LibraRCNN从（）几个角度论证并增强了两阶段检测模型
A. FPN特征
B. RPN结构
C. 正负样本采样
D. Loss
解析：见算法解析
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4769-4500-c07f-52a228da600d.html
点击查看答案
paddle.nn.Conv2D接口是用来搭建卷积神经网络中的哪个部分
A. 池化层
B. 激活函数
C. 卷积层
D. 归一化层
解析：二维卷积层（convolution2d layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算输出特征层大小。
https://www.shititong.cn/cha-kan/shiti/0005e9f0-78bb-6478-c07f-52a228da6004.html
点击查看答案
对于lstm = paddle.nn.LSTM(input_size=3, hidden_size=5, num_layers=2)，输入数据的形状可以是：
A. [10,5,3]
B. [5,10,3]
C. [3,5,10]
D. [3,10,5]
解析：lstm输入形状为[batch_size,time_steps,input_size]，即[..,..,3]
https://www.shititong.cn/cha-kan/shiti/0005e9f0-78bb-8f70-c07f-52a228da6002.html
点击查看答案
池化是使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出
解析：正确
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4769-6058-c07f-52a228da6007.html
点击查看答案
在任何时刻相同的值在内存中都只保留一份
https://www.shititong.cn/cha-kan/shiti/0005e9f0-78bb-a6e0-c07f-52a228da601f.html
点击查看答案
用搜索法对问题求解时，一个问题可以形式化地定义为四个组成部分，即：智能体的初始状态、后继函数、目标测试和（ ）
A. 功率
B. 路径代价
C. 算法
D. 完备性
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4768-feb0-c07f-52a228da601c.html
点击查看答案
卷积核尺寸一般是奇数
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4769-50b8-c07f-52a228da6031.html
点击查看答案
VGG网络在深度学习发展过程中做出了重要贡献，下面关于VGG描述正确的是：
A. VGG全部使用了3*3的卷积核和2*2的池化核
B. VGG证明了网络越深越好，所以程序员应该没有限制的搭建更深的网络
C. VGG是到目前为止分类效果最好的网络结构
D. VGG没有使用全连接网络结构
解析：VGG全部使用了3*3的卷积核和2*2的池化核
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4769-0680-c07f-52a228da6016.html
点击查看答案
下列不合法的Python变量名是
A. Python2
B. N.x
C. sum
D. Hello_World
解析：不可出现.
https://www.shititong.cn/cha-kan/shiti/0005e9f0-78bb-7800-c07f-52a228da6002.html
点击查看答案
哪些组件是BERT模型所采用的（）
A. BatchNorm
B. LayerNorm
C. 全连接层
D. 循环连接
解析：见算法解析
https://www.shititong.cn/cha-kan/shiti/0005e9f2-4769-3560-c07f-52a228da600a.html
点击查看答案
