![](https://lstatic.shangxueba.com/jiandati/h5/images/m_q_title.png)
BP算法的意义不包括:
A.隐含层神经元可以直接直接观测其误差,也可以调整其权重
B.网络误差是由多层信号累积导致,BP算法将误差“分配”到各个层
C.从输出层开始,逐层调整自身权重
D.输出层得到误差信号之后,将该误差按照权重比例“反传”给上一层神经元
A.隐含层神经元可以直接直接观测其误差,也可以调整其权重
B.网络误差是由多层信号累积导致,BP算法将误差“分配”到各个层
C.从输出层开始,逐层调整自身权重
D.输出层得到误差信号之后,将该误差按照权重比例“反传”给上一层神经元
A、我们就可以使用感知器来学习样本,“感知”到两类样本的差别
B、不用学习,感知器就可以正确预测样本的类型
C、感知学习的过程,权重保持不变
D、感知器模型通过调整权重,所有样本都能激活神经元
A、对于一个样本,如果当前权重能够正确判断其类型,就减小当前权重
B、对于一个样本,如果当前权重不能够正确判断其类型,则惩罚当前权重,降低其比例
C、对权重的训练直到某个权重对所有样本均不产生错误,或者错误不再降低
D、对于一个样本,如果当前权重能够正确判断其类型,就提高其比例
A、具有多个输入端,每个输入端具相同的权重
B、神经元具有Sigmoid或者类似的可导激活函数
C、神经元能够根据误差信号,通过梯度下降法调整权重,实现学习
D、具有一个或多个输出端,输出端上的信号一致
A、同层神经元之间存在连接
B、在前馈神经网络FNN中,隐含层均为标准神经元,带有激活函数
C、隐含层,是指其中神经元的状态在输出端无法直接观测
D、隐含层输入的权重需要学习得到
A、是目前网络深度最深、应用最成功的深度学习模型
B、卷积神经网络模拟了人类视觉信息处理的过程
C、图像的卷积,很类似视觉皮层对图像进行某种特定功能的处理
D、模拟大脑的视觉处理过程就是卷积神经网络的思路
A、RNN是具有整体浅层结构,局部深层结构的网络
B、RNN整个网络的输入端仅接受1帧数据
C、添加了“时间”的概念,若干帧数据依次送入网络处理
D、添加“时间”之间的状态反馈
A、二者都认为每两次输入的信息之间不是独立的,每次接收到的输入信息与之前的信息都相关
B、从网络结构上来看,二者都是典型的前馈神经网络
C、输入层和输出层的维数是固定的,不能任意改变
D、二者适合处理的数据样本之间不存在相关性,满足独立性假设
A、一个深度学习模型可以仅依靠增加神经元数量,无限增加其内部记忆容量
B、记忆力机制的出现解决了网络容量问题
C、最简单的记忆力模型主要包含一系列的记忆单元和I,G,O,R四个模块
D、最简单的记忆力模型主要包含一系列的记忆单元和I,G,O,R四个模块
A、注意力机制是对深度学习的唯一实现方法
B、注意力机制解决了信息超载问题
C、注意力机制要确定信息源的焦点区域并提高焦点区域的分析能力,降低非焦点区域的消耗
D、标准Encoder-Decoder框架中的注意力机制模型是注意力不集中的分心模型
A、生成式模型模拟概率分布时,常用“后验分布”
B、用生成式模型根据少量样本来估计整个类型的概率特征是很困难的
C、判别式模型对问题本质缺乏了解,无法从个例中抽象出整体概念
D、生成对抗网络结合了生成模型和判别模型
为了保护您的账号安全,请在“简答题”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!