A、
神经网络的类型(如MLP,CNN)
B、输入数据
C、 计算能力(硬件和软件能力决定)
D、学习速率与映射的输出函数
答案:ABCD
解析:所有上述因素对于选择神经网络模型的深度都是重要的。特征抽取所需分层越多, 输入数据维度越高, 映射的输出函数非线性越复杂, 所需深度就越深. 另外为了达到最佳效果, 增加深度所带来的参数量增加, 也需要考虑硬件计算能力和学习速率以设计合理的训练时间。
A、
神经网络的类型(如MLP,CNN)
B、输入数据
C、 计算能力(硬件和软件能力决定)
D、学习速率与映射的输出函数
答案:ABCD
解析:所有上述因素对于选择神经网络模型的深度都是重要的。特征抽取所需分层越多, 输入数据维度越高, 映射的输出函数非线性越复杂, 所需深度就越深. 另外为了达到最佳效果, 增加深度所带来的参数量增加, 也需要考虑硬件计算能力和学习速率以设计合理的训练时间。
A. 标准差
B. 方差
C. 偏差
D. 平方差
解析:过拟合会出现高方差问题
A. 1
B. 2
C. 1和3
D. 2和4
A. 全连接层
B. 隐藏层
C. 卷积层
D. 池化层
A. 命名实体识别
B. 实体链接
C. 关系抽取
D. 词性标注
解析:知识图谱构建的不太利用词性标注
解析:正确
A. 从偏差-方差分解的角度看,Boosting主要关注降低偏差
B. 从偏差-方差分解的角度看,Bagging主要关注降低方差
C. 随机森林简单、容易实现、计算开销小
D. Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
解析:见算法解析
A. 字符串
B. 列表
C. 元组
D. 集合
解析:ABC都是Python中的序列,但set不是,set本身是无序且不重复的,因此,它不能够通过索引及切片进行访问。
A. 函数代码块以def关键词开头,后接函数标识符名称和圆括号()
B. 任何传入参数和自变量必须放在圆括号中间,在无参数和自变量时可省去圆括号
C. 函数的第一行语句可以选择性地使用文档字符串—用于存放函数说明
D. 函数内容以冒号起始,并且缩进。
A. 术语NoSQL是“No!SQL”的缩写
B. 术语NoSQL可以理解为“NotOnlySQL”的缩写
C. NoSQL数据库始终遵循ACID原则
D. NoSQL数据库属于关系数据库技术