A.从理论上防止了梯度消失现象，使得恒等映射可以较为轻易地通过抑制W和b来获得
B.便于瓶颈层的学习
C.简化了网络架构
D.从理论上防止了过拟合现象，使得恒等映射可以较为轻易地通过抑制W和b来获得

A.AlexNet
B.VGG
C.ResNet
D.Inception

A.Network in Network
B.相同模块在多个位置复用
C.带填充的池化操作
D.多种不同尺度的卷积核

A.使用3×3卷积
B.添加分支网络
C.减少卷积核的数量
D.使用1×1卷积

A.采用统一的卷积核和池化运算
B.网络名称简洁明了
C.拥有VGG16和VGG19两种架构，非常灵活
D.易于训练

A.224是偶数，227是奇数
B.题中的尺寸与其公开代码中的尺寸不符
C.将输入图像尺寸设计为227×227×3，则无需填充和向下取整即可得到55×55的特征图

A.增大卷积步长、取消池化操作
B.减少卷积步长、进行池化操作
C.增大卷积步长、进行池化操作
D.减少卷积步长、取消池化操作

A.自适应梯度下降
B.稀疏连接
C.参数可学习
D.稠密连接

A.池化本身没有需要学习的参数
B.池化就是计算整个输入特征中的最大值，没有其他功能
C.池化就是计算整个输入特征的平均值，没有其他功能

A.
B.
C.
D.