CNN

某新創公司開發一套圖像描述生成系統，能根據輸入的照片自動產生說明文字。為了讓產生的描述文字能與圖片資訊精準對應，下列哪一種設計思路最關鍵？

1. A強化語言模型的句法與流暢性，確保生成文字更自然易讀
2. B在生成過程中結合圖片特徵與語言建模，讓模型同時利用影像內容與文字資訊
3. C調整生成策略（如 Beam Search 或溫度參數），以提升輸出文字的合理性
4. D專注於文字序列上下文的建模，只提升文字間的連貫性

某團隊訓練影像分類模型,發現模型在訓練資料上的準確率達98%,但在測試資料上僅有72%。若團隊希望提升模型對新資料的適應能力,並增加訓練資料的多樣性,下列何者最適合?

1. A增加模型的深度與參數量,使模型學習更多細節
2. B對訓練影像進行旋轉、翻轉等隨機變化
3. C提高訓練速度,使模型更快完成學習
4. D僅保留模型表現較好的訓練資料

某物流公司想導入 AI 以提升營運效率,評估不同資料型態與模型架構。下列哪一 種應用情境最適合採用卷積神經網路(Convolutional Neural Network, CNN) 作為 主要模型架構?

1. A依據包裹每日掃描紀錄的時間序列,預測下週各倉庫的進貨量波動
2. B根據客服對話逐句內容的先後順序,判斷客訴是否可能升級為申訴案件
3. C根據倉庫監視器影像,自動辨識貨架是否缺貨並標示缺貨區域位置
4. D依據車隊 GPS 路徑點的連續軌跡,預測下一段可能行駛路線

某果園管理公司計畫導入 AI 系統協助農民判斷蘋果成熟度,透過分析果實特徵資 訊,評估成熟狀態並自動判斷採收時機。根據 AI 應用領域的分類,這個系統主要 屬於哪一個應用領域?

1. A自然語言處理(Natural Language Processing)
2. B電腦視覺(Computer Vision)
3. C語音識別(Speech Recognition)
4. D推薦系統(Recommendation System)

某智慧交通系統在城市主要路口安裝監視攝影機，需即時識別畫面中的汽車、 機車、公車等不同車輛類型，並統計各路口的車輛流量以支援號誌控制優化。 下列哪一種神經網路架構最適合處理此類影像中的物件類型識別任務？

1. A循環神經網路（RNN），適合處理序列資料；
2. B卷積神經網路（CNN），適合處理影像資料；
3. C長短期記憶網路（LSTM），適合處理長期依賴；
4. D多層感知機（MLP），將輸入資料轉換為數值後進行分類

關於Softmax 與Max-Pooling，下列敘述何者正確？

1. ASoftmax 與Max-Pooling都會將特徵張量壓縮為單一最大值
2. BMax-Pooling 會對輸入進行機率分佈的轉換
3. CSoftmax 會保留所有輸入資訊，但以比例表示；Max-Pooling 只保留區域最大值
4. DSoftmax 主要用於特徵降維，而Max-Pooling用於分類輸出

某智慧製造公司開發一套影像辨識系統，用於自動檢測生產線上的瑕疵產品。系統採用卷積神經網路（Convolutional Neural Network, CNN）作為主要模型架構，其中第一層卷積層（Convolutional Layer）主要負責的功能為下列何者？

1. A自動提取輸入影像中的局部特徵
2. B降低影像維度以加速運算效率
3. C增加神經元與參數數量以提升模型容量
4. D整合所有特徵並輸出最終分類結果

某智慧城市團隊開發一套交通監控系統，用於即時辨識路口監視器影像中的車輛與行人。團隊比較後發現，卷積神經網路（Convolutional Neural Network, CNN）在訓練與推論效率上，明顯優於傳統的全連接神經網路（Fully Connected Neural Network, FCNN）。請問下列何者為主要原因？

