A、LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题
B、CNN相比于全连接的优势之一是模型复杂度低,缓解过拟合
C、只要参数设置合理,深度学习的效果至少应优于随机算法
D、随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
答案:C
解析:只要参数设置合理,深度学习的效果至不一定优于随机算法
A、LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题
B、CNN相比于全连接的优势之一是模型复杂度低,缓解过拟合
C、只要参数设置合理,深度学习的效果至少应优于随机算法
D、随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
答案:C
解析:只要参数设置合理,深度学习的效果至不一定优于随机算法
A. 加大政策支持力度
B. 加强专业人才培养
C. 推进商业化应用落地
D. 建设产业发展基地
解析:主要应用
A. 减少模型复杂度
B. 增加正则化项
C. L1范数或L2范数
D. 使用特征选择算法
A. 求解目标函数
B. 得到最优数据样本
C. 找到最合适数据的参数
D. 改变目标函数分布
A. 神经计算
B. 进化计算
C. 免疫计算
D. 蚁群算法
解析:见算法解析
A. 给定标签
B. 离散
C. 分类
D. 回归
解析:在监督学习中,预测变量离散,称为分类,预测变量连续,称为回归,两者本质一样,都是对输入做预测,不过分类输出的是物体所属的类别,回归输出的是物体的值。答案选D
A. 假设检验
B. 逻辑分析
C. 方差分析
D. 回归分析
A. 预测
B. 回归
C. 分类
D. 聚类
A. 原始矩阵的元素是非负数
B. 分解后矩阵的元素是非负数
C. 分解后矩阵的元素可以是负数
D. 没有“潜在语义空间的每一个维度都是正交的”这一约束条件
解析:正确