1、以下哪一项是ReLu函数被广泛用于神经网络隐藏层的主要原因?
A.能将多分类任务输出转化为概率分布
B.输出对称于0，避免梯度偏向某一方向
C.输出范围为(0,1)，可直接表示概率
D.正区间梯度恒为 1，有效缓解梯度消失问题，计算简单
解析：D
要解决这个问题，需明确 ReLU 函数的核心特性，同时区分各选项对应的函数功能，逐一分析如下：
选项 A ：错误。将多分类任务输出转化为概率分布的是Softmax 函数（通过归一化让输出和为 1，每个值代表对应类别的概率），与 ReLU 无关。
选项 B ：错误。"输出对称于 0" 是tanh 函数的特点（tanh 输出范围为 (-1,1)，关于原点对称），而 ReLU 输出范围为 [0,+∞)，并不对称于 0，因此该描述与 ReLU 无关。
选项 C ：错误。"输出范围为 (0,1)，可直接表示概率" 是Sigmoid 函数的特性（常用于二分类任务的输出层，输出值对应类别概率），ReLU 输出无上限（x>0 时输出 = x），无法直接表示概率。
选项 D ：正确。这是 ReLU 被广泛用于隐藏层的核心原因：梯度特性 ：ReLU 在 x>0 的正区间梯度恒为 1，反向传播时不会出现 Sigmoid/tanh 的梯度衰减问题，能有效缓解深层网络的梯度消失；计算效率 ：ReLU 的表达式为max(0, x)，仅需简单的比较和选择运算，无指数、三角函数等复杂计算，训练和推理速度更快。
2、以下哪一个梯度优化算法中，同时结合了动量机制和自适应学习率调整?
A. Adam
B.RMSprop
C.SGD
D.Momentum
解析：A
选项 A（Adam） ：正确。Adam 全称 "Adaptive Moment Estimation"，核心是同时融合动量机制和自适应学习率：
动量机制：通过计算梯度的一阶矩（动量项，类似 Momentum 算法），积累历史梯度方向，减少收敛震荡；
自适应学习率：通过计算梯度的二阶矩（类似 RMSprop 算法），动态调整每个参数的学习率（梯度大的参数学习率小，梯度小的学习率大），适配不同参数的更新需求。两者结合使 Adam 兼顾收敛速度和稳定性，是当前最常用的优化算法之一。
选项 B（RMSprop） ：错误。RMSprop 仅具备自适应学习率调整 （通过梯度平方的移动平均调整学习率），但没有动量机制，无法积累历史梯度方向。
选项 C（SGD） ：错误。基础 SGD 既没有动量机制 （仅依赖当前梯度更新），也没有自适应学习率（学习率固定，所有参数共享同一学习率）。
选项 D（Momentum） ：错误。Momentum 仅具备动量机制 （通过 "动量项 + 当前梯度" 更新，模拟物理惯性），但没有自适应学习率调整，学习率仍需手动设置且全局统一。
3、全连接神经网络进行多分类任务时，以下哪一个选项是输出层常使用的激活函数?
A. ReLu 函数
B. Tanh 函数
c.Sigmoid 函数
D.Softmax 函数
解析：D
选项 A（ReLU 函数） ：错误。ReLU 输出范围为 [0,+∞)，无上限且总和不固定，无法表示概率分布；其核心优势是缓解梯度消失、计算简单，仅适用于隐藏层，而非输出层。
选项 B（Tanh 函数）：错误。Tanh 输出范围为 (-1,1)，存在负值且总和不固定，无法直接对应类别概率；其对称于 0 的特性更适合部分隐藏层场景，不满足多分类输出需求。
选项 C（Sigmoid 函数） ：错误。Sigmoid 输出范围为 (0,1)，虽可表示单个类别的概率，但仅适用于二分类任务（输出一个概率值，判断是否属于某一类）；多分类时，Sigmoid 无法保证所有类别概率之和为 1（可能出现多个类别概率均接近 1 的情况），无法体现类别间的互斥性。
选项 D（Softmax 函数） ：正确。Softmax 的核心作用是归一化：将输出层的原始得分（Logits，可正可负、无范围限制）转化为 [0,1] 区间的概率值，且所有类别的概率总和为 1，完美匹配多分类任务对 "概率分布" 的需求。例如，三分类任务中，Softmax 输出可能为 [0.1, 0.7, 0.2]，直接对应样本属于三类的概率，便于后续通过 "取概率最大值" 确定预测类别。
4、以下哪个特性是静态计算图相比动态计算图的主要优势之一?