1. ACNN 能自動學習影像的旋轉與比例不變性
2. BCNN 可直接跳過人工特徵提取步驟進行分類
3. CCNN 透過區域感知（Local Receptive Field）與參數共享（Parameter Sharing）機制，降低模型參數量與運算複雜度
4. DCNN 捨棄激勵函數（Activation Function），以加快運算速度

在深度神經網路中，不同層的參數量（parameter count）差異極大。有些層雖然數量少但計算量大，有些則相反。了解參數分佈情形，有助於模型壓縮與遷移學習設計。請問在 VGG16中，下列何者的參數量最多？

1. A卷積層(Conv2d)
2. B全連接層(Linear)
3. CReLU激活函數
4. D池化層(MaxPool2d, AdaptiveAvgPool2d)

在神經網路中，了解各層的運算量分佈，有助於模型壓縮與硬體加速的策略設計。請問在 VGG16中，下列何者運算量(FLOPs)最多？

1. A卷積層(Conv2d)
2. B全連接層(Linear)
3. CReLU激活函數
4. D池化層(MaxPool2d, AdaptiveAvgPool2d)

以 torchsummary 對輸入尺寸 (3, 150, 150) 的預訓練 VGG16 輸出模型摘要,關鍵資訊節錄如下: MaxPool2d-31 輸出 [-1, 512, 4, 4],參數 0 AdaptiveAvgPool2d-32 輸出 [-1, 512, 7, 7],參數 0 Linear-33 輸出 [-1, 4096],參數 102,764,544 Linear-36 輸出 [-1, 4096],參數 16,781,312 Linear-39 輸出 [-1, 1000],參數 4,097,000 Total params: 138,357,544 Forward/backward pass size (MB): 96.93 Params size (MB): 527.79 Estimated Total Size (MB): 624.98 VGG16 層數深且結構規則,由多層卷積、池化及全連接層組成。根據 VGG16 的模型架構,下列敘述何者正確?

1. AAdaptiveAvgPool2d 的輸出會被攤平後傳入第一個全連接層;由於前一層池化輸出空間為 4×4,所以第一個線性層的輸入維度是 512×4×4 = 8192
2. BLinear-33(第一個全連接層)報出的 102,764,544 參數只包含權重,偏差(bias)沒有算在內
3. C根據列出的「Estimated Total Size (MB) = 624.98」,表示訓練此模型只需大約 625MB 的 GPU 記憶體(包含所有 optimizer state 與梯度),所以一張 1GB 的 GPU 就足夠訓練
4. DVGG16 包含 13 層卷積層(conv)與 3 層全連接層(FC),總參數數目約為 138,357,544(約 138.36M)

在實務應用中,我們常使用遷移學習(Transfer Learning)技巧:載入預訓練模型(如 VGG16),凍結部分層的參數,只針對特定任務重新訓練最後幾層,以節省訓練時間並提升模型效能。假設你要對 VGG16 進行遷移學習,希望凍結卷積層的參數,只訓練最後的全連接層(classifier)。下列四段程式碼(均已 import torch 與 import torchvision.models as models): 程式碼A: model = models.vgg16(pretrained=True) for param in model.parameters(): 　param.requires_grad = False model.classifier[6] = torch.nn.Linear(4096, 10) 程式碼B: model = models.vgg16(pretrained=True) for param in model.features.parameters(): 　param.requires_grad = False model.classifier[6] = torch.nn.Linear(4096, 10) 程式碼C: model = models.vgg16(pretrained=True) for param in model.classifier.parameters(): 　param.requires_grad = False model.classifier[6] = torch.nn.Linear(4096, 10) 程式碼D: model = models.vgg16(pretrained=True) model.requires_grad = False model.classifier[6] = torch.nn.Linear(4096, 10) 請問哪一段程式碼寫法正確?

