A、 L1正则化可以做特征选择
B、 L1和L2正则化均可做特征选择
C、 L2正则化可以做特征选择
D、 L1和L2正则化均不可做特征选择
答案：A
解析：解析:L1正则化通常更适用于特征选择,而L2正则化通常更适用于参数平滑。同时,也可以将L1和L2正则化结合使用,以获得更好的效果
A、 L1正则化可以做特征选择
B、 L1和L2正则化均可做特征选择
C、 L2正则化可以做特征选择
D、 L1和L2正则化均不可做特征选择
答案：A
解析：解析:L1正则化通常更适用于特征选择,而L2正则化通常更适用于参数平滑。同时,也可以将L1和L2正则化结合使用,以获得更好的效果
A. HiAIEngine
B. HiAIFoundation
C. HiAIFramework
D. HiAIService
A. 模型部署与整合
B. 模型评估测试
C. 模型报告撰写
D. 业务目标分析
解析：解析:业务目标分析、数据采集与处理、特征工程、模型选择与训练、模型评估测试、模型部署与整合、模型监控与维护等步骤
A. 加快算法收敛速度
B. 减少手工参数的设置难度
C. 避免过拟合问题
D. 避过局部极值
A. TRUE
B. FALSE
A. 11Reduce,数据驱动方法自主A11Reduce,无控制开销
B. 超强芯片算力下模型执行的挑战:内存墙问题、交互开销大、数据供给难。部分在Host执行,部分在Device执行,交互开销甚至远大于执行开销,导致加速器占用率低
C. MindSpore通过面向芯片的深度图优化技术,同步等待少,最大化“数据计算通信”的并行度,训练性能相比Host侧图调度方式持平
D. 超强芯片算力下分布式梯度聚合的挑战:ReslNet50单迭代20ms时间时会产生中心控制的同步开销和频繁同步的通信开销。传统方法需要3次同步完成
A. aac
B. txt
C. wav
D. mp3
A. 二次代价函数关心目标输出和实际输出之间的“距离”
B. 二次代价函数更多得用于分类问题,而交叉嫡代价函数一股用于回归问题
C. 交叉嫡代价函数刻画了两个概率分布之间的距离
D. 训练的目的是使得损失函数达到最小
解析：解析:说反了
A. 数据标准化
B. 数据可视化
C. 数据降维
D. 数据清理
