A、MLE中加入了模型参数本身的概率分布
B、MLE认为模型参数本身概率是不均匀的
C、MLE体现了贝叶斯认为参数也是随机变量的观点
D、MLE是指找出一组参数，使得模型产生出观测数据的概率最大
答案：D
A、MLE中加入了模型参数本身的概率分布
B、MLE认为模型参数本身概率是不均匀的
C、MLE体现了贝叶斯认为参数也是随机变量的观点
D、MLE是指找出一组参数，使得模型产生出观测数据的概率最大
答案：D
A. 数据处理
B. 网络定义
C. 网络训练
D. 网络评估
解析：基础知识
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]
A. 降低学习率，减少迭代次数
B.
降低学习率，增加迭代次数
C.
提高学习率，增加迭代次数
D.
增加学习率，减少迭代次数
A. 减少深层网络的梯度消失问题
B. 特种的重用
C. 模型参数明显增加
D. 增强特征的获取能力
解析：考察ResNet理解
解析：小得多
A. 根据特征向量X计算样本之间的相似性，选择离中心点最相似的k个样本
B. k近邻既可以用于分类，也可以用于回归
C. k近邻用于分类时，对于新的样本，计算离其最近的k个样本的平均值，作为新样本的预测值
D. k近邻用于分类时，对于新的样本，根据其k个最近邻样本的类别，通过多数表决的方式预测新样本的类别
解析：基础概念
A. 空洞卷积
B. 黑洞卷积
C. 细节卷积
D. 返向卷积
解析：见算法解析
A. k 值并不是越大越好，k 值过大，会降低运算速度
B. 选择更大的 k 值，会让偏差更小，因为 k 值越大，训练集越接近整个训练样本
C. 选择合适的 k 值，能减小验方差
D. k 折交叉验证能够有效提高模型的学习能力
