若要识别电力表计（如变压器油位表），一般情况选择（）网络。

A. 元素 $;$像素 $;$特征 $;$部件

A. 正向推理 $;$反向推理 $;$双向推理

A. 反向传播只能在前馈神经网络中运用$;$反向传播可以结合梯度下降算法更新网络权重$;$反向传播会经过激活函数$;$反向传播指的是误差通过网络反向传播

A. 通用性$;$准确性$;$稳定性$;$确定性

A. HDFS$;$Hadoop$;$Memory$;$MapReduce

A. 避免单学习器可能因误选而导致泛化性能不佳$;$降低陷入局部极小点的风险$;$假设空间扩大，有可能学得更好的近似$;$多学习器结合有可能冲突

A. 布尔型 $;$整型 $;$字符串型 $;$浮点型

A. 需要大规模算力和海量数据资源支持$;$需要研究人员对相关研究领域的数据有深刻理解$;$大规模预训练模型存在隐私数据的提取问题$;$大规模预训练语言模型在深层次的语言理解方面存在差距