下列关于深度学习说法错误的是（)

A.Xavier和HE初始化

B.梯度剪切、正则

C.非饱和激活函数

D.Batchnorm

A.如果训练样本量较大，可选用随机梯度下降(SGD)，它考虑历史梯度信息，更容易跳出局部极小值点

B.在高度非凸的深度网络优化过程，主要难点是鞍点

C.用无监督数据作分层预训练(Layer-wisePre-train)有助于解决梯度饱和问题

D.Sigmoid交叉熵损失函数适合于多标签学习，每一维彼此独立

A.减少了计算量

B.ResNet的梯度通过shortcut回到更早的层，缓解了网络因为深度增大导致的梯度消失

C.引入残差模块，简化了学习

D.改善了网络的特征获取能力

A.梯度方向是函数值下降最快方向

B.梯度下降算法是一种使得损失函数最小化的方法

C.梯度下降算法用来优化深度学习模型的参数

D.梯度反方向是函数值下降最快方向

A.增大学习率

B.减少网络深度(隐层个数)

C.skipconnection

D.减少通道数

A.速度梯度

B.温度梯度

C.浓度梯度

D.湿度梯度

E.质量梯度

A.A.梯度上升法

B.B.梯度下降法

C.C.梯度提升法

D.D.梯度曲线法

A.隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新

B.神经元处于Sigmoid等激活函数的饱和区工作，梯度值偏小

C.隐藏层神经元的个数太多导致

D.隐层的权重取值大容易导致梯度消失