[
    {
        "type": "text",
        "text": "测验：牛顿法与优化进阶",
        "text_level": 1,
        "bbox": [
            90,
            61,
            391,
            83
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "共 30 题",
        "bbox": [
            90,
            95,
            164,
            110
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "1. 优化问题里，牛顿法本质上是在求什么的根？\nA. $f(x)=0$ B. $f'(x)=0$ C. $f''(x)=0$ D. 积分=0",
        "bbox": [
            90,
            126,
            485,
            250
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "2. 一维优化牛顿法的迭代公式是?\nA. $x_{n+1}=x_{n}-f(x_{n})/f'(x_{n})$ B. $x_{n+1}=x_{n}-f'(x_{n})/f''(x_{n})$ C. $x_{n+1}=x_{n}-\\eta f'(x_{n})$ D. $x_{n+1}=x_{n}+f'(x_{n})/f''(x_{n})$",
        "bbox": [
            89,
            273,
            379,
            397
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "3. 多维优化牛顿法写作 $x \\leftarrow x - H^{-1} \\cdot$ 梯度， $H$ 是什么？A. 雅可比矩阵B. Hessian（二阶偏导矩阵）C. 协方差矩阵D. 单位矩阵",
        "bbox": [
            84,
            418,
            566,
            542
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "4. 对二次函数 $f(x) = (x - 3)^2 + 1$ ，从 $x_0 = 0$ 出发，牛顿法几步到最小值？A. 1步B. 约20步C. 不收敛D. 取决于学习率",
        "bbox": [
            89,
            565,
            668,
            690
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "5. 梯度下降是一阶方法，牛顿法是？\nA. 零阶（只用 f）\nB. 一阶\nC. 二阶（用到 Hessian）\nD. 三阶",
        "bbox": [
            90,
            711,
            394,
            835
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "6. 牛顿法在根（或非退化极小）附近的局部收敛速度是？A. 线性B. 二阶（误差近似平方）",
        "bbox": [
            90,
            856,
            559,
            928
        ],
        "page_idx": 0
    },
    {
        "type": "text",
        "text": "C. 永不收敛  \nD. 与 $\\eta$ 相同",
        "bbox": [
            117,
            60,
            243,
            103
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "7. Hessian 正定，对应驻点的几何是？\nA. 局部极小（碗）\nB. 局部极大（倒碗）\nC. 鞍点（马鞍）\nD. 无法判断",
        "bbox": [
            90,
            126,
            413,
            250
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "8. Hessian 有正有负特征值时，驻点是？\nA. 全局最小\nB. 鞍点\nC. 一定发散\nD. 一定是极大",
        "bbox": [
            90,
            273,
            431,
            397
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "9. $f(x, y) = x^{2} - y^{2}$ 在原点处，牛顿法一步会到哪里？A. 某个极小值B. 原点（鞍点）C. 无穷远D. 随机",
        "bbox": [
            84,
            418,
            510,
            543
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "10. 同一函数上，梯度下降从鞍点附近出发通常会怎样？\nA. 同样停在鞍点\nB. 沿负曲率方向滑走\nC. 一定到全局最小\nD. 立刻发散到 NaN",
        "bbox": [
            90,
            565,
            549,
            689
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "11. 病态山谷（狭长等高线）里，梯度下降常见现象是？\nA. 一步到位\nB. 之字形振荡\nC. 自动选对学习率\nD. 不需要迭代",
        "bbox": [
            90,
            711,
            549,
            835
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "12. 精确牛顿法（α=1）对线性坐标缩放为什么相对不敏感？\nA. 它不用导数\nB. Hessian 把各方向曲率编进步长",
        "bbox": [
            92,
            856,
            588,
            927
        ],
        "page_idx": 1
    },
    {
        "type": "text",
        "text": "C. 随机性抵消缩放  \nD. 只用到符号",
        "bbox": [
            115,
            60,
            280,
            103
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "13. 阻尼牛顿与纯牛顿的差别是?\nA. 不用 Hessian\nB. 步长 $\\alpha \\leqslant 1$ ，可能缩小牛顿步\nC. 改成随机梯度\nD. 只用一阶",
        "bbox": [
            92,
            126,
            391,
            250
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "14. Levenberg-Marquardt 在 H 上加 $\\lambda I$ 的作用是？A. 把牛顿和梯度下降连起来B. 计算特征值C. 做正则化分类D. 替代损失",
        "bbox": [
            90,
            273,
            532,
            397
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "15. 拟牛顿（如 BFGS）的核心想法是？\nA. 随机丢弃梯度\nB. 不真算 Hessian，用梯度差估曲率\nC. 只做坐标下降\nD. 改用积分",
        "bbox": [
