在选择神经网络的深度时,下面哪些参数需要考虑()?1神经网络的类型(如MLP,CNN);2输入数据;3计算能力(硬件和软件能力决定);4学习速率;5映射的输出函数
A.1,2,4,5
B.2,3,4,5
C.都需要考虑
D.1,3,4
A.1,2,4,5
B.2,3,4,5
C.都需要考虑
D.1,3,4
A.AlexNet的网络结构和LeNet非常类似,但更深更大,并且使用了层叠的卷积层来获取特征
B.GoogLeNet的主要贡献是实现了一个bottleneck模块,能够显著地减少网络中参数的数量
C.ResNet使用了特殊的跳跃链接,大量使用了批量归一化,并在最后使用了全连接层
D.VGGNet的主要贡献是展示出网络的深度是算法优良性能的关键部分
A.正向传播更新参数
B.正向传播计算结果
C.反向传播更新参数
D.反向传播计算结果
A.用改良的网络结构比如LSTM和GRUs
B.梯度裁剪
C.Dropout
D.所有方法都不行
A.是否使用批量(batch)或小批量优化(mini-batchoptimization)
B.神经网络中局部最小值(鞍点)的存在性
C.拥有多大的计算能力
D.需要调整的超参数的数量
A.在制作时要根据需要选择不同风格的字体,字体的搭配要合理美观
B.字号的选择要大小适中,避免过大的字号造成松弛感
C.选取的图表和图形要轮廓明显,细节部分越多越好
D.标题、文、图和四周应留有适当的空白,便于突出主题,疏密相同
A.将数据分组部署在不同GPU上进行训练能提高深度神经网络的训练速度。
B.TensorFlow使用GPU训练好的模型,在执行推断任务时,也必须在GPU上运行。
C.将模型中的浮点数精度降低,例如使用float16代替float32,可以压缩训练好的模型的大小。
D.GPU所配置的显存的大小,对于在该GPU上训练的深度神经网络的复杂度、训练数据的批次规模等,都是一个无法忽视的影响因素
A.卷积神经网络、图形、实例分割
B.卷积神经、网络、图像语义分割
C.CNN图像、语义分割
D.卷积神经网络、图像、语义分割