A.更低的算法复杂度
B.更好的可移植性
C.更高的灵活性
D.更高的开发效率
解析：B
选项 A（更低的算法复杂度）：错误。算法复杂度由算法本身（如模型结构、计算逻辑）决定，与计算图的 "静态 / 动态" 执行方式无关，静态图不会降低算法本身的复杂度。
选项 B（更好的可移植性） ：正确。静态计算图编译后会生成统一的中间表示（IR），该中间表示与原始开发环境（如 Python runtime）解耦，可独立部署到不同硬件（如 GPU、FPGA、端侧芯片）或跨平台（如从训练服务器迁移到生产环境）；而动态计算图依赖即时执行的语言环境，移植时需携带更多依赖，可移植性较弱。
选项 C（更高的灵活性） ：错误。"灵活性" 是动态计算图 的核心优势，动态图支持原生 Python 控制流（如if/for）、实时查看中间结果，开发时可灵活调整计算逻辑；静态图需提前定义完整图结构，修改后需重新编译，灵活性不足。
选项 D（更高的开发效率）：错误。动态计算图调试直观（可实时打印张量值）、迭代速度快，开发效率更高；静态图调试时需等待图编译完成，且无法实时查看中间结果，开发效率较低。
5、小明用PyTorch实现了一个CNN网络结构，以下关于此网络结构描述正确的是哪个选项?
conv1 = nn.Conv2d(in channels=3, out channels=16, kernel size=3, stride=1, padding=1)pool= nn.MaxPool2d(kernel size=2,stride=2, padding=0)fc1 = nn.Linear(32*8*8, 128)
fc2 = nn.Linear(128,5)
x= torch.randn(1,3,32,32)
x= pool(F.relu(conv1(x)))
x= F.relu(fc1(x))
x= fc2(x)
A.网络可以正常运行，可用于多分类任务
B.网络可以运行，需要输入维度为[N,C,H,W]的数据
C.网络不可以运行，需要将CNN中padding改为0后才可正常执行
D.网络不可执行，需要改变部分隐藏层输出维度后才可执行
解析：D
选项 A：错误。因 fc1 层输入维度与池化后展平维度不匹配，网络无法正常运行。
选项 B ：错误。虽然 PyTorch 的 Conv2d 确实要求输入格式为[N,C,H,W]，但维度不匹配导致网络无法执行，"可以运行" 的描述错误。
选项 C：错误。将 conv1 的 padding 改为 0 后，conv1 输出 H=(32-3+0)/1 +1=30，pool 后 H=(30-2)/2 +1=15，展平维度 = 16×15×15=3600，仍与 fc1 的 2048 不匹配，改 padding 无法解决问题。
选项 D ：正确。网络不可执行的核心原因是 "fc1 输入维度与池化后展平维度不匹配"，需调整隐藏层参数（如修改 conv1 的 out_channels、kernel_size，或 fc1 的 in_features），使展平后的C×H×W等于 fc1 的in_features，才能正常执行。
6、以下关于AI应用开发流程的描述，正确的是哪一选项?
