以下关于神经网络的说法错误的是()。
A.递归神经网络不允许网络中出现环形结构
B.减少神经网络层数,可能会降低测试集分类错误率
C.循环神经网络适合处理序列数据
D.卷积神经网络可以应用于图像分类
A.递归神经网络不允许网络中出现环形结构
B.减少神经网络层数,可能会降低测试集分类错误率
C.循环神经网络适合处理序列数据
D.卷积神经网络可以应用于图像分类
A.卷积神经网络可以包含卷积层,池化层和全连接层
B.卷积核不可以用来提取图片全局特征
C.在处理图片时,是以扫描窗口的方式对图像做卷积
D.常见的池化层有最大池化与平均池化
A.通过正则化可以减少网络参数的个数,一定程度可能增加过拟合
B.利用L1或L2正则化可以使权重衰减,从而一定程度上减少过拟合
C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量
D.通过增加数据扰动的数据增强减少了神经网络的过拟合
A.①
B.①③
C.①②
D.②
A.Word2vec是无监督学习
B.Word2vec利用当前特征词上下文信息实现词向量编码,是语言模型的副产品
C.Word2vec能够表示词汇之间的语义相关性
D.Word2vec没有使用完全的深度神经网络
E.Word2vec可以采用负采样的技术在大词表上优化计算
A.计算机视觉领域中,人脸识别、物体识别、物体目标检测等方向已经在人们的生活中得到了广泛的应用
B.计算机视觉目前仍然使用的还是二维图像,尤其神经网络算法中的数据集全部都是二维图片
C.计算机视觉是人工智能目前应用最广泛的领域之一
D.人脸识别领域、火车身份认证,手机屏幕解锁等应用的是模式识别技术,并未涉及计算机视觉
A.RNN的隐层神经元的输入包括其历史各个时间点的输出
B.RNN比较擅长处理时序数据,例如文本的分析
C.在各个时间点,RNN的输入层与隐层之间、隐层与输出层之间以及相邻时间点之间的隐层权重是共享的,因为不同时刻对应同一个网络
D.RNN的损失函数度量所有时刻的输入与理想输出的差异,需要使用梯度下降法调整参数不断降低损失函数