1. A程式碼A
2. B程式碼B
3. C程式碼C
4. D程式碼D

某工程師正在實作一個 CNN 影像分類模型，在 PyTorch 中定義模型架構時，需要在卷積擷取特徵後接上全連結層（Fully Connected Layer）進行分類。在模型程式碼中，需要在卷積輸出與全連結層之間插入什麼操作？

1. A使用全域平均池化（Global Average Pooling）將特徵圖壓縮後再接全連結層
2. B使用 Flatten將特徵圖展平成一維向量
3. C直接將卷積輸出接到全連結層，系統會自動轉換維度
4. D先對特徵圖做 Softmax，再輸入全連結層

某公司希望開發一個工業零件瑕疵辨識分類模型，共有 10 個類別，但每類僅約50 張人工標註影像（總計約 500 張）。由於標註成本高昂，短期內無法擴充資料集。在此情境下，工程師需要在有限標註資料下建構高效能模型。請問下列哪一種策略最為適合？

1. A使用在大型資料集預訓練完成的卷積神經網路（CNN），並進行遷移學習微調
2. B從頭訓練大型 Vision Transformer（ViT），完全使用現有 500張影像
3. C使用 K-means 對影像進行分群，並直接將群集結果作為分類模型輸出
4. D複製既有的資料以增加標註影像數量，並從頭訓練深度 CNN模型

某醫療新創團隊將原有 3層CNN升級為16層架構以提升 CT影像腫瘤偵測率，但發現訓練損失反而高於 3層版本且收斂困難。工程師懷疑是網路深度造成的訓練問題，下列診斷與對策何者最正確？

1. A網路層數增加導致參數量過多，應減少每層卷積濾波器（Filters）數量以降低模型複雜度
2. B深層網路可能出現梯度消失問題，導致淺層權重難以更新；應採用 ResNet 的殘差連接（Skip Connection）以改善梯度傳遞
3. C16層模型對 CT影像而言仍過淺，應進一步增加網路深度以學習更高階特徵
4. D問題可能來自激活函數（Activation Function），將 ReLU改為Sigmoid 可改善梯度傳遞問題

某工程師設計用於醫療 X 光影像分類的 CNN，發現卷積層後直接接全連結層導致參數量高達 5,000 萬，訓練速度極慢。為降低模型參數量與計算成本，他在卷積層後加入池化層（Pooling Layer）。下列何者為池化層在此設計中最主要解決的問題？

1. A降低特徵圖空間維度，減少參數與計算量
2. B提供非線性表達能力，以提升模型學習複雜度
3. C改善梯度消失問題，以強化反向傳播穩定性
4. D提升模型泛化能力而不影響特徵維度

以下為使用 ResNet 進行遷移學習(Transfer Learning)的 Python 程式片段: import torch import torch.nn as nn import torchvision model = torchvision.models.resnet50(pretrained=True) for param in model.parameters(): 　param.requires_grad = False # 行(A) model.fc = nn.Linear(2048, 2) optimizer = torch.optim.Adam(model.fc.parameters(), lr=1e-4) 觀察程式中行(A)將所有既有權重的梯度計算關閉,這在遷移學習中屬於哪一種標準策略?

1. A全面微調(Full Fine-Tuning)
2. B零樣本學習(Zero-shot Learning)
3. C特徵萃取(Feature Extraction)
4. D知識蒸餾(Knowledge Distillation)

在進行遷移學習微調（Fine-Tuning）時，通常會將優化器的學習率（Learning Rate）設得非常小（如 1e-4），下列何者為主要的原因？

1. A為了避免記憶體耗盡(OOM)
2. B為了加速模型整體的收斂時間
3. C為了讓損失函數強制歸零
4. D為了避免更新步伐過大,破壞預訓練模型原本已學好的良好特徵表示

使用 CIFAR-10 資料集建立 CNN 進行彩色影像分類:共 10 個類別、60000 張 32×32 像素的 RGB 影像(訓練集 50000 張、測試集 10000 張),像素值為 0~255 的整數,標籤 y 為 0~9 的整數。資料處理程式如下: x_train, x_test = x_train / 255.0, x_test / 255.0 y_train = tf.keras.utils.to_categorical(y_train, 10) y_test = tf.keras.utils.to_categorical(y_test, 10) 描述 A:x_train, x_test 將影像範圍壓縮到 0~31 範圍 描述 B:可以增加模型的泛化能力 描述 C:x_train, x_test 資料轉換結果相當於 z-score 標準化 描述 D:資料轉換目的是避免梯度爆炸或梯度消失 描述 E:y_train 將 label 轉換為獨熱編碼(One-hot Encoding) 描述 F:y_train 適合輸出層使用 softmax 函數 下列哪一項描述組合正確?

