A、线性回归
B、卷积神经网络
C、循环神经网络
D、LSTM
答案：ABCD
解析：见算法解析
A、线性回归
B、卷积神经网络
C、循环神经网络
D、LSTM
答案：ABCD
解析：见算法解析
A. 对问题搜索空间极大
B. 易收敛
C. 稳定性低
D. 不易融合专家知识
解析：主要应用
A. 2016
B. 2017
C. 2018
D. 2019
解析：正确
A. 某点处的梯度方向就是该点处函数值增长最快的方向
B. 标量场的梯度也是标量场
C. 某点处的梯度方向就是过该点的等值面的法向矢量
D. 某点处的梯度大小是指标量函数u在该点处的最大变化率
解析：标量场的梯度是矢量场
A. k-means
B. SVM
C. 最大熵
D. CRF
A. 大小和旋转
B. 大小
C. 旋转
D. 缩放
解析：SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。
A. 卷积神经网络的层次结构依次是由输入层、卷积层、激活层、池化层和全连接层组成。
B. 卷积神经网络的层次结构依次是由输入层、激活层、卷积层、池化层和全连接层组成。
C. 卷积神经网络的层次结构依次是由输入层、卷积层、池化层、激活层和全连接层组成。
D. 卷积神经网络的层次结构依次是由输入层、池化层、卷积层、激活层和全连接层组成。
解析：卷积神经网络的层次结构依次是由输入层、卷积层、激活层、池化层和全连接层组成。
A. 曼哈顿距离
B. 切比雪夫距离
C. 欧式距离
D. 闵氏距离
解析：欧氏距离可用于任何空间的距离计算问题。因为，数据点可以存在于任何空间，欧氏距离是更可行的选择。
A. 朴素贝叶斯
B. 隐马尔科夫模型
C. 线性回归模型
D. 深度信念网络