A.为保证模型的学习能力，模型层数和参数量要尽可能的多
B.构建网络模型时需要设计模型结构、损失函数、各层神经元的数量
C.模型训练过程中，为保证拟合效果，应该尽可能增加训练时长
D.数据收集阶段，尽可能获取更多的数据，数据的数量比质量更重要
解析：B
-
选项 A（模型层数和参数量尽可能多）：错误。模型复杂度（层数、参数量）需与任务复杂度、数据规模匹配，并非 "越多越好"。过多的层数和参数量会导致：① 过拟合（模型在训练集表现好，泛化到新数据能力差）；② 计算成本激增（训练 / 推理速度慢）；③ 梯度消失 / 爆炸（深层网络训练难度增加）。合理的模型复杂度应通过验证集效果迭代调整。
-
选项 B（设计模型结构、损失函数、神经元数量）：正确。构建网络模型是 AI 开发的核心环节，需围绕任务需求完成三大关键设计：① 模型结构（如 CNN 适配图像任务、RNN 适配时序任务，层与层的连接方式）；② 损失函数（分类任务用交叉熵、回归任务用 MSE，确保损失能反映预测误差）；③ 神经元数量（输入层匹配数据维度、隐藏层根据特征复杂度调整、输出层匹配任务目标（如多分类数量）），三者共同决定模型的学习能力和适配性。
-
选项 C（尽可能增加训练时长）：错误。训练时长的核心是 "收敛" 而非 "越长越好"。当模型在验证集上的性能（如准确率、loss）不再提升甚至下降时，继续训练会导致过拟合（模型记住训练集噪声，而非学习通用规律）。正确做法是通过验证集监控效果，采用 "早停（Early Stopping）" 等策略，在模型收敛后停止训练。
-
选项 D（数据数量比质量更重要）：错误。AI 模型的效果依赖 "高质量、高相关性" 的数据，而非单纯的数量。低质量数据（如含噪声、标签错误、与任务无关）会引入干扰，即使数量庞大，也会导致模型学习偏差；而少量高质量、代表性强的数据，配合数据增强等手段，反而能训练出泛化能力强的模型。因此，数据 "质量优先于数量"，需先保证数据的相关性和准确性，再考虑数量补充。
7、以下哪一项是张量[[[0,1],[2,3]],[[4,5],[6,7]]]的正确形状?
A. [2,2,2]
B. [3,2,4]
c. [2,3,4]
D. [3,3,2]
解析：A
仍然宝宝题
8、PyTorch和Mindspore的程序可以在执行时动态构建/调整计算图，这是AI框架的以下哪一项特点?
A. 即时编译
B.Python优先
C.动态计算图
D.全场景支持
解析：C
读题就行
9、小明在使用AI开发框架构建模型时，框架无法帮助他实现以下哪个选项?
A.反向传播计算
B.编译效率优化
C.优化计算图
D.计算平台执行效率优化
解析：D
框架能做的是 **"适配计算平台"**（如提供 CPU/GPU/ 昇腾专用算子、调度模型并行计算），让模型更好地 "利用平台资源"，从而提升 "模型在该平台上的运行效率"；
而 "计算平台执行效率" 特指平台本身的底层性能上限（如 CPU 的运算速度、GPU 的显存带宽、昇腾芯片的算力密度），这是由硬件设计、芯片架构、系统驱动决定的，属于硬件厂商或系统层面的优化范畴，AI 框架无法直接修改或提升 "平台本身的执行效率"。
10、在深度学习中，ReLU函数的作用是以下哪一项?
A.降低参数量
B.减少特征图尺寸
C.提取图像边缘
D.引入非线性元素
解析：D
这个需要背过!
11、输入一个 256x256 的图像，使用 7x7 的卷积核，步长为1，且在图像周围添加1像素的填充进行卷积计算输出的图像尺寸为多少?
A.256*256
B.254*254
C.128*128
D.252*252
解析：D
12、在反向传播算法中使用什么法则进行逐层求导?
A. 累加法则
B. 归一法则
C.累乘法则
D.链式法则
解释：D
背诵背诵背诵
13、John在训练模型过程中，将模型保存为ckpt(checkpoint)格式，以下描述正确的是哪个选项?
A.训练中断后，无法加载ckpt文件继续训练
B.ckpt文件可以记录模型的训练数据，便于进行数据处理
C.ckpt文件可以记录模型权重，是一种轻量级的格式
D.可以直接加载ckpt文件进行分布式训练
解析：C
选项 A（训练中断后无法续训） ：错误。ckpt 文件的核心功能之一就是 断点续训------ 它会记录模型的权重、偏置，以及优化器状态（如学习率、动量项）等关键信息。训练中断后，加载 ckpt 文件即可恢复到之前的训练进度，无需重新训练，这是 ckpt 的核心用途。
选项 B（记录训练数据，便于数据处理） ：错误。ckpt 文件仅存储 模型相关参数（权重、优化器状态等），不包含任何训练数据（如图像、文本样本）。训练数据是独立存储和处理的，与 ckpt 文件无关联，因此无法通过 ckpt 进行数据处理。
选项 C（记录模型权重，是轻量级格式） ：正确。核心存储内容：ckpt 文件的核心是模型的可学习参数（权重、偏置），这是模型的核心资产；轻量级特性：相比保存完整模型结构 + 参数的格式（如 PyTorch 的.pth完整模型文件），ckpt 通常仅聚焦参数存储，冗余信息少，体积更小，属于轻量级格式（部分框架的 ckpt 还支持只保存最优参数，进一步精简体积）。
选项 D（可直接加载进行分布式训练） ：错误。分布式训练的核心是 环境配置（如进程数、设备分配、通信策略）+ 模型参数 ，ckpt 文件仅提供模型权重，无法直接支撑分布式训练。需先加载 ckpt 权重到模型，再结合分布式框架的配置（如 PyTorch 的DistributedDataParallel、MindSpore 的分布式策略），才能启动分布式训练，ckpt 本身不具备 "直接支持分布式" 的能力。
14、一张图片依次经过了以下网络结构;
conv1 = nn.Conv2d(in channels=3, out channels=N, kernel size=3, stride=1, padding=1)pool= nn.MaxPool2d(kernel size=2,stride=2, padding=0)fatten = nn.Flatten()fc1 = nn.Linear(4096,10)
假设输入图片的大小为32*32*3，N的值应该设置为以下哪个选项?
