学习的意思是为神经网络的所有层找到一组 值,使得该网络能够将每个示例输入X与其目标Y正确地一一对应。
A.数据
B.最优
C.权重
D.输入
- · 有3位网友选择 D,占比30%
- · 有3位网友选择 A,占比30%
- · 有2位网友选择 C,占比20%
- · 有2位网友选择 B,占比20%
A.数据
B.最优
C.权重
D.输入
A.人工神经网络主要由输入层、隐藏层和输出层组成。深度学习一般要求有多个隐藏层
B.卷积神经网络具有天然的网络权重值共享和网络局部稀疏性连接的特性,这种连接恰好也符合生物神经元的稀疏性响应特性
C.卷积神经网络有两个基本概念:权值共享和池化。权值共享使权值参数的个数减小;池化可以使特征图减小,简化计算
D.损失函数层的作用是用来估算模型的预测值与实际值的差距的函数,它是一个非负的实数值函数,它的值越小,反应该网络的数据拟合性能越好,也就是其结果越逼近原始输入数据
A.典型的卷积神经网络是由卷积层、池化层和全连接层等组成
B.卷积神经网络训练时学习的是每层神经元的值
C.AlexNet是一个8层的卷积神经网络
D.目标检测网络Yolo网络结构中包含卷积层
A.BP网络是一种前馈网络,其隐单元必须分层,又称为多层前馈网络
B.反向传播的目的是为了修改各层神经元的权值,使误差信号最小
C.正向传播是输入信息由输入层传至隐层,最终在输出层输出
D.BP神经网络学习算法最核心的三部分是权值调整、输出层连接权调整、隐层连接权调整
A.多层前向神经网络一般需要同一层神经元间相互连接
B.深度学习一般使用具有多个隐藏层的神经网络
C.训练神经网络的主要目的是学习神经元间的连接权值
D.卷积神经网络(CNN)可以逐层抽取数据特征实现自动特征学习
A.网络层数
B.目标函数
C.卷积矩阵(卷积核)
D.输入端和输出端的维数
A.如何给定问题的输入输出样本
B.如何确定BP神经网络的的学习方式
C.是否存在一个BP神经网络能够逼近给定的样本或者函数
D.如果调整BP神经网络的权值,如何使BP神经网络的输入与输出之间的关系与给定的样本相同
A.正向传播过程中,输入值经过隐含层的处理传向输出层
B.正向传播过程中,每层神经元状态影响本层和下一层的神经元
C.正向传播过程中,如果输出层得到的最终输出与期望输出不符,网络便会进行反向传播
D.反向传输过程中,通过修改各层各个节点对应的权值来更新神经网络
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!