1. A描述 A、描述 C、描述 F
2. B描述 B、描述 D、描述 E、描述 F
3. C描述 B、描述 C、描述 E、描述 F
4. D描述 A、描述 B、描述 D、描述 E、描述 F

使用 CIFAR-10 資料集(32×32 RGB、10 類)以下列程式建立 CNN 模型,程式分為區塊 1~4: model = models.Sequential([ 　# 區塊 1 　layers.Input(shape=(32, 32, 3)), 　layers.Conv2D(32, kernel_size=(3,3), padding="same", activation="relu"), 　layers.BatchNormalization(), 　layers.Conv2D(32, (3,3), activation='relu', padding='same'), 　layers.BatchNormalization(), 　layers.MaxPooling2D((2,2)), 　layers.Dropout(0.25), 　# 區塊 2 　layers.Conv2D(64, (3,3), activation='relu', padding='same'), 　layers.BatchNormalization(), 　layers.Conv2D(64, (3,3), activation='relu', padding='same'), 　layers.BatchNormalization(), 　layers.MaxPooling2D((2,2)), 　layers.Dropout(0.25), 　# 區塊 3 　layers.Conv2D(128, (3,3), activation='relu', padding='same'), 　layers.BatchNormalization(), 　layers.Conv2D(128, (3,3), activation='relu', padding='same'), 　layers.BatchNormalization(), 　layers.MaxPooling2D((2,2)), 　layers.Dropout(0.25), 　# 區塊 4 　layers.Flatten(), 　layers.Dense(256, activation='relu'), 　layers.BatchNormalization(), 　layers.Dropout(0.5), 　layers.Dense(10, activation='softmax') ]) 描述 A:區塊 1 layers.Input(shape=(32, 32, 3)) 主要目的是進行資料標準化 描述 B:區塊 1 layers.Conv2D(32, kernel_size=(3,3), padding="same", activation="relu") 考慮輸入為 (32,32,3),則輸出 shape 為 (32,32,3) 描述 C:區塊 1 layers.BatchNormalization() 放在 Conv2D 之後可以減少梯度消失或爆炸 描述 D:區塊 2 layers.Dropout(0.25) 可以隨機將 25% 神經元輸出設定為 1 描述 E:區塊 3 layers.Dropout(0.25) 可以減少過度擬合(Overfitting) 描述 F:區塊 4 Flatten 層的作用是將 3D 特徵圖展開為 1D 向量 下列哪一項描述組合正確?

1. A描述 A、描述 C
2. B描述 C、描述 E、描述 F
3. C描述 A、描述 D、描述 E
4. D描述 D、描述 E、描述 F

若團隊需要建立一個超過50層的深層神經網路，以捕捉晶圓表面細微的劃傷特徵，但又擔心傳統深層網路常見的梯度消失（Vanishing Gradient）問題，則下列哪一種經典架構最適合優先考慮？

1. AVGG（Visual Geometry Group）：透過重複堆疊3×3卷積層與池化層來維持梯度穩定；
2. BGoogLeNet：透過 Inception 模塊並行使用不同大小的卷積核，以避免深層網路的梯度問題
3. CResNet（Residual Network）：透過殘差連接（Residual Connection / Skip Connection），使梯度能跨層傳遞並降低深層訓練困難
4. DVision Transformer（ViT）：完全捨棄卷積，因此不會出現任何深層模型的訓練問題