A、r(A)>r(B)
B、r(A)=r(B)
C、r(A)<r(B)
D、无法判定r(A)与r(B)之间的关系
答案:B
解析:两矩阵可通过初等行变换互相转化,则秩相等
A、r(A)>r(B)
B、r(A)=r(B)
C、r(A)<r(B)
D、无法判定r(A)与r(B)之间的关系
答案:B
解析:两矩阵可通过初等行变换互相转化,则秩相等
A. 单一变量
B. 部分变量
C. 全部变量
D. 边缘变量
解析:边缘分布(Marginal Distribution)指在概率论和统计学的多维随机变量中,只包含其中部分变量的概率分布。
A. 数组元素可变,列表元素不可变
B. 以上都不对
C. 列表元素类型必须一致,数组可以不一致
D. 数组元素类型必须一致,列表可以不一致
A. 奇数
B. 偶数
C. 整数
D. 分数
解析:CNN卷积网络中,filter尺寸的选择多为奇数
A. Adam
B. Adagrad
C. SGD
D. Momentum
A. 95
B. 96
C. 97
D. 98
解析:首先我们应该知道卷积或者池化后大小的计算公式,其中,padding指的是向外扩展的边缘大小,而stride则是步长,即每次移动的长度。
这样一来就容易多了,首先长宽一般大,所以我们只需要计算一个维度即可,这样,经过第一次卷积后的大小为: 本题 (200-5+2*1)/2+1 为99.5,取99
经过第一次池化后的大小为: (99-3)/1+1 为97
经过第二次卷积后的大小为: (97-3+2*1)/1+1 为97
A. 内嵌 keras
B. 支持动态图
C. 自动求导
D. GPU 加速
A. 粗糙性
B. 模糊性
C. 不完全性
D. 时变性
解析:见算法解析
A. 特征稠密
B. 特征稀疏
C. 能够表征词与词之间的相互关系(相似度计算)
D. 泛化性更好,支持语义运算sim
解析:见算法解析
A. SSB
B. 聚类半径
C. SSE
D. 标准差
A. 有监督学习
B. 无监督学习
C. 强化学习
D. 深度学习
解析:无监督学习和强化学习不需要标注