A、不同的神经网络结构，层数与神经元数量正相关，层数越多，神经元数量越多
B、 网络结构的层次越深，其学习特征越多，10层的结构要优于5层结构
C、深层网络结构中，学习到的特征一般与神经元的参数量有关，也与样本的特征多少有关
D、网络的层次越深，其训练时间越久，5层的网络比4层的训练时间长
答案：C
解析：不同训练数据集的神经网络结构的最优层数不同，并非层数越深效果越好，训练时间除了与层数有关以外，batchsize大小、学习率、衰减方式等都有很大影响，神经元的数量并不一定与层数正相关
A、不同的神经网络结构，层数与神经元数量正相关，层数越多，神经元数量越多
B、 网络结构的层次越深，其学习特征越多，10层的结构要优于5层结构
C、深层网络结构中，学习到的特征一般与神经元的参数量有关，也与样本的特征多少有关
D、网络的层次越深，其训练时间越久，5层的网络比4层的训练时间长
答案：C
解析：不同训练数据集的神经网络结构的最优层数不同，并非层数越深效果越好，训练时间除了与层数有关以外，batchsize大小、学习率、衰减方式等都有很大影响，神经元的数量并不一定与层数正相关
A. 电力知识图谱
B. 电力智能问答
C. 电力智能巡检
D. 电力智能客服
解析：主要应用
A. 高通
B. 英特尔
C. AMD
D. 英伟达
解析：错误
A. var=var.to("cuda:0")、var=var.to("cuda:1")@var=var.to("cuda:1")@var=var.cuda()、var=var.to("cuda:0")@var=var.cuda()、var=var.to("cuda:1")
B. var=var.to("cuda:1")@var=var.cuda()、var=var.to("cuda:0")@var=var.cuda()、var=var.to("cuda:1")
C. var=var.cuda()、var=var.to("cuda:0")@var=var.cuda()、var=var.to("cuda:1")
D. var=var.cuda()、var=var.to("cuda:1")
解析：在pytorch中，cuda()实现数据到GPU转移。
A. 词向量
B. 词相量
C. 变长
D. 定长
解析：见算法解析
A. ①和②都错误
B. ①正确，②错误
C. ①错误，②正确
D. ①和②都正确
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
解析：正确
解析：正确
