深度学习中如果神经网络的层数较多比较容易出现梯度消失问题，严格意义上来讲是在以下哪个环节出现梯度消失问题？（)

A.是层数较多的大规模神经网络

B.逐层抽象，发现数据集的特征

C.需要大规模并行计算能力的支持

D.需要大量样本进行训练

A.是层数较多的大规模神经网络

B.逐层抽象，发现数据集的特征

C.需要大规模并行计算能力的支持

D.需要大量样本进行训练

A.是层数较多的大规模神经网络

B.逐层抽象，发现数据集的特征

C.需要大规模并行计算能力的支持

D.需要大量样本进行训练

A.属于强人工智能。

B.层数越深,学习数据量越大,学习效果越好。

C.深度神经网络是依靠做定性分析来完成判断和预测。

D.无法还原非线性的复杂原函数。

A.隐藏层数适当诚少,神经网络的分辨能力不变

B.隐藏层数适当增加,神经网络的分辨能力越弱

C.隐藏层数适当增加，神经网络的分辨能力越强

D.隐藏层数适当减少,神经网络的分辨能力越强

A.加入更多层，使神经网络的层数增加

B.有维度更高的数据

C.当这是一个图形识别问题时

D.以上都不正确

A.深度学习模型的权重，偏差

B.深度学习的学习速率、人工神经网络的层数

C.深度学习的迭代次数

D.深度学习的每层神经元的个数

A.深度学习模型的权重，偏差

B.深度学习的学习速率、人工神经网络的层数

C.深度学习的迭代次数

D.深度学习的每层神经元的个数

A.如果参数较多，则容易导致过拟合。而减少参数有助于避免过拟合

B.参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上

C.可以允许一个特征检测器在整个输入图像的不同位置使用，即可以把参数看成是卷积提取特征的方式，该方式与位置无关

D.参数越多，才能避免过拟合，减少参数容易导致过拟合