多层网络全部初始化为0，会使梯度为0或各层相同，相当于浅层网络。

在神经网络中ReLU永远不会饱和。

将Sigmoid激活函数改为ReLU，将有助于克服梯度消失的问题。

与普通反向传播不同的是，随时间的反向传播算法会在每个时间步长内叠加所有对应权重的梯度。

一个不包含非线性的神经元可以看作是线性回归函数。

增加卷积核的大小对于改进卷积神经网络的效果是必要的。

单计算层感知器只能解决线性可分问题。

在大多数欧洲国家，电视和影像系统都使用的是（）帧为—秒的帧频（fps）。

梯度为0的点只能是局部极小点或局部极大点。

GAN只能用于深度神经网络。