深度学习模型可以自动从数据中学习特征，不需要人工设计。
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 →
GAN中的生成器和判别器是合作关系。
迁移学习只能在完全相同的任务间进行。
深度学习模型的训练需要大量的计算资源。
数据增强可以创造训练数据中不存在的新信息。
ResNet的残差连接使梯度可以直接回传。
深度学习模型的可解释性比决策树好。
微调预训练模型通常比从零训练需要更少的时间和数据。
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。
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。