A、防止模型欠拟合而加在损失函数后面的一项$;$L1范数符合拉普拉斯分布，是完全可微的$;$L1正则化项是模型各个参数的平方和的开方值$;$L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
答案：D
A、防止模型欠拟合而加在损失函数后面的一项$;$L1范数符合拉普拉斯分布，是完全可微的$;$L1正则化项是模型各个参数的平方和的开方值$;$L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
答案：D
A. 循环神经网络可以根据时间轴展开$;$LSTM 无法解决梯度消失的问题$;$LSTM 也是一种循环神经网络$;$循环神经网络可以简写为 RNN
A. 增加网络深度$;$增加网络宽度$;$改善网络退化现象$;$轻量化网络模型
A. if$;$try$;$if-elif-else$;$if-else
A. merge$;$concat$;$pivot$;$pivot_table
A. rarp$;$route$;$ iptables$;$filter
A. 分类$;$聚类$;$概率$;$信息熵
A. 正确$;$错误
A. 支持向量机$;$决策树$;$神经网络$;$线性回归
