微调预训练模型通常比从零训练需要更少的时间和数据。
人工智能通识基础 练习题
共 674 道题，以下仅展示题目与选项，供练习与学习使用。
想边做边批改、自动判分、收藏错题？
前往主站在线练习《人工智能通识基础》，获得完整学习体验。
前往 爱课堂 学习 →
GPU在深度学习中比CPU更有优势，主要是因为GPU的并行计算能力。
深度学习中，模型越深（层数越多），训练一定越困难。
Transformer架构完全不使用循环结构。
早停（Early Stopping）是一种防止过拟合的方法。
深度学习不需要特征工程。
自编码器可以用于异常检测。
深度学习只能在有标签数据的情况下训练。
PyTorch和TensorFlow都是开源的深度学习框架。
GAN可以生成逼真的图像。
深度学习模型的参数量通常比传统机器学习模型少。
学习率调度（Learning Rate Scheduling）有助于提高训练效果。
Transformer最初是为图像处理设计的。
使用预训练模型不需要任何领域知识。
深度学习在语音识别领域也有广泛应用。
目标检测只需要知道图像中有什么物体，不需要知道位置。
深度学习的「端到端」意味着不需要任何人工干预。
批量归一化可以帮助使用更大的学习率。
深度学习模型一旦训练完成就永远适用，不需要更新。
在数据量很少的情况下，迁移学习通常比从零训练效果更好。
本页仅提供题目与选项供学习参考，不含答案。如需系统练习、自动判分与错题本，欢迎前往主站《人工智能通识基础》在线练习。