            87,
            418,
            428,
            543
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "16. 一维拟牛顿对应的古典方法是?\nA. 二分法\nB. 割线法（用差商代 f'）\nC. 蒙特卡洛\nD. FFT",
        "bbox": [
            90,
            565,
            384,
            690
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "17. L-BFGS 相对 BFGS 主要省了什么?\nA. 省梯度\nB. 不存 $n \\times n$ 矩阵，只记最近 m 对向量\nC. 省掉线搜索\nD. 变成一阶",
        "bbox": [
            92,
            712,
            455,
            835
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "18. 深度学习训练很少用纯牛顿法，首要原因是？A. 牛顿法数学错误B. Hessian 太大，存/求逆代价过高",
        "bbox": [
            92,
            857,
            495,
            928
        ],
        "page_idx": 2
    },
    {
        "type": "text",
        "text": "C. 牛顿法不能并行\nD. GPU 不支持二阶导",
        "bbox": [
            115,
            60,
            300,
            102
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "19. Adam 算二阶优化方法吗？\nA. 算，因为它用了二阶矩\nB. 不算，没有 Hessian，仍是自适应一阶\nC. 算，等价于 BFGS\nD. 不算，它是零阶",
        "bbox": [
            90,
            127,
            468,
            250
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "20. BFGS 四个字母来自？\nA. 四个超参数\nB. 四位提出者的姓氏首字母\nC. 矩阵分解步骤\nD. 贝叶斯公式",
        "bbox": [
            90,
            273,
            354,
            395
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "21. 牛顿步里若某步 $f''(x_n) = 0$ ，正确处理是？A.除以0继续B.改用梯度步或 $H + \\lambda I$ C.立刻判定已收敛D.把学习率乘10",
        "bbox": [
            85,
            418,
            475,
            543
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "22. $f(x) = x^4 / 4 - x^2 / 2$ 的驻点中， $x = 0$ 是？\nA. 全局最小\nB. 局部极大\nC. 不是驻点\nD. 鞍点且 $f' > 0$",
        "bbox": [
            90,
            565,
            431,
            689
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "23. 从 $x_0 = 0.1$ 对上题做牛顿法，更可能冲向？A. $x = 1$ B. $x = 0$ （极大）C. $x = 100$ D. 随机",
        "bbox": [
            90,
            711,
            475,
            835
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "24. sklearn 逻辑回归 solver='lbfgs' 属于?\nA. 纯 SGD\nB. 有限内存拟牛顿",
        "bbox": [
            90,
            857,
            477,
            927
        ],
        "page_idx": 3
    },
    {
        "type": "text",
        "text": "C. 牛顿-共轭梯度的别名\nD. 遗传算法",
        "bbox": [
            115,
            60,
            324,
            102
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "25. 牛顿每一步都要解 $H \\mathrm{d} = -$ 梯度。这和后面哪一课直接衔接？A. 排列组合B. 线性方程组与高斯消元C. 贝叶斯D. 图论",
        "bbox": [
            90,
            127,
            623,
            250
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "26. 「二次收敛」的直观理解，哪句正确？\nA. 每步误差减半\nB. 误差大约变成上次误差的平方\nC. 步数必须是 2 的幂\nD. 学习率必须是 0.2",
        "bbox": [
            90,
            273,
            440,
            395
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "27. 为什么 mini-batch 训练更不适合精确牛顿?\nA. batch 没有梯度\nB. 噪声梯度让 Hessian 估计更不稳定\nC. batch 一定非凸\nD. GPU 算不了矩阵",
        "bbox": [
            85,
            418,
            495,
            542
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "28. 拟牛顿要求近似矩阵 B 尽量保持正定，是为了？\nA. 让步长必须为 1\nB. 保证搜索方向是下降方向\nC. 让特征值全为负\nD. 减少内存",
        "bbox": [
            90,
            565,
            522,
            689
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "29. 相机标定、Bundle Adjustment 里常用的高斯牛顿 / LM，本质是？\nA. 随机搜索\nB. 最小二乘上的牛顿类方法\nC. 纯 Adam\nD. 离散枚举",
        "bbox": [
            90,
            711,
            675,
            835
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "30. 下列哪句概括今天最准确？\nA. 牛顿法已过时，不必学\nB. 牛顿用法是曲率；问题太大就估曲率或退回一阶",
        "bbox": [
            90,
            857,
            539,
            927
        ],
        "page_idx": 4
    },
    {
        "type": "text",
        "text": "C.所有机器学习都必须用牛顿D.Hessian正定等于全局最优",
        "bbox": [
            117,
            60,
            374,
            103
        ],
        "page_idx": 5
    }
]