假设神经网络最后一层使用了激活函数X，在给定某个输入后，输出为-0.1，X可能是以下哪一个激活函数

A.汇总后的输入信号如果高于阈值，则产生“激活”信号，否则仍基本维持原有水平

B.输入为实例的特征向量，由激活函数计算输出，输出为1、-1两个值

C.在输入端，神经元只接受来自一个信号源的输入信息

D.汇总、激活、输出

A.输入权向量

B.偏置量θ

C.网络结构

D.激活函数

A.在输入端，神经元只接受来自一个信号源的输入信息

B.感知器的信号处理分为四个部分：输入、汇总、激活、输出

C.输入为实例的特征向量，由激活函数计算输出，输出为1、-1两个值

D.汇总后的输入信号如果高于阈值，则产生“激活”信号，否则仍基本维持原有水平

A.神经网络可以实现非线性分类

B.神经网络可以实现线性分类

C.神经网络的每层神经元激活函数必须相同

D.神经网络的每层神经元激活函数值阈必须在[-1,1]

A.ReLU 函数的输出是非零中心化的， 给后一层的神经网络引入偏置偏移，会影响梯度下降的效率#B.ReLU 神经元在训练时比较容易“死亡”． 在训练时， 如果参数在一次不恰当的更新后， 第一个隐藏层中的某个 ReLU 神经元在所有的训练数据上都不能被激活， 那么这个神经元自身参数的梯度永远都会是0， 在以后的训练过程中永远不能被激活．#C.Leaky ReLU 在输入时，保持一个很小的梯度，这样当神经元非激活时也能有一个非零的梯度可以更新参数，这在一定程度上缓解了梯度消失问题#D.三个选项均正确

A.300

B.500

C.1

D.100

A.1

B.500

C.300

D.100