ラベルを使う標準的な多クラス分類では、logitsとtargetのshape・型は？ |
PyTorch |
0 |
0% |
- |
- |
| PyTorchの多クラス分類でCrossEntropyLossへ渡すものは？ |
PyTorch |
0 |
0% |
- |
- |
| NumPyのnp.dotとnp.sumの違いは？ |
Python |
0 |
0% |
- |
- |
| Pythonメソッドpredictの呼び出し方は？ |
Python |
0 |
0% |
- |
- |
| SoftmaxWithLoss.forward(x, t)内でcross_entropy_errorに渡す引数の順序は？ |
Python |
0 |
0% |
- |
- |
| 多層パーセプトロンのコンストラクタ（__init__）の引数に必ず含めるものは？ |
Python |
1 |
100.0% |
5.3 |
5.3 |
| 安定なSoftmax計算でlogits=(1000,1001,1002)から最大値を引くと何になり、予測確率はどうなる？ |
Softmax |
0 |
0% |
- |
- |
| Affine層へ入るxのshapeが(4,3,5,5)のとき、バッチを保ってflattenしたshapeは？ またWが(75,10)ならoutと逆伝播後のdxのshapeは？ |
shape |
0 |
0% |
- |
- |
| Softmaxのバッチshapeが(N,C)のときaxisは？ |
shape |
0 |
0% |
- |
- |
| バッチサイズ2で、入力次元2、隠れ層の幅が順に3・2、出力次元1のMLPを順伝播したとき、各層の出力shapeは？ |
shape |
0 |
0% |
- |
- |
| 入力2、隠れ層3・2、出力1の全結合MLP（2→3→2→1）のパラメータ総数は？ |
パラメータ数 |
1 |
100.0% |
10.3 |
10.3 |
| 隠れ層数s、バイアス数bのネットワークのパラメータ総数（入力x次元）は？ |
パラメータ数 |
0 |
0% |
- |
- |
| 回帰の出力層は？ |
出力層 |
0 |
0% |
- |
- |
| 1サンプルが必ずどれか1つのクラスに属し、正解クラスのみ1・他は0で表すベクトルを何という？ |
分類 |
4 |
100.0% |
3.4 |
154.4 |
| 2値分類と多クラス分類でラベルの表し方はどう違う？ |
分類 |
0 |
0% |
- |
- |
| one-hotベクトルの次元数は何で決まる？ |
分類 |
1 |
100.0% |
8.1 |
8.1 |
| マルチラベル分類でラベルを表すベクトルの種類は？ |
分類 |
0 |
0% |
- |
- |
| マルチラベル分類の基本セットは？ |
分類 |
0 |
0% |
- |
- |
| 二値分類の基本セットは？ |
分類 |
0 |
0% |
- |
- |
| 多クラス単一ラベル分類の基本セットは？ |
分類 |
0 |
0% |
- |
- |
| 複数のラベルが同時に正解になり得る分類で、各ラベルの有無を独立に0/1で表すベクトルを何という？ |
分類 |
2 |
50.0% |
2.4 |
3.6 |
| Sigmoidで入力の絶対値が大きいと？ |
勾配消失 |
0 |
0% |
- |
- |
| tanhの微分の最大値はシグモイドと比べてどうか？ |
勾配消失 |
0 |
0% |
- |
- |
| 出力層の活性化関数の微分が0に近づき、層を重ねるほど入力層側に伝わる誤差の勾配が小さくなっていく現象を何という？ |
勾配消失 |
2 |
100.0% |
7.2 |
7.4 |
| 勾配消失問題の代表的な対策は？ |
勾配消失 |
0 |
0% |
- |
- |
| MSEとMAEで外れ値に強いのは？ |
回帰 |
0 |
0% |
- |
- |
| ロバスト性とは？ |
回帰 |
2 |
100.0% |
8.3 |
14.1 |
| 3層MLPで第3層の出力a1³を表す式は？ |
多層パーセプトロン |
0 |
0% |
- |
- |
| SoftmaxWithLossの逆伝播は？ |
損失関数 |
0 |
0% |
- |
- |
| 予測確率y=[[0.7,0.2,0.1],[0.1,0.6,0.3]]、整数ラベルt=[0,2]の平均クロスエントロピー誤差は？ |
損失関数 |
0 |
0% |
- |
- |
| 交差エントロピー誤差関数cross_entropy_error(y, t)の正しい実装は？ |
損失関数 |
0 |
0% |
- |
- |
| 整数ラベルt=[0,2]、y=[[0.7,0.2,0.1],[0.1,0.6,0.3]]のとき、SoftmaxWithLossの逆伝播dxは？ |
損失関数 |
1 |
0.0% |
10.0 |
10.0 |
| 真のラベルy=1、予測確率ŷ=0.8のときと、y=0、ŷ=0.8のときのバイナリクロスエントロピー誤差は？ |
損失関数 |
0 |
0% |
- |
- |
| GELUの特徴として正しいのは？ |
活性化関数 |
0 |
0% |
- |
- |
| Leaky ReLUを見たら何を即答する？ |
活性化関数 |
0 |
0% |
- |
- |
| ReLUで負の入力が続き、その勾配が常に0になることで二度と重みが更新されなくなる現象を何という？ |
活性化関数 |
2 |
50.0% |
7.8 |
8.9 |
| ReLUの式と負側の勾配は？ |
活性化関数 |
1 |
0.0% |
5.4 |
5.4 |
| ReLUはシグモイド関数と比べて勾配消失問題にどう影響する？ |
活性化関数 |
0 |
0% |
- |
- |
| ReLUクラスのbackward(dout)でdout[self.mask]に代入する値は？ |
活性化関数 |
1 |
0.0% |
9.5 |
9.5 |
| ReLU層でx=(-2,0,3)、dout=(4,5,6)のとき、x<=0をマスクする実装のdxは？ |
活性化関数 |
0 |
0% |
- |
- |
| Sigmoidの出力範囲と微分は？ |
活性化関数 |
0 |
0% |
- |
- |
| Sigmoidクラスのbackward(dout)で正しいdxの実装は？ |
活性化関数 |
0 |
0% |
- |
- |
| Sigmoid層でforward時の出力self.out=0.8、上流勾配dout=2のとき、入力勾配dxは？ |
活性化関数 |
0 |
0% |
- |
- |
| Tanhクラスのbackward(dout)で正しい戻り値は？ |
活性化関数 |
0 |
0% |
- |
- |
| tanhの出力範囲と微分は？ |
活性化関数 |
0 |
0% |
- |
- |
| ガウス関数の累積分布関数を使った、ReLUより滑らかな活性化関数を何という？ |
活性化関数 |
2 |
100.0% |
3.7 |
4.3 |
| ニューラルネットワークで活性化関数（非線形関数）を使わないとどうなる？ |
活性化関数 |
0 |
0% |
- |
- |
| 各活性化関数のグラフの形の特徴は？ |
活性化関数 |
0 |
0% |
- |
- |
| シグモイド関数に温度パラメータTを導入するとどうなる？ |
温度パラメータ |
0 |
0% |
- |
- |
| シグモイド関数の式に導入し、出力の変化の急峻さを調整するパラメータを何という？ |
温度パラメータ |
2 |
100.0% |
7.6 |
7.8 |
| 順位のあるクラス（例：5段階評価）を分類する問題を何という？ |
順序回帰 |
2 |
100.0% |
7.2 |
7.8 |
| 順序回帰を多クラス分類として扱う場合の損失関数と活性化関数は？ |
順序回帰 |
1 |
100.0% |
58.7 |
58.7 |