题目内容
（请给出正确答案）
[单选题]
深度学习中如果神经网络的层数较多比较容易出现梯度消失问题，严格意义上来讲是在以下哪个环节出现梯度消失问题？（)
A.正向传播更新参数
B.正向传播计算结果
C.反向传播更新参数
D.反向传播计算结果
提问人：网友zytt123
发布时间：2022-01-07
如搜索结果不匹配，请 
B.反向传播更新参数
C.正向传播更新参数
D.正向传播计算结果
题目内容
（请给出正确答案）
您可能会需要：
安装简答题APP，拍照搜题省时又省心！
更多“深度学习中如果神经网络的层数较多比较容易出现梯度消失问题，严…”相关的问题
第2题
为什么在上RNN(循环神经网络)可以应用机器翻译将英语翻译成法语()
A、因为它可以被用做监督学习
点击查看答案
B、严格意义上它比卷积神经网络(CNN)效果更好
C、它比较适合用于当输入/输出是一个序列的时候(例如.一个单词序列)
D、RNNs代表递归过程.想法->编码->实验->想法->…
第3题
以下对循环神经网络的描述错误的是（ ）。
A、循环神经网络通常被用于处理序列数据
B、LSTM网络是对简单RNN网络的改进
C、循环神经网络不需要激活函数
D、循环神经网络中之前时间步的输出会影响后续时间步的输出
第5题
AlphAGo（阿尔法围棋程序）总体上由三个神经网络构成，以下把它们简单称为“两个大脑”。这只是一个比喻，在对弈时，这两个大脑是这样协同工作的：第一个大脑的简单模式会判断出在当前局面下有哪些走法值得考虑。第一个大脑的复杂模式通过蒙特卡洛树来展开各种走法，即所谓的“算棋”，以判断每种走法的优劣。在这个计算过程中，第二个大脑会协助第一个大脑通过判断局面来砍掉大量不值得深入考虑的分岔树，从而大大提高计算效率。与此同时，第二个大脑通过下一步棋导致的新局面的优劣也能给出关于下一步棋的建议。最后，两个大脑的建议被平均加权，做出最终的决定。其实，这两个大脑的工作方式确实和人类很相似，一个_____细部，一个_____全局。但AlphAGo最终结合两者的方式相当简单粗暴：让两者各自评估一下每种可能的优劣，然后取一个平均数，这可绝不是人类的思维方式。对人类来说，这两种思考问题方式的结合要复杂得多——不仅仅在围棋中是这样。人们并不总是同时对事态做出宏观和微观的判断，而是有时情绪、心理和潜意识的应激反应。这当然是人类不完美之处，但也是人类行为丰富性的源泉。为什么要让人工智能去下围棋？有很多理由。但在我看来最重要的一个，是能够让我们更深入地理解智能的本质。神经网络和机器学习在过去十年里跃进式的发展，确实让人工智能做到许多之前只有人脑才能做到的事，但这并不意味着人工智能的思维方式接近了人类。而且吊诡的是，人工智能在计算能力上的巨大进步，反而掩盖了它在学习人类思维方式上的短板。和国际象棋中的深蓝系统相比，AlphAGo已经和人类接近了许多，深蓝仍然依赖人类外部定义的价值函数，所以本质上只是个高效计算器。但AlphAGo的价值判断是自我习得的，这就有了人的影子，而且AlphAGo的进步依赖于海量的自我对局数目，这当然是它的长处，但也恰好说明它并未真正掌握人类的学习能力。一个人类棋手一生至少下几千局棋，就能掌握AlphAGo在几百万局棋中所训练出的判断力，这足以证明，人类学习过程中还有某种本质是暂时无法用当前的神经网络程序来刻画的。这当然不是说AlphAGo应该试图去复制一个人类棋手的大脑，但是AlphAGo的意义也不应该仅仅反映在它最终的棋力上。它是如何成长的？它的不同参数设置如何影响它的综合能力？如果有其他水平相当的人工智能和它反复对弈，它能否从对方身上“学到”和自我对弈不同的能力？对这些问题的研究和回答，恐怕比单纯观察它是否有朝一日能够超越人类重要得多。下列关于AlphAGo的说法与文意不符的是：
A.两个大脑的工作方式有很大差异
B.第二个大脑主要提高计算效率
C.两个大脑在工作中并不区分主次
D.最终决定综合两个大脑的计算结果
依次填入文中画横线处最恰当的一项是：A.研究 观察
B.判断 照顾
C.斟酌 掌控
D.着眼 纵览
作者认为，研究AlphAGo与棋手对弈的重要意义在于：A.帮助人类理解人的大脑究竟如何进行工作
B.帮助人类了解探讨大脑思维方式的短板
C.测试人工智能的思维能否最终战胜人类大脑
D.探究人工智能可以替代人脑做哪些具体工作
文章认为“两个大脑”与人类大脑根本的不同在于：A.人的大脑会受情绪心理等因素的干扰
B.人的大脑有时会出现考虑不周的情况
C.人脑对事物的思考要比电脑复杂得多
D.人脑对大局或者细部的侧重并不等同
下列最适合做文章标题的是：A.AlphAGo能战胜人脑吗
B.人工智能的未来
C.AlphAGo带来的思考
D.两个大脑的秘密
第7题
假设你有一个非常大的训练集合,如下机器学习算法中,你觉着有哪些是能够使用map-reduce框架并能将训练集划分到多台机器上进行并行训练的()
A、逻辑斯特回归(LR)，以及随机梯度下降(SGD)
点击查看答案
B、线性回归及批量梯度下降(BGD)
C、神经网络及批量梯度下降(BGD)
D、针对单条样本进行训练的在线学习
