A、在实际场景下，应尽量使用ADAM，避免使用SGD
B、同样的初始学习率情况下，ADAM的收敛速度总是快于SGD方法
C、相同超参数数量情况下，比起自适应的学习率调整方式，SGD加手动调节通常会取得更好效果
D、同样的初始学习率情况下，ADAM比SGD容易过拟合
答案：C
解析：相同超参数数量情况下，比起自适应的学习率调整方式，SGD加手动调节通常会取得更好效果
A、在实际场景下，应尽量使用ADAM，避免使用SGD
B、同样的初始学习率情况下，ADAM的收敛速度总是快于SGD方法
C、相同超参数数量情况下，比起自适应的学习率调整方式，SGD加手动调节通常会取得更好效果
D、同样的初始学习率情况下，ADAM比SGD容易过拟合
答案：C
解析：相同超参数数量情况下，比起自适应的学习率调整方式，SGD加手动调节通常会取得更好效果
A. 不断递归而衰退
B. 不断递归而增强
C. 先增强后减弱
D. 先减弱后增强
A. 新一代技术平台
B. 新一代信息技术和服务业态
C. 新一代服务业态
D. 新一代信息技术
A. 模型分类的召回率不变
B. 模型分类的召回率会升高
C. 模型分类准确率会升高或不变
D. 模型分类准确率降低
解析：准确率：即预测结果正确的百分比。精确率（查准率）：预测结果为正例样本中真实为正例的比例（查得准）。召回率（查全率）：真实为正例的样本中预测结果为正例的比例（查的全，对正样本的区分能力。F-score：在实践中，我们定义了新的指标去“综合”这两个指标。具体的定义如公式（3），从数学上来看，它其实是查准率与查全率的调和平均数。对于二元分类问题，F-score 综合考虑了预测结果的查准率和查全率，是一个比较好的评估指标。
A. LSTM是简化版的RNN
B. LSTM是双向的RNN
C. LSTM是多层的RNN
D. LSTM是RNN的扩展,通过特殊的结构设计来避免长期依赖问题
解析：LSTM是RNN的扩展,通过特殊的结构设计来避免长期依赖问题
A. 残差均值总是为零
B. 残差均值总是小于零
C. 残差均值总是大于零
D. 以上说法都不对
解析：线性回归分析中，目标是残差最小化。残差平方和是关于参数的函数，为了求残差极小值，令残差关于参数的偏导数为零，会得到残差和为零，即残差均值为零。
A. 数据优化
B. 数据增强
C. 模型集成
D. 引入参数范数惩罚项
解析：常见的机器学习模型正则化方法包含数据增强、模型集成、引入参数范数惩罚项
A. U-Net
B. DeepLab
C. ICNet
D. BERT
解析：BERT是自然语言模型
解析：错误
