哪个权重的取值或调整方法不能改善卷积神经网络的训练和性能（)？

A.使用增加训练次数的方法不一定可以减少代价函数的取值

B.神经网络权重的初始化大小会对网络的训练结果无影响

C.对神经网络训练的优化需要综合考虑激活函数、网络结构、权重更新方法等多种因素

D.分析问题确定后，神经网络合适的结构就可以确定

A.没有任何问题，神经网络模型将正常训练

B.神经网络模型可以训练，但所有的神经元最终将识别同样的事情

C.神经网络模型不会进行训练，因为没有净梯度变化

D.这些均不会发生

A.共享权重

B.dropout

C.Relu激活函数和重叠池化

D.双GPU训练(分组卷积)

A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

B.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

C.舍弃了R-CNN的多尺度池化，提高了算法的速度

D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

A.获取更多训练数据

B.减少网络容量

C.添加权重正规化

D.添加dropout

A.卷积神经网络、图形、实例分割

B.卷积神经、网络、图像语义分割

C.CNN图像、语义分割

D.卷积神经网络、图像、语义分割

A.卷积矩阵(卷积核)

B.网络层数

C.目标函数

D.输入端和输出端的维数

A.增加可调整参数的隐层数目

B.使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强

C.采用小卷积核，提高通道的个数

D.增强特征获取能力对样本按照一定的方式排序