6、前馈神经网络和卷积神经网络的模型学习均是通过误差后向传播来优化模型参数，因此是一种监督学习方法。

A.模型的隐藏层数目

B.激活函数中的参数

C.全连接层的链接权重

D.卷积滤波矩阵中的参数

A.全连接层的链接权重

B.卷积滤波矩阵中的参数

C.激活函数中的参数

D.模型的隐藏层数目

A.无监督学习

B.监督学习

C.无监督学习和监督学习的结合

D.半监督学习

A.卷积神经网络同时具备全连接神经网络和卷积运算的特点

B.卷积神经网络是一种前馈型神经网络

C.每个卷积层可包含多个卷积核来进行特征提取

D.卷积神经网络的特征提取阶段包括卷积层和池化层

A.卷积

B.全连接

C.池化

D.中断

A.BP神经网络是前馈神经网络

B.BP神经网络的参数权重值是由反向传播学习算法进行调整的

C.BP神经网络模型拓扑结构包括输入层、隐层和输出层

D.BP神经网络利用激活函数来实现从输出到输入的非线性映射

A.BP神经网络是前馈神经网络

B.BP神经网络的参数权重值是由反向传播学习算法进行调整的

C.BP神经网络模型拓扑结构包括输入层、隐层和输出层

D.BP神经网络利用激活函数来实现从输出到输入的非线性映射

A.是一种监督学习的方法

B.是一种端到端学习的方法

C.实现了非线性映射

D.隐藏层数目大小对学习性能影响不大