题目
A.He初始化
B.dropout
C.batchnormalization
D.任意随机初始化
第1题
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
第2题
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
第5题
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
第7题
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
第9题
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
第10题
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
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!