A.PhotoElement
B.PhotoImage
C.PaintingImage
D.PictureElement
E.PictureObject

A.适合用于图形辨识
B.适合用于视频辨识
C.适合用于对话机器人
D.适合用于语音识别
E.适合用于理解文本（文章）

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

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