A. 16
B.8
C.32
D.12
解析：A
15、在人工智能模型开发时，以下哪种操作不属于数据处理的步骤?
A.数据采集
B.处理异常值
C.数据增强
D.归-化
解析：A
16、昇腾大模型解决方案提供了全流程的工具，以下哪个工具可用于算子开发?
A. MindlE
B. Ascend C
C. AOE
D. MindSpeed
解析：B
17、以下哪个选项不是CPU的特点?
A.单个计算单元的能力强
B.峰值计算能力较低
C.计算单元数量多
D.适合读写密集型任务
解析：C
计算单元数量多是GPU的特点
18、AI能力越来越强，以下哪一项因素不属于支撑它发展的三大因素?
A.强大的学习算法
B.数据量增加
C.高性能芯片
D.使用场景越来越多
解析：D
呃呃呃呃呃呃
19、某工程师在学习了深度学习知识后，对DeepSeek V3的模型结构有以下认知，其中错误的是哪一项?
A.强化学习微调可以对齐人类偏好
B.transformer block可以提取数据特征
C.MoE结构可以提升推理速度
D.位置编码的作用是限制输入序列长度
解析：D
D一眼错啊兄弟们，位置和编码和限制长度有何关系
20、AI的发展取决于诸多因素，其中哪个选项决定了模型性能的上限?
A.算法
B.芯片
C.传感器
D.数据
解析：D
何意味
21、单层感知机的基本组成部分包括以下哪些选项?
A.输入层神经元
B.权重参数
C.隐藏层
D.激活函数
解析：ABD
-
选项 A（输入层神经元）：正确。输入层是感知机的 "数据入口"，负责接收原始输入信号（如特征向量），每个输入神经元对应一个输入特征，是感知机的基础组成部分。
-
选项 B（权重参数）：正确。每个输入神经元与输出层之间存在对应的权重参数（可学习），权重用于调节不同输入特征的重要性（如重要特征对应较大权重），是感知机实现 "学习" 的核心（训练过程本质是优化权重参数）。
-
选项 C（隐藏层） ：错误。单层感知机的核心特点是 "无隐藏层"，仅包含输入层和输出层（输出层为单个感知机单元）。"隐藏层" 是多层神经网络（如多层感知机 MLP）的组成部分，单层感知机不具备这一结构。
-
选项 D（激活函数）：正确。感知机的输出层需通过激活函数处理（如阶跃函数、sigmoid 函数），将输入信号的加权和转换为最终输出（如二分类结果 "激活 / 不激活"），是实现非线性决策边界的关键（无激活函数则退化为线性模型）。
22、小明在使用AI框架构建并训练模型时，选择了通过静态图的方式进行，以下关于他操作的描述中，正确的是哪几项?
A.模型训练完成以后，可以进行跨平台的应用部署
B.PyTorch、 MindSpore等框架默认为动态图模式，无法使用
C.对于输入不确定性高(如动态batch size)的任务，不适合使用静态图
D.随时输出一些中间结果作为参考
解析：AC
上一套题里有
23、以下关于MindRecord格式的描述，正确的选项有哪些?
