题目内容
（请给出正确答案）
[多选题]
关于神经网络，下列说法正确的是（）。
A.增加网络层数，可能会增加测试集分类错误率
B.增加网络层数，一定会增加训练集分类错误率
C.减少网络层数，可能会减少测试集分类错误率
D.减少网络层数，一定会减少训练集分类错误率
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.增加网络层数，可能会增加测试集分类错误率
B.增加网络层数，一定会增加训练集分类错误率
C.减少网络层数，可能会减少测试集分类错误率
D.减少网络层数，一定会减少训练集分类错误率
如果结果不匹配，请 联系老师 获取答案
更多“关于神经网络，下列说法正确的是（）。”相关的问题
A.BP神经网络的训练过程中，先进行后向传播再进行前向传播
B.通过损失函数对后向传播结果进行判定
C.通过前向传播过程对权重参数进行修正
D.训练过程中权值参数的运算量很大，一般采用梯度下降法
A.神经网络的工作原理与生物体内的神经元是完全一样的
B.训练神经网络的实质是对复杂函数求参数最优解的过程
C.增加神经网络的层数和增加每层的神经元个数的效果是一样的
D.神经网络只能进行二分类，不能进行更多种类的分类了
A.CNN和RNN都属于神经网络，因此二者的训练方式完全一致，均采用BP算法。
B.CNN和RNN都采用了权值共享机制以减少网络中的参数量。
C.在同一个网络中，CNN结构和RNN结构不能同时使用。
D.CNN适用于图像处理，而RNN适用于序列数据处理。
A.对激活函数的输出结果进行范围限定，有助于梯度平稳下降，而ReLU输出范围无限的函数会导致梯度消失问题
B.ReLU函数中所有负值均被截断为结果0，从而导致特征丢失，可适当调高学习率避免此类情况
C.RMSProp学习率调整策略引入累积梯度的概念，从而解决学习率过早趋向于0而结束训练
D.随机梯度下降(SGD)每次更新只随机取一个样本，按照固定学习率计算梯度，所以速度较快
A.CNN中的全连接层常用softmax作为激活函数。
B.CNN中的池化层用于降低特征图维数，以避免过拟合。
C.CNN由卷积层、池化层和全连接层组成，常用于处理与图像有关的问题。
D.由于卷积核的大小一般是3*3或更大，因此卷积层得到的特征图像一定比原图像小。
A.OpenVINO支持CPU、VPU、GPU等不同结构的硬件
B.OpenVINO支持CPU、VPU、GPU等不同结构的硬件同时并行推理
C.OpenVINO支持不同硬件之间动态负载均衡
D.异构插件不支持神经网络计算棒二代(NCS2)
A.通过正则化可以减少网络参数的个数，一定程度可能增加过拟合
B.利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合
C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量
D.通过增加数据扰动的数据增强减少了神经网络的过拟合
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
