题目
A.感知器的误差足够精确,权重能够快速收敛
B.学习率用于控制权重调整
C.感知器学习样本特征的过程在模型中体现为感知器权重的调整过程
D.感知器的信号处理分为“输入、汇总、激活、输出”四个部分
第1题
A.感知器的误差足够精确,权重能够快速收敛
B.学习率用于控制权重调整
C.感知器学习样本特征的过程在模型中体现为感知器权重的调整过程
D.感知器的信号处理分为“输入、汇总、激活、输出”四个部分
第2题
A.感知器模型中的激活函数是二值函数时,损失函数是可导的
B.感知器模型的关键,就是通过调整权重使一类样本可以激活神经元,而另一类则不会
C.权重调整采用“奖惩分明”策略,即对于能够准确判断样本类型的权重,提高当前权重比例,反之则降低当前权重比例
D.一层感知器只能针对线性可分的数据集分类,无法解决异或(XOR)问题
第3题
A.重调整采用“奖惩分明”策略,即对于能够准确判断样本类型的权重,提高当前权重比例,反之则降低当前权重比例
B.感知器模型的关键,就是通过调整权重使一类样本可以激活神经元,而另一类则不会
C.一层感知器只能针对线性可分的数据集分类,无法解决异或(XOR)问题
D.感知器模型中的激活函数是二值函数时,损失函数是可导的
第4题
A.我们就可以使用感知器来学习样本,“感知”到两类样本的差别
B.不用学习,感知器就可以正确预测样本的类型
C.感知学习的过程,权重保持不变
D.感知器模型通过调整权重,所有样本都能激活神经元
第5题
A.神经元感知器是一种简单的前馈式神经网络
B.神经元感知器可以接收n个输入,对应n个权重值
C.神经元感知器接收的n个输入对应n个偏置值
D.神经元感知器经过激活函数变换后输出结果
第6题
A.神经元感知器是一种简单的前馈式神经网络
B.神经元感知器可以接收n个输入,对应n个权重值
C.神经元感知器接收的n个输入对应n个偏置值
D.神经元感知器经过激活函数变换后输出结果
第7题
A.感知器是最简单的前馈式人工神经网络
B.感知器中的偏置只改变决策边界的位置
C.单层感知器可以用于处理非线性学习问题
D.可为感知器的输出值设置阈值使其用于处理分类问题
第8题
A.感知器模型的激活函数可导,可以通过梯度下降求解损失函数最小值
B.损失函数用于衡量当前权重在整个数据集上的总误差
C.标准神经元每个输入端具有不同的权重
D.Sigmoid函数是连续可导的,同时具有“两极分化”的特点
第9题
A.多层感知器网络在早期的发展中存在如何训练的问题
B.网络的层数多少和逼近能力呈正相关
C.隐层神经元的输出误差可以直接获取
D.BP网络中每个神经元学习的规则都是误差反馈学习
为了保护您的账号安全,请在“赏学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!