A.转化为MindRecord后，可以有效压缩数据体积，方便数据存储
B.转化为MindRecord后，实现数据统一存储、访问，方便数据管理
C.转化为MindRecord后，减少磁盘IO、网络IO开销，缩短开发周期
D.转化为MindRecord后，可以提升模型的训练计算速度，缩短开发周期
解析：BCD
24、小明在使用AI框架构建并训练模型时，选择了通过静态图的方式进行，以下关于他操作的描述中，正确的是哪几项?
A. PyTorch、MindSpore等框架默认为静态图模式，他可以直接使用，不需要做其他配置
B.模型训练完成以后，可以进行跨平台的应用部署
C.对于输入不确定性高(如动态batch size)的任务，不适合使用静态图口
D.为了保证网络各层之间的维度可以进行计算，随时输出一些中间结果作为参考
解析：BC
这道题有问题，上套题答案BCD这套题答案BC
25、小明在PyTorch中构建网络结构时进行了以下操作，其中正确的有哪些选项?
A.通过重构back_propagation完成反向传播计算
B.通过construct方法完成前向计算逻辑
C.构建神经网络类的时候需要继承nn.module
D.通过 init 函数实例化网络所需要的神经元
解析：CD
26、以下选项中属于tensor属性的有哪些选项?
A. 维度
B.形状(shape)
c.执行时间
D.运算类型
解析：AB
27、数据是AI发展的基石，关于数据，以下哪些选项是正确的?
A.更安全的数据共享是A!技术更好发展的基石之一
B.重点是如何获取大量数据，数据质量不需要太关注
C.消除数据壁垒对AI技术发展很重要
D.消除数据孤岛现象对AI技术拓展很重要
解析：ACD
28、关于具身智能的基本概念，以下描述正确的是哪些项?
A.具身智能是指人工智能系统通过物理载体在真实环境中感知、行动并完成复杂任务的能力
B.具身智能的核心三要素包括:本体、智能、环境
C.具身智能强调通过与环境的动态交互实现智能的具身化
D.传统AI与具身智能的主要区别在于是否具备物理实体和环境交互能力
解析：ABCD
29、以下关于A1未来发展描述错误的是哪些选项?
.AI将渗透到各个行业
B.AI会完全解决社会矛盾
C.AI将大幅提升生产效率
D.AI将全面取代人类
解析：BD
30、对比于智能体，直接使用LLM会存在以下哪些问题?
A.面对模型能力覆盖之外的问题时，无法调用工具进行处理
B.面对复杂的任务，无法对目标进行拆分与执行反思，缺乏自我修正和学习的能力
C.直接与大模型交互，大模型可解决的问题边界非常有限
D.缺乏特定行业和垂直领域的知识
解析：BC
31企业在某个实例分割项目中(基于Mindspore实现)使用了大量的图片数据，为了节省时间，AI工程师将3 1数据转化为了MindRecord格式，以下关于此描述错误的选项有哪些?
A.转化为MindRecord后，实现数据统一存储、访问，方便数据管理
B.转化为MindRecord后，可以有效压缩数据体积，方便数据存储
C.转化为MindRecord后，减少磁盘10、网络I0开销，缩短开发周期
D.转化为MindRecord后，可以提升模型的训练精度
解析：BCD
32、John想要使用PyTorch实现一个用于机器翻译的模型，以下关于他操作描述正确的有哪些选项?
A.重载 init方法用于模型初始化
B.使用forward方法用于定义前向计算过程
C.重载backword方法用于定义自动微分过程
D.构建的模型类应该继承nn.module
解析：ABD
33、以下哪些选项属于AI开发框架提供的功能?
A.跨平台分布式训练
B.算子开发
C.算子API
D.数据预处理
解析：CD
34、以下哪些选项不属于终端设备上所使用的AI芯片特征?
A. 高功耗
B.高成本
c.低延迟
D.高能效
解析：AB
35、昇腾AI处理器包含AICore模块，这个模块包含以下哪些选项?
A. 寄存器
B.存储控制单元
C.矩阵计算单元
D. DVPP模块
解析：ABC
36、使用AI芯片训练模型时，对芯片以下哪些能力要求较高?
A. 功耗
B.算力
C.芯片面积
D.精度
解析：BD
37、从数据收集开始全流程开发一个AI服务包含以下哪些流程?
A.模型训练
B.数据处理
c.框架开发
D.推理部署
解析：ABD
38、以下哪些芯片可以用来训练AI模型?
