A.触发状态
B.隐藏状态
C.快取状态
D.回流状态
E.跳跃状态
您可能感兴趣的试卷
你可能感兴趣的试题
A.GeoffreyHinton
B.Kai-FuLee
C.YoshuaBengio
D.YangLeCun
E.AndrewNg
A.池化层会出现在每个隐藏层
B.池化层目的是做特征的题曲
C.池化层运做完会得到特征图（FeatureMap）
D.池化层可以取代卷积层
E.第一层的卷积运算是在做图像边缘或纹理的特征提取
A.Kai-FuLee
B.GeoffreyHinton
C.YoshuaBengio
D.YangLeCun
E.AndrewNg
A.RNN
B.CNN
C.FCNN
D.LSTM
E.GAN
A.以数学眼光来看CNN是NN的子集合
B.机器学习是深度学习的一种
C.人工智能是一种深度学习
D.深度学习通常隐藏层在百层以上的神经网络，这样才够深
E.CNN是一种有记忆的神经网络，会记得上一次的输入
A.神经网络调整参数的方式是一种前馈神经网络（FeedforwardNeuralNetwork）
B.学习率在迭代的参数调整过程中会固定不变
C.梯度下降是运用积分的技巧来达成
D.损失函数移动的方向跟梯度的方向相同
E.神经网络调整参数的顺序是从后面一层层往前调
A.损失函数是对每个输入的预测值与真实值的差异计算总和
B.透过梯度下降一定可以找到降低损失函数的最佳解
C.损失函数的变量是可以调整的参数
D.训练神经网络是透过参数的调整来降低损失函数
E.梯度下降是降低损失函数的一种算法
A.传统的神经网络是指全链接神经网络
B.全链接神经网络也叫标准神经网络
C.标准神经网络通常称为NN（neuralnetwork）
D.全链接神经网络的每个神经元都会跟前后层的神经元相连
E.每个神经元内部的计算架构都不一样
A.建构神经网络时需要知道最终的函数学习机长什么样子
B.打造一个神经网络的函数学习机是透过编程来达成
C.神经网络模型可分成输入层、表现层及输出层
D.神经网络模型可分成输入层、隐藏层及输出层
E.神经网络模型可分成输入层、激发层及输出层
A.判定树可以是多元树
B.判定树的起始点称为根节点
C.判定树是一种分群的机器学习技术
D.判定树上的内部节点代表一个特征值
E.判定树上的树叶就是代表一种分类结果
最新试题
循环神经网络是一种深度学习模型，主要应用于图像和视频等二维数据的处理。
卷积神经网络具有局部感知、参数共享和上采样等特点。
动态程序比对法、松弛比对法都属于对比识别的方法。
常见的分类器包括支持向量机（SVM）和随机森林（Random Forest）等。
几何特征抽取法和提取文字的一些特征无关。
特征填补属于缺失值处理的方法。
空洞卷积通过在标准卷积核中引入间隙来增加接受字段，而无需增加参数数量或使用池化层。
高斯核属于支持向量机常用的核函数。
在选择KNN的K参数时，以下说法是否正确：K越大越容易造成过拟合。
模型集成是指将多个模型组合在一起，以产生更准确、更稳定的预测结果的技术。模型集成通常用于机器学习中，特别是在分类和回归任务中。