建議先看完影片在做題目，效果加倍https://youtu.be/yOfUsG1OJzo
問題 1 (中級)
------------------------------題目: 在卷積神經網路 (CNN) 中，Max Pooling 層如何處理反向傳播的梯度？
選項:
A) 將梯度均勻分配給所有參與池化的輸入單元。
B) 將梯度傳遞給在正向傳播中貢獻最大值的輸入單元。
C) 在反向傳播時，Max Pooling 層會被跳過，不進行梯度計算。
D) 將梯度分配給所有輸入單元，並根據其值大小加權。
答案: B) 將梯度傳遞給在正向傳播中貢獻最大值的輸入單元。
解析: Max Pooling 在正向傳播中只會選擇區域內的最大值。因此，在反向傳播時，梯度只會回傳給在該區域中產生最大值的那個神經元，其他非最大值的位置梯度為零。這有助於梯度傳播的穩定性。
問題 2 (中級)
------------------------------
題目: 考慮一個輸入影像尺寸為 64x64，使用一個卷積層 (kernel size = 3x3, stride = 1, padding = 'same') 後，再接一個 Max Pooling 層 (pool size = 2x2, stride = 2)。請問最終的輸出特徵圖尺寸為何？
選項:
A) 64x64
B) 32x32
C) 31x31
D) 16x16
答案: B) 32x32
解析: 首先，卷積層使用 'same' padding 且 stride=1，所以輸出尺寸與輸入尺寸相同，仍為 64x64。接著，Max Pooling 層使用 pool size = 2x2 且 stride = 2，其輸出尺寸計算公式為 (Input_size - Pool_size) / Stride + 1。因此，(64 - 2) / 2 + 1 = 31 + 1 = 32。所以輸出尺寸為 32x32。
問題 3 (中級)
------------------------------
題目: 在物件偵測中，為何 mAP (mean Average Precision) 通常比單純的 Accuracy 更能全面評估模型效能？
選項:
A) Accuracy只關注分類正確性，mAP則考慮了模型訓練的速度。
B) mAP考量了邊界框的精確度 (透過IoU) 和不同召回率下的精確率，而Accuracy僅判斷圖片中是否有目標。
C) Accuracy適用於所有影像任務，mAP僅適用於單一物件的偵測。
D) mAP可以直接計算模型的參數數量，Accuracy不能。
答案: B) mAP考量了邊界框的精確度 (透過IoU) 和不同召回率下的精確率，而Accuracy僅判斷圖片中是否有目標。
解析: mAP是一種綜合性指標，它不僅考慮了物件的分類正確性，還通過IoU來衡量預測邊界框的準確度，並進一步計算不同召回率閾值下的精確率，最後對所有類別取平均。這使得mAP能更全面地反映物件偵測模型在定位和分類上的表現。單純的Accuracy則無法捕捉定位的精確度問題，且在物件偵測任務中，通常會有多個物件，或背景遠大於物件，Accuracy會失真。
問題 4 (中級)
------------------------------
題目: 以下哪種CNN架構，主要透過引入「殘差區塊 (Residual Block)」來解決深度神經網路中的梯度消失問題，從而實現了極深的網路訓練？
選項:
A) LeNet-5
B) VGGNet
C) ResNet
D) AlexNet
答案: C) ResNet
解析: ResNet (Residual Network) 的核心創新是引入了殘差區塊，允許訊息跳過某些層直接傳遞到更深層次，有效解決了深度網路訓練時梯度消失和網路退化問題，使得模型可以達到數百層的深度。
問題 5 (中級)
------------------------------
題目: 一位AI應用規劃師在規劃智慧工廠的瑕疵檢測系統時，發現瑕疵樣本數量極少。若直接使用準確度 (Accuracy) 作為模型評估指標，可能會有什麼問題？
選項:
A) 準確度指標計算複雜，不適合即時監控。
B) 即使模型將所有產品都判斷為「無瑕疵」，準確度也可能很高，但模型會漏掉大量真瑕疵。
C) 準確度無法提供模型的執行速度資訊。
D) 準確度容易受到網路傳輸延遲的影響。
答案: B) 即使模型將所有產品都判斷為「無瑕疵」，準確度也可能很高，但模型會漏掉大量真瑕疵。
