题目内容
(请给出正确答案)
[单选题]
下列的哪种方法可以用来降低深度学习模型的过拟合问题()。1增加更多的数据2使用数据扩增技术(dataaugmentation)3使用归纳性更好的架构4正规化数据5降低架构的复杂度。
A.145
B.123
C.1345
D.所有项目都有用
查看答案
如果结果不匹配,请 联系老师 获取答案
A.145
B.123
C.1345
D.所有项目都有用
A.梯度方向是函数值下降最快方向
B.梯度下降算法是一种使得损失函数最小化的方法
C.梯度下降算法用来优化深度学习模型的参数
D.梯度反方向是函数值下降最快方向
A.EM算法是常用的估计参数隐变量的利器
B.EM算法即是期望最大化算法
C.EM算法常被用来学习高斯混合模型的参数
D.EM算法是一种迭代式的方法
A.模型应该尽量接近真实,越细越好
B.各个阶段的模型深度不同,根据建模需求确定建模的详细程度
C.尽量简化模型,降低电脑硬件负荷
D.用于表达的建筑局部构造的节点,如过于复杂,可以单独创建节点模型
A.多层人工神经网络模型可以有很强的特征学习能力。
B.深度学习模型对原始数据有更本质的表达。
C.深度神经网络可以采用逐层训练方法进行优化。
D.训练时可以将上层训练好的结果作为下层训练过程中的初始化参数。
A.两者都是监督学习的方法
B.多项逻辑斯蒂回归模型也被称为softmax函数
C.两者都可被用来完成多类分类任务
D.逻辑斯帝回归是监督学习,多项逻辑斯蒂回归模型是非监督学习