题目内容
（请给出正确答案）
[单选题]
（）可以使神经网络模型拟合复杂函数的能力增加。
A.隐藏层层数增加
B.Dropout比例增加
C.增大学习率
D.增加训练轮数
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.隐藏层层数增加
B.Dropout比例增加
C.增大学习率
D.增加训练轮数
如果结果不匹配，请 联系老师 获取答案
更多“（）可以使神经网络模型拟合复杂函数的能力增加。”相关的问题
A.隐藏层层数增加，模型能力增加
B.Dropout的比例增加，模型能力增加
C.学习率增加，模型能力增加
D.都不正确
A.加入更多层，使神经网络的深度增加
B.有维度更高的数据
C.当这是一个图形识别的问题时
D.以上都不正确
A.根据人工经验随机赋值
B.搜索所有权重和偏差的组合，直到得到最佳值
C.赋予一个初始值，然后迭代更新权重，直至损失函数取得极小
D.下一层神经元继承上一层神经元的权重和偏差
A.L1范数：为x向量各个元素绝对值之和。
B.L2范数：为x向量各个元素平方和的1/2次方，L2范数又称Euclidean范数或Frobenius范数
C.L1范数可以使权值稀疏，方便特征提取
D.L2范数可以防止过拟合，提升模型的泛化能力。
A.全连接层的作用就是分类,全连接层的每一个节点都与上一层的所有节点相连接,将前一层的特征进行进一步组合
B.损失函数的作用是用来估算模型的预测值与实际值的差距的函数
C.卷积神经网络中的池化层又称为下采样层，该层的目的是降低特征图的维度，进而降低卷积神经网络的参数量,减少过拟合
D.卷积神经网络前面的各层是将图像的低维特征映射到抽象特征空间,全连接层则将抽象特征映射到样本标记空间中
A.感知机网络没有隐藏层
B.感知机网络是一种特殊的前馈神经网络
C.感知机网络具有一层隐藏层
D.感知机网络不能拟合复杂数据
A.BN主要解决深度神经网络各层输入的分布一致，增加训练过程的平衡
B.BN可以减少每个隐层神经元梯度的变化幅度
C.BN起到了减少过拟合的作用
D.BN一般位于隐层神经元的激活函数输出之后
A.标准BP算法每次仅针对一个训练样例更新连接权和阈值
B.BP神经网络经常遭遇过拟合
C.早停策略可用来缓解BP网络的过拟合问题
D.晚停策略可用来缓解BP网络的欠拟合问题
A.CNN中的全连接层常用softmax作为激活函数。
B.CNN中的池化层用于降低特征图维数，以避免过拟合。
C.CNN由卷积层、池化层和全连接层组成，常用于处理与图像有关的问题。
D.由于卷积核的大小一般是3*3或更大，因此卷积层得到的特征图像一定比原图像小。