A. GPU
B. TPU
C.NPU
D.CPU
解析：ABCD
39、智能家居已经走入我们的生活，AI可以赋能哪些日常应用?
A.室内监控
B.语音控制家电
c. 智能门锁
D.扫地机器人
解析：ABCD
40、以下哪些项是自然语言处理的应用场景?
A. 舆情分析
B.文本分类
c.机器翻译
D.图像识别
解析：ABC
41、张量就是矩阵。
正确
错误
解析：错误
出题人懒了看来
42、小明在使用PyTorch创建tensor时，可以选择float16、float32等不同精度的数据
正确
错误
解析：正确
43、在 AI伦理中，"公平性与偏见" 问题主要是指 A 模型可能会学习并放大训练数据中存在的人类社会偏见，如性别、种族歧视等。
正确
错误
解析：正确
44、现阶段的人工智能仍处于弱人工智能阶段。
正确
错误
解析：正确
45、AscendCL可以基于第三方框架开发推理类应用，不需要通过ATC工具先对模型进行转换。
正确
错误
解析：错误
46、昇腾 AI处理器采用华为自研的达芬奇架构，其核心计算单元为AI Core，内部包含标量、向量和张量计算单元，能够高效支持多种精度的矩阵运算。
正确
错误
解析：正确
47、相较于专用AI训练芯片，CPU通常不具备大规模并行计算能力，因此在深度学习模型训练中效率较低.。
正确
错误
解析：正确
48.在相同工艺条件下，基于ASIC设计的 AI芯片通常比FPGA具有更低的功耗和更高的能效，因此更适用于手机等对功耗敏感的终端设备。
正确
错误
解析：正确
49、CPU主要提供通用计算，适合复杂逻辑运算，其大部分晶体管实际上用于构建高速缓存(Cache)
正确
错误
解析：正确
50、同一个模型，推理比训练要求的硬件性能更高。
正确
错误
解析：错误
51、AI芯片不会针对矩阵运算做加速设计。
正确
错误
解析：错误
52、随着大模型技术发展，多模态大模型已经赋能机器人领域，它使机器人不仅能听懂人类指令，还能识别现实世界中的物体。
正确
错误
解析：正确
53、DeepSeek R1是一个基于transformer结构的多模态模型，和V2版本相比，其训练成本和推理速度都有很大的
提升。
正确
解析：错误
54、AI模型的智能程度取决于学习算法的能力，数据在其中的作用可以忽略。
正确
错误
解析：错误
55、大的模型在工业应用时，为了保证精度，模型应该越大越好。
正确
错误
解析：错误
56、某卷积层的输入通道数为 64，使用 128 个3x3的卷积核，且每个卷积核包含偏置项，则该层的可训练参数总数为_--。(请填写阿拉伯数字)
答案：73856
卷积层可训练参数总数的计算逻辑：每个卷积核的参数（权重 + 偏置）× 卷积核数量，具体步骤如下：
-
单个卷积核的参数计算：
- 权重参数：输入通道数 × 卷积核高度 × 卷积核宽度 = 64 × 3 × 3 = 576；
- 偏置参数：每个卷积核包含 1 个偏置项，即 1；
- 单个卷积核总参数：576 + 1 = 577。
-
总可训练参数计算：总参数 = 卷积核数量 × 单个卷积核参数 = 128 × 577 = 73856。
57、一个输入尺寸为28x28x1的图像，经过一个5x5卷积核、步长为1、无填充(padding=0)的卷积层后，输出特征图的空间尺寸为_x_(请填写阿拉伯数字)
答案：24 24
58、在MindSpore中，可以通过容器的方式创建神经网络，需要借助:mindspore.nn.
(请填写类名)
答案：SequentialCell
一张图片依次经过了以下网络结构;
conv1 = nn.Conv2d(in channels=3, out channels=32, kernel size=5, stride=1, padding=2)pool= nn.MaxPool2d(kernel size=2,stride=2, padding=0)conv2 = nn.Conv2d(in channels=32, out channels=64, kernel size=3, stride=1, padding=1)pool2 =nn.MaxPool2d(kernel size=2,stride=2, padding=0)flatten = nn.Flatten()
fc1 = nn.Linear(n,100)
假设输入图片的大小为28x28x3，n的值应该设置为。(请填写阿拉伯数字)
答案：3136
答案：3,4,5