Sigmoid函数容易导致梯度消失问题。
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 →
神经网络的隐藏层越多，效果一定越好。
ReLU在负区间的梯度为0，可能导致「神经元死亡」。
如果没有激活函数，多层神经网络就退化为一个线性模型。
卷积神经网络中的卷积核参数是通过训练学习得到的。
RNN可以处理变长序列数据。
池化层有可学习的参数。
反向传播算法是一种前向计算的方法。
LSTM是Long Short-Term Memory的缩写。
神经网络的输入层也进行计算操作。
全连接层中每个神经元只与上一层的部分神经元相连。
Dropout在模型推理（测试）阶段也会随机丢弃神经元。
CNN只能处理图像数据。
梯度裁剪可以缓解梯度爆炸问题。
神经网络的偏置项可以没有，不影响模型功能。
所有神经网络都需要使用反向传播进行训练。
学习率是神经网络训练中需要手动设置的超参数。
卷积操作中的步长（stride）只能为1。
最大池化选取池化窗口内的最大值作为输出。
GRU比LSTM的结构更简单。
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。