解析: 當類別分佈不平衡時（如瑕疵樣本極少），模型即使將所有樣本都判斷為數量佔優勢的「無瑕疵」類別，也能達到很高的準確度。然而，這會導致對關鍵的「瑕疵」類別的召回率（Recall）極低，意味著大量瑕疵被漏檢，這在瑕疵檢測場景是不可接受的。因此，在類別不平衡情況下，精確率、召回率、F1-分數或混淆矩陣是更合適的評估指標。
問題 6 (中級)
------------------------------
題目: IoU (Intersection over Union) 數值通常介於0到1之間，當IoU為0.5時，表示什麼？
選項:
A) 預測框與真實框沒有任何重疊。
B) 預測框與真實框完全重疊。
C) 預測框與真實框的交集面積是聯集面積的一半。
D) 模型預測的準確度為50%。
答案: C) 預測框與真實框的交集面積是聯集面積的一半。
解析: IoU是交集面積除以聯集面積。當IoU為0.5時，表示預測框與真實框的交集面積正好是它們聯集面積的一半。這是常用的一個閾值，用來判斷一個預測框是否足夠「好」或「正確」。
問題 7 (中級)
------------------------------
題目: 比較 YOLO (You Only Look Once) 和 Faster R-CNN，下列哪一項關於它們的描述是正確的？
選項:
A) YOLO 是兩階段偵測器，Faster R-CNN 是單階段偵測器。
B) Faster R-CNN 通常比 YOLO 速度更快，但精度較低。
C) YOLO 直接在單次前向傳播中完成邊界框預測和分類，而 Faster R-CNN 則需要區域提案網路。
D) 兩者在實例分割任務上表現相當。
答案: C) YOLO 直接在單次前向傳播中完成邊界框預測和分類，而 Faster R-CNN 則需要區域提案網路。
解析: YOLO是典型的單階段偵測器，強調速度；Faster R-CNN是兩階段偵測器，通過RPN生成區域提案，通常精度較高但速度較慢。因此選項C正確。選項A和B顛倒了兩者的特性，選項D兩者都不是專為實例分割設計的，Mask R-CNN才是。
問題 8 (中級)
------------------------------
題目: 在處理影像資料時，哪些CNN層具有降低維度、減少計算量、並提高模型對輸入影像平移不變性 (Translation Invariance) 的功能？
選項:
A) 卷積層 (Convolutional Layer)
B) 激活函數層 (Activation Function Layer)
C) 池化層 (Pooling Layer)
D) 全連接層 (Fully Connected Layer)
答案: C) 池化層 (Pooling Layer)
解析: 池化層（特別是Max Pooling）通過在局部區域內選擇最大值或計算平均值來進行下採樣，這不僅降低了特徵圖的維度，減少了後續層的計算量，也使得模型對輸入圖像中物體位置的輕微移動具有一定的魯棒性，即平移不變性。
問題 9 (中級)
------------------------------
題目: 一位醫學影像分析師希望利用AI模型精確找出腦部MRI影像中的腫瘤區域，並區分不同病患的腫瘤個體。他應該選擇哪種影像分割技術？
選項:
A) 物件偵測 (Object Detection)
B) 語義分割 (Semantic Segmentation)
C) 實例分割 (Instance Segmentation)
D) 影像分類 (Image Classification)
答案: C) 實例分割 (Instance Segmentation)
解析: 影像分類只能判斷影像中是否有腫瘤。語義分割能識別所有腫瘤的像素區域，但不會區分不同病患或不同個體的腫瘤。實例分割則能在像素級別上區分並標識出每個獨立的腫瘤實例，這對於需要精確量化和追蹤不同病患腫瘤的醫學應用至關重要。物件偵測僅能用邊界框框出腫瘤，不夠精確。
問題 10 (中級)
------------------------------
題目: 在物件偵測模型中，當Precision-Recall曲線下的面積 (AP) 越大，這代表什麼？
選項:
A) 模型的訓練速度越快。
B) 模型在不同召回率水平下都能保持較高的精確率，綜合性能越好。
C) 模型所需的計算資源越多。
D) 模型的過擬合問題越嚴重。
答案: B) 模型在不同召回率水平下都能保持較高的精確率，綜合性能越好。
解析: AP (Average Precision) 是Precision-Recall曲線下的面積，它綜合反映了模型在不同召回率閾值下的精確率表現。AP值越大，表示模型在召回更多真實目標的同時，其預測的精確率也能維持在較高水平，因此代表模型的綜合性能越好。
